本文训练了50轮安全帽检测数据集，分析训练结果如下：

检测精度

1. 混淆矩阵confusion_matrix

• 用来查看机器是不是把几个不同的类混淆了，比如把一个类当成另一个类。
• 矩阵的x轴横坐标代表真实类别，y轴纵坐标代表预测类别。矩阵中的每个值Aij表示第j类被预测为第i类的概率。
• 理想情况：除background外其余形成对角矩阵。

2. P&R&P-R&F1_curve

• 准确率Precision：（检测的准不准确）检测的效果好不好，检测到的区域是不是都为正确区域。P=TP/TP+FP
• 理想值：1

• 召回率Recall：（检测的全不全面）该检测到的区域是不是都检测到了。R=TP/TP+FN；FN是该检测到但是没有检测出的区域。
• 理想值：1

• P_curve：准确率和置信度的关系图

  

该图描述随着置信度阈值的增加，P值的变化；置信度设为某一数值的时候，各个类别识别的准确率。

• R_curve：召回率和置信度的关系

  

当设置置信度为某一数值的时候，各个类别的查全的概率。

• PR_curve

  

精度和召回率的关系图，而是是有些矛盾存在的。精度越高，召回率越低，理想情况是(1,1)点，即在准确度很高的情况下，尽可能检测到全部的类别。二者围成的面积就是mAP值，mAP面积越接近于1，效果越好。

• F1_curve

F1-score是分类问题的一个衡量指标。是精确率和召回率的调和平均数，最大为1，最小为0。 F1_score=2*P*R/P+R

3. Labels:

第一个图是训练集的数据量，每个类别有多少个
第二个是框的尺寸和数量
第三个是center点的位置。
第四个是labeld的高宽。可以看出头部一般相比于整个图片比较小，所以看到样本大多分布在（0-0.2，0-0.2）
4. result.png

• Loss function:损失函数越小越好，描述模型的预测值和真实值不一样的程度。极大程度上决定了模型的性能。
  • 定位损失box_loss:预测框与真实框之间的误差（GIOU）
  • 置信度损失obj_loss:
  • 类别损失cls_loss:计算锚框与对应的标定框类别是否一致
• mAP@0.5:0.95:表示在不同的IOU阈值（从0.5到0.95，步长为0.05）(0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均Map。
  mAP@0.5：表示阈值大于0.5的平均mAP

检测速度

• 前传耗时(ms)：从输入一张图像到输出最终结果所消耗的时间，包括前处理耗时(如图像归一化)、网络前传耗时、后处理耗时(如非极大值抑制)。
• 每秒帧数FPS (Frames Per Second)： 每秒钟能处理的图像数量，越高越好。
• 浮点运算量(FLOPS)：处理一张图像所需要的浮点运算数量,跟具体软硬件没有关系，可以公平地比较不同算法之间的检测速度。

参考：
YOLO-V5训练结果的分析与评价：https://blog.csdn.net/weixin_45751396/article/details/126726120