yolo跑完数据指标哪去了

好，并且我们来讲解一下这个 e o l 啊，就是目标检测这个模型训练的一个结果，这是我训练过的一个模型，它的一个结果， 这结果呢，就这个曲线图，结果曲线图这里面的个指标来对它进行一个解读，也让大家能够呃，大概能够看懂它的一个训练结果，这个模型训练的结果到底怎么样？ 那这个首先就是无论是只要你们用的是 yolo， 就是 那个用它那个库去 python 这样去训练，那它就都会生成这么一张图啊，那这里面的这个总体评价就是 训练结果还是很好的啊，训练结果优秀，这个模型基本啊，基本收敛啊， 什么意思呢？注意讲解一下啊，就是第一个它是这个损失持续下降， 就是这个 loss 啊，待会再逐一来讲解，只要损失持续下降，那就是往好的方向发展。第二个这个验证机的指标 验证级啊，就是作为训练级和呃训练级和这个验证级，验证级的这个指标快速上升，并且去 区域稳定。第三个呢就是没有这个严重的异常波动，或者说这个数值 为零的这个问题。 最后呢他这个表明这个模型在这个学习，表明 模型在这个学习任务中取得了良好的这个泛化。 首先我们来看一下它这个呃， tree 啊， box loss 啊，就是这个训练框，就是边界框啊，训练出来它最后又又用了目标检测，目标检测它最终给你输出的就是一个框，矩形框啊，加上一个分类的一个类别，对不对 啊？那这个 box 啊，就是这个边界框边界框的一个回归，回归就是说它在在什么位置 那，呃，分类与回归分类，它就是，哎，这个东西是什么？对不对？呃呃，回归就是这个东西在哪里，就是在这个图像当中哪哪里，但具体到哪里就是它的一个坐标啊，就是 x y 打 w h x y w h 就是， 呃 中心点，就是根据这个中心点的坐标，然后它的宽度、高度啊， x 轴 x x 轴外轴的这个坐标啊， 根据这个左上角的这个起始点，就是矩形框左上角起始点这个 x 轴 y 轴的这个坐标，以及这个，呃矩形框的宽度、高度，呃，可以最终确定这个图形，这个矩形框的这个中心点的坐标对不对，就可以计算出来。 那这里面我们可以看到从这他应该是二点五以上，二点五以上大概是二点七、二点八的这个样子啊，那下降到了这个，反正肯定下降到一点零以下，对不对？ 并且他呈现一个，尤其是在这啊，他呈现一个平滑，平滑下降的一个趋势，这个平滑线，也就是说这个橙色的这个曲线啊，是啊，橙色的这个虚线， 他跟这个真实值啊，真实值高度一致，基本上一致。那这个就是说明模型对这个目标位置的这个预测能力不断提升啊，收敛良好。这个我们都说放在第一个，就是这个很重要， 这是关键的一个指标。那除了这个分类啊，这个回归这块呢啊，分类这块呢？啊？内就是这个模，这个 图像里面的这个目标，我检测这个目标它的一个分类啊，你可以把它理解成就是你在进行这个数据标注的时候啊，无论你是用啊 live mei 还是 live studio， 还是 live me 啊等等啊，就是这个 样本级这个标注的这个工具还是很多的，就是你在标注过程当中，你肯定会对这些目标进行一个分类，那这个分类的它的一个损失 啊，初值值啊，初值，你看我们这个这个应该接近六了啊，假设它是五点七、五点八啊， 呃，这里面没没有说啊，很具体的啊，这个大概是五点七五点八这个样子， 那下降到了最终下降到了这个跟这个你看其实实际上有点相似啊，跟这个回归的边界方回归的这个损失，那分类的这个损失最终下降到也是大概零点七、零点八或者零点八、零点九这个左右。 这个曲线呢，并且也是比较平滑，无剧烈震荡。所谓无剧烈震荡，就是啊，就这样啊，像那个那个电电台那个拨频一样，嘟嘟嘟，太吓人，没有剧烈震荡， 这个说明什么呢？意味着什么？就是这个分类头啊，他学习的比较稳定啊，类别的这个判断能力增强。 还有一个就是分布焦点的一个损失啊，这个分布焦点这个损失，它就用于这个 i o u 的 一个测试。那 i o u 是 什么呢？ i o u 实际上就是呃 呃， i o u 这个预测就是它叫交并比啊，术语反翻译过来啊，下面写写一下 i o u 预测，这个叫 毫米，那这个是就是目标检测任务当中的一种，提升，这个定位精度与训练 啊，测试一致性的一个重要的一个技术。那传统的方法通常就是将这个 i o u 仅仅是用于评估或者是后处理， 比如像 n、 m、 s、 r， 而这个 i o u 预测就是将这个作为模型的显示输出目标之一， 让这个网络直接学习预测每个检测框与其真与其对应的真实框之间的这个 l u 值。 也就是说在这个目标检测的模型当中，除了预测边界框的一个坐标就是 x、 y、 w、 h 和类别这个概率之外，额外增加了一个分支来预测这个检测框与这个真实框 之间的这个 i o u 值，范围就是零到一，那这个 i o u 它就可用于就是 呃，就是，嗯，比如说你呃更准确的这个知性度的一个较准，就是像这个分类的一个得分呐，包括预测的 i o u 乘以这个预测 i o u 作为最终的一个得分 来改进 nms 策略，就用于预测这个 l u 替代这个应域值的一个判断，也作为损失函数的一部分，引导模型关注定位质量、减少训练与这个推流目标不一致的问题。 那传统这个分类方法就是用分类这个 loss 加上这个呃呃回归的这个 loss。 但是呃 最终的评价还是看这个 i o u 啊。那我们再来看这个 i o u 的 一个结果啊，就是分布焦点损失， 那它这里面呢？就是初始值，也就是说这个也是很关键的，就是结合前面两个，后面这个是一个，就相当于一个辅助的一个补充，就是判，判定你到底是模型训练的怎么样？ 那出使值大概是一点六以上啊，一点六，一点七啊，肯定是一点七，一点八对不对？快速降到了这个一点零 一点零之后，那它有小幅的一个波动，那波动呢？也是比较小，整体趋于平稳。 那这个就是模型对这个预测框与真实框之间的 l u 分 布建模啊，这块儿 比较好啊，优化训练，那这个三个训练训练损失就是都是这个单调下降啊，加上这个收敛， 表明这个模型在这个训练阶段学习正常，没有梯度爆炸或者是过离合的一个迹象啊，这一个这种也是一个结论，就是， 嗯，在这个训练阶段 t 图爆炸或者是过一会。 好，这是这一节我们先解读这几个指标，后面的啊，下一阶段再解读。