一、yolo中txt文件的说明：
二、yolo跑视频、图片文件的格式：
三、yolov5训练结果不好的原因：
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
- 过拟合
- 在训练集上表现很好，在测试集上表现很差
- 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
- loss值不再变小就说明训练好了
四、yolov5训练结果（train文件）分析
1. confusion_matrix.png(混淆矩阵)
混淆矩阵能对分类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
注：以上资料、图片来自于YOLOV5官网，CSDN优秀作者以及自己训练的数据集，侵权删除。
本人正在学习事件相机检测等内容（小白），希望能与学习事件相机的众多大佬一起学习，共同交流！