Visdrone数据集YOLOv5模型训练结果，VisDrone-训练结果-yolov5-版本5.zip

共26个文件

jpg：11个

png：6个

pt：3个

版权申诉

YOLOv5

目标检测

YOLO目标检测

5星 · 超过95%的资源 75 浏览量 2021-10-21 09:34:42 上传评论 4 收藏 265.38MB ZIP 举报

Visdrone数据集是计算机视觉领域的一个重要资源，主要用于无人机目标检测任务。这个数据集包含了大量无人机视角下拍摄的图像，涵盖了丰富的目标类别，如行人、车辆等，为研究人员提供了真实世界的复杂场景来测试和优化目标检测算法。在这个场景中，我们关注的是使用YOLOv5模型在Visdrone数据集上的训练成果。 YOLO（You Only Look Once）是一种高效的目标检测框架，因其实时性能和准确度而广受欢迎。YOLOv5是该系列的最新版本，由Joseph Redmon等人开发并持续更新。它在YOLOv3和YOLOv4的基础上进行了优化，提高了模型的速度和精度，尤其是在小目标检测方面有所提升。在这个压缩包中，包含了使用两种不同规模的YOLOv5模型——YOLOv5s和YOLOv5m的训练结果。"s"和"m"代表small和medium，分别表示模型的大小和计算复杂度。YOLOv5s通常比YOLOv5m更快，但可能在某些情况下精度稍逊一筹。相反，YOLOv5m可能在精度上更优，但可能需要更多的计算资源。训练300个epochs是为了确保模型充分学习数据集中的特征，以达到最佳性能。训练过程通常包括数据预处理、模型架构的选择、超参数调整以及模型的验证和优化。在Visdrone数据集上训练YOLOv5模型，意味着研究人员已经对输入图像进行了相应的预处理，比如缩放、归一化，以适应YOLOv5的输入规格。此外，他们可能还对损失函数、学习率等超参数进行了细致的调整，以期在有限的epochs内达到最好的收敛效果。值得注意的是，这个压缩包还提供了在特定场景下进行测试的视频。这些视频可以用来评估模型在实际环境中的性能，包括在动态变化和复杂背景中的目标检测能力。通过对比视频中的检测结果和真实情况，我们可以分析模型的鲁棒性、漏检率和误检率等关键指标。总结起来，Visdrone数据集上的YOLOv5训练结果展示了如何利用深度学习技术解决无人机视觉中的目标检测问题。YOLOv5模型的高效和精准使得它成为这类任务的理想选择。通过比较YOLOv5s和YOLOv5m在相同数据集上的表现，我们可以深入理解模型规模对性能的影响，以及在实际应用中如何权衡速度与精度。同时，提供的测试视频为评估模型的实际效能提供了宝贵素材。对于研究者和开发者来说，这个资源是进一步改进和优化目标检测算法的重要参考。

