【YOLO 入门到精通 07】验证与性能评估：读懂 mAP、Precision、Recall

【YOLO 入门到精通 07】验证与性能评估：读懂 mAP、Precision、Recall

标签：mAP 模型评估 混淆矩阵 Precision Recall 过拟合 难度：⭐⭐⭐ | 阅读时长：约 55 分钟 | 系列：第 07/12 集 前置：06 训练 | 下一集：08 推理指南

写在前面

训练完不等于能用。一个 mAP 0.3 的模型上线后可能误报满天飞。验证就是给模型「体检」——用数据说话，决定能不能部署。

本集教你读懂每一个指标，并学会从混淆矩阵定位问题类别。

本集学习目标

• 理解 IoU、Precision、Recall、mAP
• 使用 val 模式评估模型
• 分析混淆矩阵和 PR 曲线
• 判断过拟合并选择最佳 conf 阈值

文章目录

• 【YOLO 入门到精通 07】验证与性能评估：读懂 mAP、Precision、Recall
• • 写在前面
  • 本集学习目标
  • 7.1 为什么需要验证
  • • 过拟合识别
  • 7.2 核心指标详解
  • • IoU（交并比）
    • Precision & Recall
    • 混淆矩阵
  • 7.3 mAP 详解
  • 7.4 执行验证
  • • 输出解读
  • 7.5 可视化分析
  • • 选最佳 conf
  • 7.6 模型对比
  • 7.7 错误分析
  • • 逐类 AP 分析
  • 7.8 踩坑指南
  • 7.9 常见问题 FAQ
  • 7.10 本集小结

7.1 为什么需要验证

过拟合识别

Loss
│ 训练损失 ────────────
│ ╲
│ 验证损失 ╲____╱ ← 过拟合：验证损失回升
└──────────────────────→ Epoch

7.2 核心指标详解

IoU（交并比）

IoU = 交集面积 / 并集面积

IoU=1.0 完全重合 | IoU=0.5 一半重叠（常用阈值）| IoU=0 不重叠

def iou(box1, box2): # [x1,y1,x2,y2]
x1,y1 = max(box1[0],box2[0]), max(box1[1],box2[1])
x2,y2 = min(box1[2],box2[2]), min(box1[3],box2[3])
inter = max(0,x2–x1) * max(0,y2–y1)
a1 = (box1[2]–box1[0])*(box1[3]–box1[1])
a2 = (box2[2]–box2[0])*(box2[3]–box2[1])
return inter / (a1 + a2 – inter + 1e-6)

Precision & Recall

混淆矩阵

7.3 mAP 详解

7.4 执行验证

yolo detect val model=runs/detect/train/weights/best.pt data=my_dataset.yaml

from ultralytics import YOLO

model = YOLO("runs/detect/train/weights/best.pt")
metrics = model.val(data="my_dataset.yaml", imgsz=640, conf=0.001, plots=True)

print(f"mAP50: {metrics.box.map50:.4f}")
print(f"mAP50-95: {metrics.box.map:.4f}")
print(f"Precision: {metrics.box.mp:.4f}")
print(f"Recall: {metrics.box.mr:.4f}")

输出解读

Class Images Instances Box(P R mAP50 mAP50-95)
all 50 150 0.85 0.78 0.82 0.65
cat 50 80 0.90 0.85 0.88 0.72
dog 50 70 0.80 0.71 0.76 0.58

7.5 可视化分析

训练后在 runs/detect/val/ 查看：

选最佳 conf

for conf in [0.1, 0.25, 0.5, 0.7]:
m = model.val(data="data.yaml", conf=conf, verbose=False)
p, r = m.box.mp, m.box.mr
f1 = 2*p*r/(p+r+1e-6)
print(f"conf={conf}: P={p:.3f} R={r:.3f} F1={f1:.3f}")

7.6 模型对比

models = {"n": "runs/n/weights/best.pt", "s": "runs/s/weights/best.pt"}
for name, path in models.items():
m = YOLO(path).val(data="data.yaml", verbose=False)
print(f"yolo26{name}: mAP={m.box.map:.4f}, P={m.box.mp:.4f}, R={m.box.mr:.4f}")

7.7 错误分析

逐类 AP 分析

metrics = model.val(data="data.yaml")
for i, ap in enumerate(metrics.box.ap50):
print(f"{model.names[i]}: AP50={ap:.4f}")

# 找最差类别 → 针对性增数据
worst = sorted(zip(model.names.values(), metrics.box.ap50), key=lambda x: x[1])[:3]
print("需改进:", worst)

7.8 踩坑指南

7.9 常见问题 FAQ

Q1：mAP 多少能上线？ A：视业务而定。安防误报代价高→重 Precision；漏检代价高→重 Recall。一般 mAP50-95 > 0.5 可尝试部署。

Q2：训练和验证 mAP 差很多？ A：过拟合。增数据、早停、减 epochs。

7.10 本集小结