一文讲清楚YOLO模型训练的各种指标

2026/8/9 15:52:48

一文讲清楚YOLO模型训练的各种指标

训练 YOLO 时，终端会不断跳出 box_loss、cls_loss、dfl_loss、Precision、Recall、mAP50、mAP50-95 等数字。最容易犯的错误，是只盯着最后的 mAP，或者看到 loss 降了就觉得模型已经变好。

更实用的理解方式是：loss 用来判断模型有没有学稳，Precision 和 Recall 用来判断它错在哪里，mAP 用来比较模型整体效果，速度指标决定它能不能部署。 这些指标放在一起看，才能知道下一步该调数据、调训练，还是改模型。

一、先分清：训练 loss 和验证指标回答的不是同一个问题

YOLO 的训练日志大致可分成两组。

第一组是 loss，例如 box_loss、cls_loss 和较新 YOLO 版本中常见的 dfl_loss。它们来自训练过程，反映模型正在怎样拟合当前训练数据；数值通常越低越好，但不适合单独当作最终成绩。

第二组是验证指标，例如 Precision、Recall、mAP50、mAP50-95。它们在验证集上计算，更接近模型面对未参与训练的图片时的表现。选择 best.pt、比较不同实验，主要看这一组。

一个常见现象是：训练 loss 还在下降，验证集 mAP 却不再提高，甚至开始回落。这往往意味着模型正在记住训练集中的细节，泛化能力没有同步提升。此时继续训练未必有收益，应检查数据量、数据增强、正则化和早停设置。

反过来，loss 在不同实验之间也不能直接横向比较。换了损失函数、输入尺寸或数据增强后，loss 的量纲和难度都可能改变。实验 A 的 loss 更低，不等于它一定比实验 B 检测更好；验证集指标才是更可靠的裁判。

二、先看懂 IoU，再区分 TP、FP 和 FN

看懂所有检测指标，先抓住两个判断。

IoU（交并比） 衡量预测框和真实框重叠得有多好：

IoU = 预测框与真实框的交集面积 / 两个框的并集面积

IoU 越接近 1，说明框的位置和大小越准确。评估时通常先设一个阈值，例如 IoU ≥ 0.5；只有类别也对、框也满足阈值的预测，才算一次正确检测。

接着会得到三类结果：

TP（真正例）：该检出的目标检出来了，类别和框都对。
FP（假正例）：模型报出了一个目标，但它其实不存在、类别错了，或框偏得太远。
FN（假负例）：图片里本来有目标，模型却漏掉了。

这里有个特别容易忽略的细节：同一个真实目标如果被预测出多个框，经过置信度排序和匹配后，通常只有一个能成为 TP，其余重复框会计为 FP。所以“框画得很多”不会自动提高效果，反而可能拉低 Precision。

三、Precision、Recall、F1：先判断模型是在乱报，还是在漏报

Precision 和 Recall 都由 TP、FP、FN 得来，但关注点不同：

Precision = TP / (TP + FP)

它回答的是：模型报出来的框里，有多少是真的。Precision 低，说明误检较多，例如把背景、阴影或相似物体当成目标。

Recall = TP / (TP + FN)

它回答的是：图片中真实存在的目标，有多少被找到了。Recall 低，说明漏检较多，常见于小目标、遮挡目标、少数类样本或置信度阈值过高的情况。

F1 是 Precision 和 Recall 的调和平均：

F1 = 2 × Precision × Recall / (Precision + Recall)

它适合用来找一个相对均衡的置信度阈值。YOLO 输出的 BoxF1_curve.png，就是在不同置信度阈值下观察这种平衡。部署时不要机械沿用默认 conf=0.25：安防告警更怕误报，可适当提高阈值；缺陷检测或危险目标识别更怕漏报，则应优先保证 Recall，再结合业务允许的误报量确定阈值。

可以用下面的组合快速定位方向：

Precision 低、Recall 高：目标大多找到了，但误检多。先看错误标签、相似背景、重复预测和置信度阈值。
Precision 高、Recall 低：模型很谨慎，但漏掉很多目标。先看小目标比例、少数类样本、输入尺寸和阈值设置。
两者都低：优先检查数据与训练流程，例如标注质量、类别定义、学习率、训练轮数。
两者都高但 mAP50-95 不高：模型能大致发现目标，框的位置不够准，应重点看定位与标注边界。

注意，终端中显示的 Precision 和 Recall 通常对应验证过程选出的某个置信度点；它们会随着阈值变化。因此比较实验时，不能只截取一个阈值下的 P、R，而要结合 PR 曲线和 mAP 一起看。

四、AP、mAP50、mAP50-95：为什么两个 mAP 会差很多

对某一个类别，把置信度阈值从高到低逐渐放开，会得到一条 Precision-Recall 曲线。曲线下面积就是该类别的 AP（Average Precision）。AP 不只看某一个阈值，因此比单个 Precision 或 Recall 更稳定。

多类别任务中，把各类别 AP 再取平均，就是 mAP（mean Average Precision）。

YOLO 训练结果里最常见的两个数是：

mAP50：只在 IoU = 0.50 的标准下计算。框只要大致套住目标就可能算对，数值通常较高。
mAP50-95：分别在 IoU 为 0.50、0.55、0.60，一直到 0.95 的十个阈值下计算，再取平均。这是更严格、更能反映定位质量的指标，数值通常明显低于 mAP50。

因此，mAP50 很高，mAP50-95 低很多 并不一定是 bug。它说明模型基本能找到目标，但在更严格的框重叠要求下不够稳定。小目标、边界模糊、遮挡，或者标注框本身不一致，都可能放大这个差距。

做论文或算法对比时，建议把 mAP50-95 作为整体检测质量的主指标，同时报告 mAP50 便于与部分旧工作对照。只报 mAP50 容易掩盖定位不够精确的问题；只报一个总 mAP，也会掩盖某些类别已经失效的情况。

五、别忽略分类别结果、混淆矩阵和速度

整体 mAP 是平均数，平均数有时会“掩盖问题”。例如数据集中 A 类有 5000 个样本、B 类只有 100 个样本，模型把 A 类做得很好，整体指标依然可能漂亮，但 B 类根本无法使用。

所以至少再看三样输出：

分类别 AP。 在验证日志的每类别表格中，关注 Instances 很少且 AP 很低的类别。先区分它是样本不足、视觉特征相近，还是标签质量问题，再决定是否补数据或调整训练策略。

混淆矩阵。 对角线越集中越好；某两个类别之间的非对角元素很高，说明模型经常把它们混淆。若大量目标被归到 background，通常说明漏检；若 background 被频繁预测成某一类，通常说明该类误检较多。

速度与资源。 preprocess、inference、postprocess 的耗时、FPS、参数量、FLOPs、显存占用，决定模型是否能在目标设备上运行。一个 mAP 高 0.3 个点、速度却下降一半的改进，在实时场景里未必值得保留。比较速度时要固定硬件、输入尺寸、batch 和推理精度，否则数字没有可比性。

最后还要回到预测图和错误样本。指标告诉你“差在哪里”，图片才能帮助判断“为什么会差”。例如，混淆矩阵显示某类 Recall 低，再筛出该类的漏检图，通常就能看出问题集中在远距离、夜间、遮挡，还是标注本身。