资源推荐

资源详情

资源评论

收起资源包目录

VisDrone-训练结果-yolov5-版本5.zip （26个子文件）

VisDrone-训练结果-yolov5-版本5

visdrone-3.mp4 26.91MB

exp5-yolov5-s

R_curve.png 263KB

test_batch2_pred.jpg 265KB

opt.yaml 633B

F1_curve.png 295KB

test_batch1_labels.jpg 298KB

train_batch0.jpg 277KB

PR_curve.png 300KB

P_curve.png 414KB

weights

best.pt 13.75MB

last.pt 13.75MB

train_batch1.jpg 283KB

events.out.tfevents.1627826000.yuhui.4144.0 199KB

train_batch2.jpg 226KB

test_batch0_labels.jpg 307KB

hyp.yaml 356B

results.png 223KB

results.txt 44KB

labels.jpg 235KB

test_batch1_pred.jpg 300KB

confusion_matrix.png 231KB

test_batch2_labels.jpg 258KB

test_batch0_pred.jpg 310KB

labels_correlogram.jpg 420KB

1.mp4 59.77MB

best-visdrone-m.pt 161.65MB

0/299 2.45G 0.1284 0.09895 0.04835 0.2757 143 640 0.786 0.07384 0.06217 0.02494 0.1058 0.17 0.03946 1/299 2.46G 0.1077 0.1296 0.03631 0.2736 224 640 0.7555 0.08727 0.08384 0.03778 0.1005 0.1701 0.03635 2/299 2.46G 0.1055 0.1327 0.03385 0.2722 264 640 0.3245 0.1993 0.1108 0.0489 0.09943 0.1755 0.0345 3/299 2.46G 0.1026 0.1329 0.03172 0.2672 155 640 0.4431 0.194 0.1241 0.05834 0.09829 0.1736 0.03271 4/299 2.46G 0.1005 0.1333 0.03042 0.2642 235 640 0.5087 0.1821 0.1364 0.0672 0.0958 0.1716 0.03204 5/299 2.46G 0.09903 0.1328 0.02932 0.2611 259 640 0.4648 0.1967 0.1363 0.06651 0.09762 0.172 0.03186 6/299 2.46G 0.0982 0.1337 0.02876 0.2606 219 640 0.522 0.1891 0.151 0.0813 0.09495 0.1713 0.03104 7/299 2.46G 0.09807 0.134 0.02828 0.2604 115 640 0.5134 0.1981 0.1577 0.08048 0.09461 0.171 0.03039 8/299 2.46G 0.09717 0.134 0.02759 0.2588 329 640 0.3586 0.2116 0.1658 0.08711 0.09375 0.1719 0.02997 9/299 2.46G 0.09657 0.1324 0.02748 0.2564 192 640 0.61 0.1834 0.171 0.08768 0.09395 0.1723 0.02983 10/299 2.46G 0.09662 0.1343 0.02699 0.2579 224 640 0.3146 0.2208 0.1772 0.09556 0.09327 0.1711 0.02964 11/299 2.46G 0.09622 0.1329 0.02669 0.2558 168 640 0.2628 0.2435 0.1788 0.0929 0.09423 0.1713 0.0295 12/299 2.46G 0.09544 0.1322 0.02633 0.254 263 640 0.2927 0.2326 0.1858 0.09564 0.09376 0.1723 0.02934 13/299 2.46G 0.0956 0.1319 0.02593 0.2534 111 640 0.2899 0.24 0.1907 0.1012 0.09353 0.1719 0.02909 14/299 2.46G 0.09492 0.1312 0.02594 0.2521 158 640 0.3133 0.2401 0.195 0.1052 0.0933 0.1715 0.02897 15/299 2.46G 0.09527 0.1327 0.0258 0.2538 85 640 0.329 0.2362 0.1978 0.105 0.09299 0.1717 0.0289 16/299 2.46G 0.09477 0.1307 0.0256 0.251 267 640 0.2743 0.2566 0.1988 0.1057 0.09293 0.171 0.02891 17/299 2.46G 0.09487 0.131 0.02544 0.2513 157 640 0.3063 0.2509 0.2081 0.1121 0.09241 0.1707 0.02868 18/299 2.46G 0.09475 0.1314 0.02534 0.2515 293 640 0.3094 0.2513 0.211 0.1141 0.09252 0.1717 0.02867 19/299 2.46G 0.09436 0.1316 0.02499 0.251 93 640 0.2712 0.2735 0.2058 0.1105 0.09236 0.1732 0.02857 20/299 2.46G 0.09459 0.132 0.02482 0.2514 754 640 0.2815 0.2667 0.212 0.1121 0.09242 0.1716 0.0286 21/299 2.46G 0.09368 0.1298 0.02465 0.2481 115 640 0.3296 0.2481 0.211 0.116 0.09237 0.1717 0.02851 22/299 2.46G 0.09384 0.1296 0.02435 0.2478 251 640 0.2867 0.2845 0.2146 0.1148 0.09249 0.1717 0.02836 