yolov8训练结果分析

1.训练结果

2.weights
里面有两个权重文件:best.pt和last.pt。best为训练的最好的一次权重，用于预测。last为最后一次训练的权重。
3.args.yaml（记录了任务、模型、轮数、配置文件、是否保存等一些文件）

4.confusion_matrix.png（混淆矩阵）

行是预测结果，列是真实结果。第一列之和是fire数量，被分别预测为fire，smoke，background。
5.confusion_matrix_normalized.png
里面是预测结果数量的占比
6.F1_curve.png

F1曲线，被定义为查准率和召回率的调和平均数最大为1，其中1是最好，0是最差。蓝色线是本次训练的模型，它在置信度为0.392时，F1分数最高为0.89
7.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
8.labels_correlogram.jpg

颜色矩阵图，它展示了目标检测算法在训练过程中预测标签之间的相关性。
9.P_curve.png(置信度阈值 - 准确率曲线图)

横坐标为置信度，纵坐标为精度（也可以是召回率）。曲线的形状和位置可以反映出检测器的性能和稳定性。
10.PR_curve.png（精确率和召回率的关系图）

改图表示不同阈值下，精确率与召回率之间的关系曲线。
测为正例的样本中真正为正例的比例，召回率（Recall）表示真正为正例的样本中被预测为正例的比例。
在PR Curve中，横坐标为召回率，纵坐标为精确率。一般而言，当召回率较高时，精确率较低；当精确率较高时，召回率较低。而PR Curve则体现了这种“取舍”关系。当PR Curve越靠近右上角时，表示模型在预测时能够同时保证高的精确率和高的召回率，即预测结果较为准确。相反，当PR Curve越靠近左下角时，表示模型在预测时难以同时保证高的精确率和高的召回率，即预测结果较为不准确。
11.R_curve.png（置信度阈值 - 召回率曲线图）

是目标检测中用于评估算法性能的一种方法。它是在不同置信度阈值下，召回率的变化情况的可视化表示。
12.results.csv


box_loss ：用于监督检测框的回归，预测框与标定框之间的误差（CIoU）。
cls_loss ：用于监督类别分类，计算锚框与对应的标定分类是否正确。
dfl_loss（Distribution Focal Loss）：这个函数与GIOU loss一样，都是用来优化bbox的。
Precision：精度（找对的正类/所有找到的正类）；
Recall：真实为positive的准确率；
Precision：精度（找对的正类/所有找到的正类）；
Recall：真实为positive的准确率；
mAP50-95：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；
mAP50：表示在IoU阈值为0.5时的mAP值变化曲线
13.results.png（results.csv图示）