yolov5结果解析
Confusion matrix
以这种形式给出矩阵的值
| g t c l a s s 1 gt_{class1} gtclass1 | g t c l a s s 2 gt_{class2} gtclass2 | g t c l a s s 3 gt_{class3} gtclass3 | background FP | |
|---|---|---|---|---|
| p r e d c l a s s 1 pred_{class1} predclass1 | ||||
| p r e d c l a s s 2 pred_{class2} predclass2 | ||||
| p r e d c l a s s 3 pred_{class3} predclass3 | ||||
| background FN |
若是分类的完美，则应当只有对角线是高峰，其余都是0（除了最后一行和最后一列）.
根据GitHub上的讨论，background也被列成单独一类，所以也有他的TP、FP、TN、FN等。
最后一列和最后一行都是以background的类别pos的prediction的FN和FP。所以最右下角是没有意义的，没有值。
- 由于最后一列是background的FP，本来不是背景的，被pred分成了背景，漏检了非背景物体
- 由于最后一行是background的FN，本来是背景的，被pred分成了不是背景，虚检了本来没有的物体。
混淆矩阵最后一行和一列是背景类。上面我们知道列是模型预测的结果，行是标签的真实结果。而FP则是表示真实为假预测为真，FN表示真实为真预测为假。可以看到最后一行即backgroundFN出现数值，表示出现了漏检；最后一列即background FP出现数值，则表示出现了虚检
来自 https://blog.csdn.net/m0_66447617/article/details/124180032,
另外可参考github上的讨论，background也被单独划分成了一个类别。
https://github.com/kaanakan/object_detection_confusion_matrix/issues/12
以上面的图为例子的话，可以看到background FN各类都比较高，虚检了很多物体；background FP- hat的相对较高，漏检了很多head类别的物体。而在非背景的类别中，可以看到对角线的值相对大，可见模型能够很好的分清楚这三类谁是谁。
F1 curve
横坐标是置信阈值。
F
1
=
2
∗
1
1
p
r
e
c
i
s
i
o
n
+
1
r
e
c
a
l
l
F1=2*\frac1{\frac1{precision}+\frac1{recall}}
F1=2∗precision1+recall11
此图能够看到什么阈值下什么类别能够达到最好的F1 score，比如绿线在0.27左右，海蓝色在0.8左右。
labels
给所提供的label数据进行统计，是4个图，左上是各个物体的数量直方图，右上是中心对齐后各个物体的bounding box，左下角是中心点统计，右下角是方框长、宽统计
results
横坐标是epoch，标题比较直观的说了每个图的意思
剩下一些不需要解释的图
常规曲线
P-R curve
P curve
R curve
batch抽取的case study
这些就是抽取个例查看。