YOLO 训练结果速查表

xu7562026-03-102026-03-10

训练日志里最常见的是这一行：

1	Class Images Instances Box(P R mAP50 mAP50-95)

1. `P` / `Precision` / 精确率

含义：模型检测出来的框里，有多少是真的。

公式大概是：

1	Precision = 检测正确的框 / 所有检测出来的框

举例：

1	Precision = 0.80

意思是模型检测出来的 100 个框里，大约 80 个是对的，20 个可能是误检。

特点：

1 2	Precision 高：误检少 Precision 低：误检多

在你的交通场景里：

1	把树、阴影、路牌误检成车 → Precision 会低

2. `R` / `Recall` / 召回率

含义：真实存在的目标里，有多少被模型找出来了。

公式大概是：

1	Recall = 检测正确的框 / 真实目标总数

举例：

1	Recall = 0.38

意思是真实有 100 辆车/人，模型大概只检出了 38 个，漏了 62 个。

特点：

1 2	Recall 高：漏检少 Recall 低：漏检多

对你这个项目很重要：

1
2
3

漏车 → 车辆跟踪断
漏人 → 人流统计不准
漏检 → 后面 ByteTrack 也很难补回来

交通检测里，Recall 通常比 Precision 更重要。

3. `mAP` / mean Average Precision / 平均精度

mAP 是目标检测里最常用的综合指标。

它综合考虑：

框有没有检出来
类别对不对
置信度排序好不好
框位置准不准

YOLO 日志里常见两个：

1 2	mAP50 mAP50-95

4. `mAP50`

IoU ≥ 0.5 时的平均精度。

这是比较宽松的指标。

1	mAP50 高：说明模型大体能把目标框出来

比如：

1	car mAP50 = 0.775

说明 car 这个类别检测已经不错。

航拍交通大概可以这么看：

mAP50 < 0.3   效果较弱
mAP50 0.3~0.5 初步可用
mAP50 0.5~0.7 不错
mAP50 > 0.7   很好

5. `mAP50-95`

IoU 从 0.5 到 0.95 多个阈值下的综合平均精度。

这是更严格的指标。

它不只是看有没有框到，还看框得准不准。

1 2	mAP50-95 高：框更准，模型更稳 mAP50-95 低：框位置不够准，或者小目标检测不好

航拍小目标场景，这个指标一般不会特别高。

大概判断：

mAP50-95 > 0.20  初版可用
mAP50-95 > 0.30  航拍小目标还可以
mAP50-95 > 0.40  比较不错
mAP50-95 > 0.50  很好

你之前的：

1 2	all mAP50-95 = 0.211 car mAP50-95 = 0.526

说明：

1 2	整体一般但 car 类别很好

6. `IoU` / Intersection over Union / 交并比

预测框和真实框的重叠程度。

1	IoU = 预测框和真实框的交集面积 / 并集面积

大概理解：

1
2
3

IoU = 1.0   完全重合
IoU = 0.5   基本框对
IoU < 0.3   框得不准

mAP50 里的 50，就是：

1	IoU >= 0.5

7. `Conf` / Confidence / 置信度

模型认为这个框是某个类别的可信程度。

推理时你经常会写：

conf=0.10

含义是：

1	只保留置信度 >= 0.10 的框

特点：

1 2	conf 越高：框越少，误检少，但漏检多 conf 越低：框越多，漏检少，但误检多

你的交通航拍建议先试：

1
2
3

conf=0.05
conf=0.10
conf=0.15

如果是车辆跟踪，通常不要设太高。

8. `F1`

F1 是 Precision 和 Recall 的综合指标。

1	F1 高 = 误检和漏检比较平衡

如果你不知道 conf 设多少，可以看：

1	BoxF1_curve.png

F1 最高的位置，通常就是比较平衡的置信度阈值。

二、训练 Loss 类

训练日志里有：

train/box_loss
train/cls_loss
train/dfl_loss
val/box_loss
val/cls_loss
val/dfl_loss

