入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。
可参照以下博客一起看（涉及一些概念解析）深度学习之常用模型评估指标（一）—— 分类问题和目标检测_tt丫的博客-CSDN博客_深度网络模型特异度 yolov5训练后会产生runs文件夹，其中的train文件夹中的exp文件夹里存放的即是训练后模型的各种信息，里面的weights文件夹即放置模型权重参数，其余的文件即为各种性能指标信息。
目录
一、confusion_matrix.png —— 混淆矩阵
二、F1_curve.png —— F1曲线
三、labels.jpg —— 标签
四、labels_correlogram.jpg —— 体现中心点横纵坐标以及框的高宽间的关系
五、P_curve.png —— 单一类准确率
六、R_curve.png —— 单一类召回率
七、PR_curve.png —— 精确率和召回率的关系图
八、result.png —— 结果loss functions
一、confusion_matrix.png —— 混淆矩阵
混淆矩阵是对分类问题预测结果的总结。使用计数值汇总正确和不正确预测的数量，并按每个类进行细分，显示了分类模型进行预测时会对哪一部分产生混淆。通过这个矩阵可以方便地看出机器是否将两个不同的类混淆了（把一个类错认成了另一个）。
混淆矩阵不仅可以让我们直观的了解分类模型所犯的错误，更重要的是可以了解哪些错误类型正在发生，正是这种对结果的分解克服了仅使用分类准确率带来的局限性（总体到细分）。
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；
从图中可分析到：每一类被正确分类的概率为100%（emmm可能过拟合了），但是背景被误分还是有一定的概率，尤其是“down”类。
二、F1_curve.png —— F1曲线
F1分数与置信度阈值（x轴）之间的关系。F1分数是分类的一个衡量标准，是精确率和召回率的调和平均数，介于0，1之间。越大越好。
一般来说，置信度阈值（该样本被判定为某一类的概率阈值）较低的时候，很多置信度低的样本被认为是真，召回率高，精确率低；置信度阈值较高的时候，置信度高的样本才能被认为是真，类别检测的越准确，即精准率较大（只有confidence很大，才被判断是某一类别），所以前后两头的F1分数比较少。
可以看到F1曲线很“宽敞”且顶部接近1，说明在训练数据集上表现得很好（既能很好地查全，也能很好地查准）的置信度阈值区间很大。
三、labels.jpg —— 标签
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；
四、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
五、P_curve.png —— 单一类准确率
即置信度阈值 - 准确率曲线图
当判定概率超过置信度阈值时，各个类别识别的准确率。当置信度越大时，类别检测越准确，但是这样就有可能漏掉一些判定概率较低的真实样本。
六、R_curve.png —— 单一类召回率
即置信度阈值 - 召回率曲线图
当置信度越小的时候，类别检测的越全面（不容易被漏掉，但容易误判）。
七、PR_curve.png —— 精确率和召回率的关系图
PR曲线体现精确率和召回率的关系。
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。
我们希望：在准确率很高的前提下，尽可能的检测到全部的类别。因此希望我们的曲线接近(1,1)，即希望mAP曲线的面积尽可能接近1。
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
横坐标代表的是训练轮数(epoch)
一般训练结果主要观察“mAP曲线的面积大小”（PR曲线）与“精确率和召回率波动情况”（上图的右边）；
PR曲线面积越接近1越好；
精确率和召回率波动不是很大则训练效果较好；如果训练比较好的话图上呈现的是稳步上升。
欢迎大家在评论区批评指正，谢谢啦~