YOLO训练结果指标解析与改进指南

YOLO训练完成后，我们都会得到类似如下的一张resluts.png。
那它代表哪些含义呢？

一、训练损失指标解析

1. train/box_loss 与 val/box_loss

• ‌含义‌
  训练集/验证集的边界框回归损失，衡量预测框与真实框的位置差异。值越低，定位精度越高。

• ‌改进方向‌

  • 训练集 & 验证集损失均高：优化锚框尺寸/数据增强策略
  • 验证损失显著高于训练损失：增加正则化或降低模型复杂度

2. train/cls_loss 与 val/cls_loss

• ‌含义‌
  训练集/验证集的分类损失，反映类别预测准确性。值越低，分类性能越好。

• ‌改进方向‌

  • 类别不平衡：采用重采样（OHEM）或Focal Loss
  • 复杂场景分类：增强分类层结构或引入注意力机制

3. train/dfl_loss 与 val/dfl_loss

• ‌含义‌
  分布焦点损失（DFL），优化边界框形状预测精度。值越低，回归效果越稳定。

• ‌改进方向‌

  • 调整DFL权重平衡任务优先级
  • 检查标注框质量（排除异常宽高比）

---

二、评估指标解析

1. metrics/precision（精确率）

• ‌含义‌
  TP/(TP+FP)，反映模型抗误检能力。

• ‌改进方向‌

  • 提高分类置信度阈值
  • 增强困难负样本训练（如复杂背景）

2. metrics/recall（召回率）

• ‌含义‌
  TP/(TP+FN)，反映模型漏检控制能力。

• ‌改进方向‌

  • 降低分类置信度阈值
  • 优化小目标检测（增加高分辨率特征层）

3. metrics/mAP50

• ‌含义‌
  IoU=0.5时的平均精度，宽松定位标准下的综合性能。

• ‌改进方向‌

  • 使用CIoU损失优化边界框回归
  • 增加多尺度训练

4. metrics/mAP50-95

• ‌含义‌
  IoU=0.5~0.95的平均精度，严格定位标准的综合性能。

• ‌改进方向‌

  • 引入可变形卷积优化定位
  • 提升困难样本标注质量（遮挡/模糊）

---

三、典型问题与解决方案

异常现象	可能原因	改进策略
val/box_loss持续高于train	过拟合/验证集分布差异	增加数据多样性（MixUp/CutMix）
precision高但recall低	置信度阈值过高	动态调整阈值或优化NMS
mAP50-95显著低于mAP50	边界框回归精度不足	替换GIoU/DIoU损失，增加定位监督