1. `box_loss`

边界框损失。

表示预测框和真实框的位置差距。

1 2	box_loss 越低：框的位置越准 box_loss 越高：框偏差越大

2. `cls_loss`

分类损失。

表示类别判断错得多不多。

比如：

1
2
3

car 被识别成 van
people 被识别成 pedestrian
truck 被识别成 car

这些会影响 cls_loss。

1	cls_loss 越低：类别分得越准

3. `dfl_loss`

Distribution Focal Loss。

它也是和框的位置精度有关，帮助模型更精细地回归边界框。

简单理解：

1	dfl_loss 低：框边界更准确

你不需要深究它，主要看它有没有稳定下降。

4. `train loss` 和 `val loss`

1 2	train loss：训练集上的损失 val loss：验证集上的损失

正常情况：

1
2
3

train loss 下降
val loss 下降
mAP 上升

过拟合情况：

train loss 继续下降
val loss 上升
mAP 不动
Recall 下降
Precision 上升

你前面说的情况就是后期过拟合/平台期。

三、训练参数类

1. `epoch`

完整训练一遍训练集，叫 1 个 epoch。

1	epochs=100

意思是训练集完整看 100 遍。

不是越多越好。后期如果 mAP 不涨，继续训练可能过拟合。

2. `batch-size`

每次送进 GPU 的图片数量。

1	batch-size=32

双 T4 时大概是：

1 2	总 batch=32 每张卡约 16 张

特点：

1 2	batch 越大：训练更稳定，显存占用更高 batch 越小：显存省，但梯度波动大

但 batch 不是越大越好。

航拍小目标里，提高 imgsz 往往比盲目提高 batch 更有用。

3. `imgsz`

训练/推理时输入图片尺寸。

1
2
3

imgsz=640
imgsz=960
imgsz=1280

特点：

1 2	imgsz 越大：小车、小人更容易被看到 imgsz 越大：训练和推理越慢，显存占用越高

你的航拍交通场景：

1
2
3

640：速度快，但小目标容易漏
960：更平衡
1280：小目标更好，但慢

4. `lr` / `lr0` / Learning Rate / 学习率

控制模型每次更新参数的幅度。

1 2	lr 太大：训练不稳定，loss 抖动 lr 太小：学得慢，可能收敛不动

你日志里看到：

1
2

lr0
lrf

通常不用手动细调，Ultralytics 的 optimizer=auto 会自动处理很多东西。

5. `optimizer`

优化器，用来更新模型参数。

常见：

1
2
3

SGD
Adam
AdamW

你日志里可能看到：

1	optimizer: AdamW

一般不用手动改，Ultralytics 自动选择即可。

6. `AMP`

Automatic Mixed Precision，自动混合精度训练。

--amp

特点：

1
2
3

显存更省
训练更快
精度通常不受明显影响

GPU 训练建议开启。

7. `workers` / `num-workers`

数据加载线程数。

1	--num-workers 4

作用：

1 2	提高数据读取速度减少 GPU 等待 CPU 加载图片

如果数据读取慢，可以试：

1 2	num-workers=4 num-workers=8

但太大也可能卡。

8. `device`

训练设备。

1
2
3

--device 0
--device 0,1
--device cpu

含义：

1
2
3

0    使用第 1 张 GPU
0,1  使用两张 GPU
cpu  使用 CPU

双 T4 就是：

1	--device 0,1

四、模型结构类

1. `parameters` / `params`

模型参数量。

比如：

1	9,956,378 parameters

参数越多，模型容量越大。

一般：

1	n < s < m < l < x

例如：

yolo26n 最小最快
yolo26s 小模型，适合实时
yolo26m 平衡
yolo26l 更准更慢
yolo26x 最大最准但最慢

2. `GFLOPs`

模型计算量。

1	22.5 GFLOPs

GFLOPs 越高，推理越慢，算力需求越大。

边缘设备部署时要重点看。

3. `layers`

模型层数。

1	260 layers

普通使用不用太关心。

4. `fused`

你可能看到：

1	YOLO26s summary (fused)

表示模型把一些层融合了，比如 Conv + BN 融合，用于更快推理。

1	fused 后推理更快

5. `gradients`

训练时参数是否还在更新。

推理/验证时看到：

1	0 gradients

正常，因为验证时不训练。

五、速度类

日志里可能有：

1	Speed: 0.1ms preprocess, 0.5ms inference, 0.1ms postprocess per image

1. `preprocess`

推理前处理耗时。

包括：

resize
letterbox
归一化
转 tensor

2. `inference`

模型真正前向推理耗时。

这是核心推理速度。

1	inference 越低，模型越快

3. `postprocess`

后处理耗时。

包括：

1
2
3

NMS
过滤低置信度框
坐标还原

4. `FPS`

每秒处理多少帧。

大概计算：

1	FPS = 1000 / 每帧总毫秒

但实际视频处理还包括：

