YOLOv5目标检测实验-Toy模板网

这篇具有很好参考价值的文章主要介绍了YOLOv5目标检测实验。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

YOLOv5目标检测实验

最近在用YOLOv5跑一些目标检测的东西，这是自己日常学习的一些总结！后期会继续更新！有问题也欢迎批评指正！如果雷同请见谅！

1.数据集

创建数据集是在detect.py里面的create_dataloader,并在主函数里面调用

yolov5在计算资源的调用上采用了torch.nn.parallel.DistributedDataParallel（DDP，多张显卡并行），因为即使只是用单张显卡，torch.nn.DataParallel（DP）也比DDP慢。这个在train.py中设置

训练完成后会最后一个exp的weights下保存最好的一次后最后一次的model

data的hpy里面可以设置学习率、loss等超参数

数据的读取是采用主进程预读取并缓存，然后其它进程从缓存中读取，不同进程之间的数据具体通过torch.distributed.barrier()实现。这个function在utils.py/torch_utils.py中。在dataset.py创建数据集的时候调用，如果当前不是主进程执行，则会让该进程等待，直到主进程执行完

dataset.py
(1) img_files用来存放所有images的路径
(2) cache是个字典，key的个数为图像个数+4，存储了每张图像对应的所有gt box标签和图像宽高
(3) Rectangular Training是将images按照宽高比排序后，将宽高比接近的数据放到同一个batch。因同一个batch里的数据，在输入网络时必需有相同的宽和高，这样将宽高比接近的数据放到同一个batch，则batch内的数据，填充的无效像素就是最少的。
(4) 将数据集中所有图像读取进来，并等比缩放，保存到self.imgs里，当设置了本地保存时，保存为本地.npy文件

2.YOLOv5结果

1）expX目录代表生成结果次数

2）result.png

GIoU：越小方框越准（图上没有这个）
Objectness：检测loss均值，越小越准
mAP@0.5:0.95：阈值取0.5:0.05:0.95后取均值
mAP@0.5：阈值大于0.5的mAP

3） result.txt

从左到右依次为：epoch GPU消耗边界框损失目标检测损失分类损失 total_loss targets数量网络输入图片大小 P R mAP@0.5 mAP@0.5:0.95 验证集val_box 验证集val_obj val_cls

train.py里面with open(result_file,‘a’) as f是将训练结果写入result.txt

640后面的四列分别表示Precision，Recall，mAP@.5，mAP@.5：.95
*mAP@.5:阈值为0.5时的mAP
*mAP@.5:阈值为0.5-0.95（步长为0.05）时的所有mAP的均值

4）confusion_matrix.png

混淆矩阵，用于监督学习（无监督学习叫匹配矩阵），用于观察是否混淆类，某一个格Aij表示第j和类别被预测为i的概率

5）curve.png

P_curve：单一类准确率（预测为positive），曲线表明，置信度越大，类别检测越准确，即置信度很大时，才被判断为某一类

R_curve: recall ，有多少正样本被找出来了

PR_curve：精度越高，召回率越低。

F1_curve：分类问题的衡量标准，是精确率和召回率的调和平均数[0,1]，1是最好的，0最差。