Python—读取 results.csv 文件绘制损失曲线图(附完整代码)

这个代码主要是读取 results.csv 文件绘制损失曲线图

说明:
字体设置:通过 plt.rcParams 设置了默认字体为宋体,以确保图表中的中文可以正常显示。
负号问题:plt.rcParams[‘axes.unicode_minus’] = False 用于解决负号显示为方块的问题。

请添加图片描述

请添加图片描述

代码详解:运行此脚本后,它将读取 results.csv 文件中的数据,并根据指定的列名绘制损失曲线图,图表中的中文标签应该可以正常显示,并将图片保存为带有时间后缀的文件。

import os
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import datetime

# 设置matplotlib字体为宋体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体为宋体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号'-'显示为方块的问题

# 指定results的路径
results_path = r'D:\Users\19114\anaconda3\envs\yolo\Lib\site-packages\ultralytics\yolov5-7.0\yolov5-7.0\runs\train\exp38'

# 指定文件名
filename = 'results.csv'

# 构建完整的文件路径
file_path = os.path.join(results_path, filename)

# 读取CSV文件
data = pd.read_csv(file_path)

# 检查数据的前几行以确认内容
print(data.head())

# 获取当前时间用于文件名
current_time = datetime.now().strftime('%Y%m%d_%H%M%S')

plt.figure(figsize=(15, 10))

# 绘制边界框回归损失曲线
plt.subplot(2, 3, 1)
data['train/box_loss'] = data['      train/box_loss'].astype(np.float32).replace(np.inf, np.nan)
data['train/box_loss'] = data['train/box_loss'].fillna(data['train/box_loss'].interpolate())
plt.plot(data['               epoch'], data['train/box_loss'], label='边界框回归损失')
plt.xlabel('迭代轮次')
plt.ylabel('损失值')
plt.title('边界框回归损失')
plt.legend()

plt.subplot(2, 3, 2)
data['train/cls_loss'] = data['      train/cls_loss'].astype(np.float32).replace(np.inf, np.nan)
data['train/cls_loss'] = data['train/cls_loss'].fillna(data['train/cls_loss'].interpolate())
plt.plot(data['               epoch'], data['train/cls_loss'], label='分类损失')
plt.xlabel('迭代轮次')
plt.ylabel('损失值')
plt.title('分类损失')
plt.legend()

plt.subplot(2, 3, 3)
data['train/obj_loss'] = data['      train/obj_loss'].astype(np.float32).replace(np.inf, np.nan)
data['train/obj_loss'] = data['train/obj_loss'].fillna(data['train/obj_loss'].interpolate())
plt.plot(data['               epoch'], data['train/obj_loss'], label='目标置信度损失')
plt.xlabel('迭代轮次')
plt.ylabel('损失值')
plt.title('目标置信度损失')
plt.legend()


