yolov5的知识点有哪些

这篇文章主要讲解了“yolov5的知识点有哪些”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“yolov5的知识点有哪些”吧！1. 欠拟合：在训练集上表现很差，测试集上表现也很差的现象可能是欠拟合导致的，是因为泛化能力太强，误识别率较高解决办法： 1）增加数据集的正样本数, 增加主要特征的样本数量 2）增加训练次数 3）减小正则化参数2. 过拟合:在训练集上表现很好，在测试集上表现很差（模型太复杂）解决办法： 1）增加其他的特征的样本数, 重新训练网络. 2）训练数据占总数据的比例过小，增加数据的训练量3. loss值不再变小就说明训练好了1. confusion_matrix.png(混淆矩阵)混淆矩阵能对分类免费云主机域名问题的预测结果进行总结，显示了分类模型的在进行预测时会对哪一部分产生混淆。2. F1_curve：F1分数与置信度之间的关系。F1分数（F1-score）是分类问题的一个衡量指标，是精确率precision和召回率recall的调和平均数，最大为1，最小为0, 1是最好，0是最差3. labels.jpg第一个图 classes:每个类别的数据量第二个图 labels：标签第三个图 center xy第四个图 labels 标签的长和宽4. labels_corrrelogram.jpg 目前不知道5. P_curve.png :准确率precision和置信度confidence的关系图6. PR_curve.png:PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。PR曲线下围成的面积即AP，所有类别AP平均值即Map.如果PR图的其中的一个曲线A完全包住另一个学习器的曲线B，则可断言A的性能优于B，当A和B发生交叉时，可以根据曲线下方的面积大小来进行比较。一般训练结果主要观察精度和召回率波动情况（波动不是很大则训练效果较好）Precision和Recall往往是一对矛盾的性能度量指标；提高Precision == 提高二分类器预测正例门槛 == 使得二分类器预测的正例尽可能是真实正例；提高Recall == 降低二分类器预测正例门槛 == 使得二分类器尽可能将真实的正例挑选7. R_curve.png :召回率和置信度之间的关系8. results.png：Box_loss：YOLO V5使用 GIOU Loss作为bounding box的损失，Box推测为GIoU损失函数均值，越小方框越准；Objectness_loss：推测为目标检测loss均值，越小目标检测越准；Classification_loss：推测为分类loss均值，越小分类越准；Precision：精度（找对的正类/所有找到的正类）；Recall：真实为positive的准确率，即正样本有多少被找出来了（召回了多少）.Recall从真实结果角度出发，描述了测试集中的真实正例有多少被二分类器挑选了出来，即真实的正例有多少被该二分类器召回。val Box_loss: 验证集bounding box损失;val Objectness_loss：验证集目标检测loss均值;val classification_loss：验证集分类loss均值;mAP@.5:.95（mAP@[.5:.95]）: 表示在不同IoU阈值（从0.5到0.95，步长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@.5：表示阈值大于0.5的平均mAP。然后观察mAP@0.5 & mAP@0.5:0.95 评价训练结果。mAP是用Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值，@0.5:0.95表示阈值取0.5:0.05:0.95后取均值感谢各位的阅读，以上就是“yolov5的知识点有哪些”的内容了，经过本文的学习后，相信大家对yolov5的知识点有哪些这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是百云主机，小编将为大家推送更多相关知识点的文章，欢迎关注！

相关推荐: php mcrypt_decrypt()函数如何使用

这篇“php mcrypt_decrypt()函数如何使用”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“php mcrypt_decrypt()…