读取视频
画框
写视频
编码
显示

所以真实 FPS 要实际测试。

六、图片文件名含义

1. `results.png`

训练全过程曲线图。

看：

1
2
3

loss 有没有下降
mAP 有没有上升
Precision / Recall 是否稳定

这是最常看的图。

2. `results.csv`

每个 epoch 的详细数字。

适合用 Pandas 精确查看。

3. `BoxPR_curve.png`

Precision-Recall 曲线。

1 2	曲线越靠右上越好面积越大，mAP 越高

看整体检测能力。

4. `BoxF1_curve.png`

F1 和置信度阈值的关系。

用来选合适的 conf。

5. `BoxP_curve.png`

Precision 和置信度阈值的关系。

1	conf 越高，Precision 越高

6. `BoxR_curve.png`

Recall 和置信度阈值的关系。

1	conf 越低，Recall 越高

7. `confusion_matrix.png`

混淆矩阵。

看类别有没有识别错。

比如：

van 被识别成 car
truck 被识别成 car
people 被识别成 pedestrian
motor 被识别成 bicycle

8. `confusion_matrix_normalized.png`

归一化混淆矩阵。

更适合看比例。

比如某个类别大部分被识别成 background，说明漏检严重。

9. `labels.jpg`

训练集标签分布图。

看：

1
2
3

每个类别数量
框大小分布
框位置分布

你这个 VisDrone 场景通常：

1 2	car 很多 bus / truck / awning-tricycle 少

所以 car 效果往往最好。

10. `train_batch*.jpg`

训练时的样本图。

看：

1
2
3

标注框是否正确
类别是否正确
增强后图片是否异常

11. `val_batch*_labels.jpg`

验证集真实标注。

这是标准答案。

12. `val_batch*_pred.jpg`

模型在验证集上的预测结果。

要和 val_batch*_labels.jpg 对比。

看：

漏检了哪些车/人
有没有误检
框位置准不准
小目标有没有检测出来

七、检测结果判断里的常见缩写

缩写	全称	中文	作用
`P`	Precision	精确率	看误检
`R`	Recall	召回率	看漏检
`AP`	Average Precision	单类平均精度	单个类别效果
`mAP`	mean Average Precision	多类别平均精度	整体效果
`mAP50`	mAP at IoU 0.5	宽松平均精度	看大体检测能力
`mAP50-95`	mAP at IoU 0.5~0.95	严格平均精度	看框是否精确
`IoU`	Intersection over Union	交并比	框重叠程度
`F1`	F1 Score	F1 分数	P 和 R 的平衡
`Conf`	Confidence	置信度	过滤预测框
`NMS`	Non-Maximum Suppression	非极大值抑制	去掉重复框
`TP`	True Positive	真阳性	检测对了
`FP`	False Positive	假阳性	误检
`FN`	False Negative	假阴性	漏检
`GT`	Ground Truth	真实标注	标准答案
`FPS`	Frames Per Second	每秒帧数	推理速度
`AMP`	Automatic Mixed Precision	自动混合精度	加速、省显存

八、你的交通航拍项目重点看什么

你不用每个指标都纠结。你的项目建议重点看：

1. car / van / truck / bus / motor 的 Recall
2. car / van / truck / bus / motor 的 mAP50
3. pedestrian / people 的 Recall
4. all 的 mAP50 和 mAP50-95
5. val_batch*_pred.jpg 和真实视频效果

如果是车辆检测/跟踪：

1
2
3

优先 Recall
其次 mAP50
再看 Precision

因为：

1 2	误检可以用 ROI / 车道区域 / ByteTrack 过滤漏检会导致轨迹断、计数少

一句话总结：

1
2
3

P 看误检，R 看漏检，mAP50 看能不能检出来，mAP50-95 看框得准不准。
best.pt 用来部署，last.pt 只是最后一轮。
val_batch_pred 看模型预测，val_batch_labels 看真实答案。

1. P / Precision / 精确率

2. R / Recall / 召回率

3. mAP / mean Average Precision / 平均精度

4. mAP50

5. mAP50-95

6. IoU / Intersection over Union / 交并比

7. Conf / Confidence / 置信度

8. F1

二、训练 Loss 类

1. box_loss

2. cls_loss

3. dfl_loss

4. train loss 和 val loss

三、训练参数类

1. epoch

2. batch-size

3. imgsz

4. lr / lr0 / Learning Rate / 学习率

5. optimizer

6. AMP

7. workers / num-workers

8. device

四、模型结构类

1. parameters / params

2. GFLOPs

3. layers

4. fused

5. gradients