plt.tight_layout()
# 生成带有时间后缀的图片文件名
output_filename = f'yolov5s_loss_curve_{current_time}.png'
plt.savefig(os.path.join(results_path, output_filename))
print(f'{output_filename} save in {results_path}/{output_filename}')
<think>好的,我需要帮助用户解决如何将不同YOLO算法的results.txt数据绘制在同一张图表上的问题。首先,我得理解用户的需求。他们可能在进行算法对比,想直观地看到不同版本的YOLO在训练过程中的指标变化,比如mAP、损失函数等。用户提到了results.txt文件,这些文件通常是在YOLO训练完成后生成的,每个exp目录下有一个,里面记录了训练过程中的各项指标。 接下来,我需要回忆YOLO的results.txt结构。通常,这个文件包含每轮的训练损失、验证损失、mAP等数据,每列对应不同的指标。例如,第一列可能是训练轮数,后面跟着各种损失值和mAP值。用户需要将这些不同算法或不同训练生成的results.txt文件的数据整合到一张图上,方便对比。 然后,我得考虑如何实现这一点。用户可能需要使用Python的matplotlib库来绘图。首先需要读取各个results.txt文件,提取所需的数据列,然后将这些数据绘制在同一个图表中。每个算法对应一条曲线,用不同的颜色或线型区分。 需要注意的是,不同版本的YOLO可能在results.txt中的列顺序或指标名称有所不同,比如YOLOv5和YOLOv8可能在列的数量或名称上有差异。因此,用户需要确认每个文件的列对应关系,可能需要手动调整或编写代码自动检测列标题。 另外,用户可能需要处理不同训练轮数的情况。比如有的算法训练了100轮,有的训练了150轮,这时候需要统一x轴的范围,或者在相同轮数范围内比较。或者,用户可能希望将所有数据全部展示,但需要注意对齐。 根据用户提供的引用内容,引用[4]提到可以使用results.csv或result.txt文件绘制mAP对比图,并且用户之前可能使用过类似代码生成改进前后的对比图。因此,可以参考引用中的代码,可能需要调整路径和数据处理部分,以支持多个文件读取绘制。 可能的步骤包括: 1. 收集所有需要对比的results.txt文件,确定它们的路径。 2. 使用Python脚本读取每个文件,提取所需的指标数据,比如mAP_0.5。 3. 对每个算法的数据,生成对应的曲线,并标注算法名称。 4. 设置图表的标题、坐标轴标签、图例等,使图表清晰可读。 5. 保存生成的对比图。 用户可能需要处理不同文件格式的问题,比如有的文件是空格分隔,有的是制表符分隔,需要正确解析。此外,如果某些文件缺少某些指标,可能需要处理异常情况,比如跳过或填充默认值。 另外,用户可能需要调整代码,以支持不同的指标对比,比如除了mAP_0.5之外,还可能需要对比损失值或其他指标。因此,代码需要具备一定的灵活性,允许用户选择要对比的列。 最后,需要测试代码是否能够正确读取多个文件并生成图表,检查数据对齐是否正确,图例是否清晰,图表是否美观。如果有问题,可能需要调整绘图参数,比如线条颜色、样式,图表尺寸等。 总结来说,解决这个问题的关键在于正确读取和处理多个results.txt文件的数据,并将它们整合到同一张图表中,同时确保图表的信息清晰易懂,便于算法性能的对比分析。</think>要绘制多个YOLO算法的`results.txt`数据对比图,可按照以下步骤操作: --- ### 一、整理数据文件 1. 将不同YOLO算法生成的`results.txt`文件统一命名(例如`yolov5.txt`、`yolov8.txt`),并放入同一目录 2. 确认每个文件的数据列含义(不同版本YOLO的列顺序可能不同)[^4] --- ### 二、Python代码实现 ```python import matplotlib.pyplot as plt import numpy as np # 配置参数 file_paths = { "YOLOv5": "path/to/yolov5_results.txt", "YOLOv8": "path/to/yolov8_results.txt", "改进YOLO": "path/to/modified_yolo_results.txt" } target_metric = 9 # mAP_0.5通常是第10列(索引9) epoch_col = 0 # 轮次列索引 plt.figure(figsize=(12, 6)) for label, path in file_paths.items(): try: data = np.loadtxt(path) epochs = data[:, epoch_col] metric = data[:, target_metric] plt.plot(epochs, metric, label=label, linewidth=2) except Exception as e: print(f"加载{label}数据失败: {str(e)}") plt.title('不同YOLO算法mAP@0.5对比', fontsize=14, fontweight='bold') plt.xlabel('训练轮次', fontsize=12) plt.ylabel('mAP@0.5', fontsize=12) plt.grid(True, linestyle='--', alpha=0.7) plt.legend(loc='lower right') plt.tight_layout() plt.savefig('yolo_comparison.png', dpi=300) plt.show() ``` --- ### 三、关键说明 1. **列索引确认**: - YOLOv5的`results.txt`列顺序:`epoch | train_loss | val_loss | mAP_0.5 ...`[^4] - 需通过`np.loadtxt`加载后检查列索引 - 建议先用Excel打开文件确认目标指标位置 2. **异常处理**: - 不同版本可能包含不同数量的列 - 使用`try-except`捕获数据格式不一致的情况 3. **可视化优化**: - 使用`linewidth`增加曲线可见性 - 添加网格线提高可读性 - 保存为高分辨率PNG格式(`dpi=300`) --- ### 四、效果扩展 1. 多指标对比:可同时绘制多个指标(如训练损失、验证损失) 2. 数据平滑:添加滑动平均处理噪声数据 ```python window_size = 3 smoothed = np.convolve(metric, np.ones(window_size)/window_size, mode='valid') plt.plot(epochs[window_size-1:], smoothed) ``` ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值