小前言

這邊只整理YOLOv5、YOLOv7以及YOLOv8的訓練結果，因為YOLOv4改良自YOLOv3，YOLOv4跟YOLOv7為同一個團隊，因此以YOLOv7的結果作為代表，另外，這邊為了讓輸出結果能夠統一，因此這邊選擇能將訓練過程的變化呈現在Wandb上的模型(YOLOv5、YOLOv7、YOLOv8)作為呈現。

YOLOv3、YOLOV4

• 這邊在YOLOv3以及YOLOv4的訓練過程當中，會同步顯示目前的loss曲線，此曲線可以讓使用者知道該模型在訓練過程中的是否已達到收斂，並且可以看出模型的收斂效率。
• 這邊呈現YOLOv3的loss曲線圖。
  
• 若是想要看到模型的mAP、recall，則可以輸入以下指令(這邊舉yolov3為例，若要換成YOLOv4則需要改成YOLOv4的cfg檔以及訓練好的權重檔):

  #mAP
  darknet.exe detector map .\cfg\obj.data .\cfg\yolov3.cfg .\cfg\weights\yolov3_final.weights
  #recall
  darknet.exe detector recall .\cfg\obj.data .\cfg\yolov3.cfg .\cfg\weights\yolov3_final.weights
  

YOLOv5、YOLOv7、YOLOv8

• YOLOv8在訓練的時候會自動判斷，若模型在訓練的過程當中，模型沒有進步的時候會提前中斷訓練。

1. 各項評估指標曲線圖:

• mAP_0.5:
  
• mAP_0.5:0.95:
  
• recall:
  
• precision:
  

2. 詳細數值:

3. 預測影像:

• 這邊拿準確度最高的YOLOv8模型進行預測。
  

這邊從結果來看，可以發現準確度是YOLOv8表現得最好，但為什麼YOLOv7模型為什麼準確度沒有其他兩著來的高，這邊想到的原因可能是:YOLOv7需要更多的epochs數去訓練，但為了統一標準進行比較，這邊展示的是epoch設定為300時的結果，但是YOLOv8能夠提前在一百多Epochs的時候就停止訓練，並也有很好的表現，因此可見YOLOv8模型有很好的效能。