自学小模型day2——YOLO模型的输出指标

文章目录

• YOLO模型的输出文件
• • results.png
  • • 左侧的LOSS数据如何看呢？
    • 右侧的Box指标，也就是（B）
    • 右侧的Mask指标，也就是（M）
  • confusion_matrix.png
  • • [怎么看confusion matrix](#怎么看confusion matrix)
    • 如何分析更深层次的数据
  • [什么是early stopping](#什么是early stopping)

---

YOLO模型的输出文件

results.png

是 results.csv的 图形化文件

体现出训练集和真值效果，以及模型泛化能力

代表的是每一轮对数据集标定与验证的结果

左侧的LOSS数据如何看呢？

1. 第一排是训练集pred与真值之间的结果

   我们重点是在分割，所以关注train/seg_loss和train/cls_loss较多一些，其他数据关注度不高；

   期待状态是稳定的下降和没有发散

   实际数据集的结果，就是稳定的下降和没有发散

2. 第二排是验证集的泛化结果

   期待状态是稳定的下降和没有发散

   实际结果，前期是有些波动，后期的趋势还是下降的。说明没有过拟合

右侧的Box指标，也就是（B）

1. 期待状态是稳定上升
2. 实际是前期比较抖动，中后期仍然是稳定上升了；
3. Recall 比 Precision 低一些，说明模型相对更"保守"，误检少，但有些目标没找全。

• Precision 高 Recall 低：偏保守
• Recall 高 Precision 低：偏激进

4. mAP50(B)指的是box 在 IoU=0.5 时的 mAP，mAP50-95(B)指的是更严格的 box mAP，

右侧的Mask指标，也就是（M）

1. 期待状态是稳定上升
2. 实际是前期比较抖动，中后期仍然是稳定上升了；

最终结论 ------训练是成功的、没有明显过拟合、40轮后就进入early stopping、Box效果好于Mask、Recall 相对偏低，是后续优化重点
改善方法------如果想提高 Recall，可以考虑：增加难样本、增加小目标样本、调低推理阈值、检查漏检类是否样本不足

---

confusion_matrix.png

作用于验证集，告诉你模型把真实类别认成了什么，以及哪些类别最容易互相混淆。

怎么看confusion matrix

• 横轴 True：真实类别
• 纵轴 Predicted：预测类别
• 左上到右下这条对角线，表示：真实是什么，模型也预测成什么。对角线越深，说明这个类别识别得越对
• 对角线以外的格子表示：真实是 A，但模型预测成了 B。这些就是混淆
• 最后一列 / 最后一行 background
• 最后一列 background（横轴）表示：真实是 background，但模型预测成了某个类。
  这更像误检来源的一部分。
• 最后一行 background（纵轴）表示：真实是某个类，但模型预测成了 background
  也就是：漏检。

如何分析更深层次的数据

1. 哪些是核心类------样本量大、容易学会
2. 哪些是边缘类------样本少、难以区分
3. 哪些是容易混淆的类------非对角线的颜色块表明混淆
4. 误检多还是漏检多------综合考虑到precision和recall的比例，应该偏向于保守型，同时观察background的行列进行分析

什么是early stopping

• Early stopping 会在这种情况下触发：
  模型在验证集上的关键指标，连续若干个 epoch 都没有变好
• 作用是防止过拟合------当在验证集上发现模型的学习得差不多了，验证集上的指标几乎不变的时候，继续训练会让模型不会变好而是变差。
• 减少训练资源