23/299 2.46G 0.09402 0.1312 0.02421 0.2494 193 640 0.284 0.2727 0.21 0.1124 0.0924 0.1716 0.02834 24/299 2.46G 0.09372 0.1299 0.02431 0.248 343 640 0.2974 0.2723 0.2184 0.1197 0.09139 0.1711 0.02813 25/299 2.46G 0.09316 0.1293 0.02407 0.2465 136 640 0.294 0.2772 0.2254 0.1238 0.09154 0.173 0.0281 26/299 2.46G 0.09326 0.1296 0.02421 0.2471 243 640 0.2972 0.2734 0.2185 0.1173 0.09223 0.1722 0.02817 27/299 2.46G 0.09306 0.1296 0.02386 0.2465 207 640 0.3141 0.2659 0.2207 0.1207 0.09142 0.1718 0.02829 28/299 2.46G 0.09341 0.1304 0.02375 0.2476 230 640 0.3271 0.2604 0.2234 0.1203 0.0918 0.1718 0.02785 29/299 2.46G 0.09296 0.1291 0.02367 0.2458 167 640 0.2724 0.2952 0.222 0.1235 0.09131 0.1725 0.02797 30/299 2.46G 0.09305 0.1293 0.02377 0.2461 322 640 0.2905 0.2895 0.2239 0.12 0.09185 0.1724 0.0281 31/299 2.46G 0.09266 0.1287 0.02361 0.245 170 640 0.3184 0.2783 0.2282 0.1256 0.09117 0.172 0.02803 32/299 2.46G 0.09275 0.1305 0.02358 0.2469 224 640 0.3336 0.2572 0.2262 0.1246 0.09127 0.1717 0.0279 33/299 2.46G 0.09259 0.1294 0.02332 0.2453 311 640 0.3078 0.2767 0.2265 0.1244 0.09132 0.1729 0.02782 34/299 2.46G 0.09267 0.1284 0.02316 0.2442 299 640 0.3075 0.2846 0.2306 0.1285 0.09101 0.1728 0.02791 35/299 2.46G 0.09282 0.1299 0.0233 0.246 118 640 0.3093 0.2849 0.2319 0.126 0.0914 0.1729 0.02775 36/299 2.46G 0.09235 0.1293 0.0232 0.2449 240 640 0.3395 0.2622 0.2282 0.1285 0.09061 0.1723 0.02793 37/299 2.46G 0.09226 0.1286 0.02312 0.2439 256 640 0.3335 0.26 0.2288 0.1274 0.09098 0.1719 0.02767 38/299 2.46G 0.09265 0.1299 0.02291 0.2454 331 640 0.332 0.2644 0.2283 0.1273 0.09084 0.1726 0.02798 39/299 2.46G 0.09237 0.1294 0.02274 0.2446 210 640 0.2959 0.2986 0.2311 0.128 0.09101 0.1727 0.02751 40/299 2.46G 0.0924 0.1287 0.02259 0.2437 166 640 0.3399 0.2728 0.2329 0.1297 0.09072 0.1726 0.02767 41/299 2.46G 0.09205 0.129 0.02271 0.2437 182 640 0.3206 0.2708 0.2308 0.1279 0.09107 0.1725 0.02778 42/299 2.46G 0.09219 0.1285 0.02277 0.2434 114 640 0.3389 0.2712 0.2357 0.1315 0.09067 0.1733 0.02748 43/299 2.46G 0.09228 0.1287 0.02245 0.2434 311 640 0.329 0.272 0.2278 0.1264 0.09083 0.1734 0.02778 44/299 2.46G 0.09169 0.1273 0.02252 0.2415 381 640 0.3404 0.2744 0.2348 0.1268 0.09099 0.1736 0.02759 45/299 2.46G 0.09175 0.129 0.02242 0.2432 238 640 0.3527 0.2664 0.2375 0.1324 0.09038 0.1729 0.02762 46/299 2.46G 0.09195 0.128 0.02246 0.2424 148 640 0.3155 0.2863 0.2327 0.1279 0.09046 0.1737 0.02767 47/299 2.46G 0.09166 0.1273 0.02226 0.2412 232 640 0.3295 0.2686 0.2318 0.1294 0.09106 0.1733 0.0277 48/299 2.46G 0.09179 0.1278 0.02236 0.242 204 640 0.3127 0.2927 0.2379 0.1322 0.09057 0.1738 0.02756 49/299 2.46G 0.0912 0.1261 0.0222 0.2395 209 640 0.3654 0.2601 0.238 0.1311 0.09072 0.1738 0.02756 50/299 2.46G 0.09173 0.1265 0.02215 0.2404 198 640 0.348 0.2767 0.2383 0.1332 0.09041 0.1737 0.02766 51/299 2.46G 0.09139 0.1271 0.02196 0.2405 160 640 0.3487 0.2712 0.2388 0.1342 0.09057 0.1737 0.02746 52/299 2.46G 0.09126 0.1264 0.02219 0.2399 200 640 0.3319 0.2813 0.2416 0.1361 0.09029 0.1741 0.0274

评论收藏

内容反馈

版权申诉