（超详细）YOLOv5训练出结果，如何分析结果的性能分析

一、 confusion_matrix

行是预测类别（y轴），列是真实类别（x轴）；

矩阵中Aij的含义是：第j个类别被预测为第i个类别的概率；
二、P_curve

准确率和置信度的关系图。
意思就是，当我设置置信度为某一数值的时候，各个类别识别的准确率。可以看到，当置信度越大的时候，类别检测的越准确。这也很好理解，只有confidence很大，才被判断是某一类别。但也很好想到，这样的话，会漏检一些置信度低的类别。
三、R_curve

召回率（查全率）和置信度的关系图。
意思就是，当我设置置信度为某一数值的时候，各个类别查全的概率。可以看到，当置信度越小的时候，类别检测的越全面。
四、PR_curve

mAP 是 Mean Average Precision 的缩写，即 均值平均精度。可以看到：精度越高，召回率越低。
但我们希望我们的网络，在准确率很高的前提下，尽可能的检测到全部的类别。所以希望我们的曲线接近（1，1）点，即希望mAP曲线的面积尽可能接近1。
五、 F1_curve

F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。

对于某个分类，综合了Precision和Recall的一个判断指标，F1-Score的值是从0到1的，1是最好，0是最差。
六、labels.jpg

第一个图是训练集得数据量，每个类别有多少个；
第二个图是框的尺寸和数量；
第三个图是中心点相对于整幅图的位置；
第四个图是图中目标相对于整幅图的高宽比例；
七、labels_correlogram.jpg —— 体现中心点横纵坐标以及框的高宽间的关系

表示中心点坐标x和y，以及框的高宽间的关系。
每一行的最后一幅图代表的是x，y，宽和高的分布情况：
最上面的图（0，0）表明中心点横坐标x的分布情况，可以看到大部分集中在整幅图的中心位置；
（1，1）图表明中心点纵坐标y的分布情况，可以看到大部分集中在整幅图的中心位置；
（2，2）图表明框的宽的分布情况，可以看到大部分框的宽的大小大概是整幅图的宽的一半；
（3，3）图表明框的宽的分布情况，可以看到大部分框的高的大小超过整幅图的高的一半
而其他的图即是寻找这4个变量间的关系
八、result.png —— 结果loss functions

🌳定位损失box_loss：

   预测框与标定框之间的误差（CIoU），越小定位得越准；

🌳置信度损失obj_loss：

   计算网络的置信度，越小判定为目标的能力越准；

🌳分类损失cls_loss：

   计算锚框与对应的标定分类是否正确，越小分类得越准；

🌳mAP@0.5:0.95（mAP@[0.5:0.95]）
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@0.5：

  表示阈值大于0.5的平均mAP

十、result.csv
results.txt中最后三列是验证集结果，前面的是训练集结果，全部列分别是：
训练次数，GPU消耗，边界框损失，目标检测损失，分类损失，total，targets，图片大小，P，R，mAP@.5, mAP@.5:.95, 验证集val Box, 验证集val obj, 验证集val cls