性能指标深入解析#
简介#
性能指标是评估准确率和目标检测模型效率的重要工具。它们揭示了模型识别和定位图像中目标的有效程度。此外，它们还有助于了解模型处理误检和漏检的能力。这些洞察对于评估和提升模型性能至关重要。在本指南中，我们将探讨与 YOLO26 相关的各种性能指标、它们的重要性以及解读方法。
目标检测指标#
首先，我们来讨论一些不仅对 YOLO26 很重要，而且广泛适用于不同目标检测模型的指标。
-
平均精度 (AP)： AP 计算精确率-召回率曲线下的面积，用单个数值概括模型的精确率和召回率表现。
-
平均精度均值 (mAP)： mAP 通过计算多个目标类别的 AP 平均值，扩展了 AP 的概念。在多类别目标检测场景中，这有助于全面评估模型性能。
-
精确率和召回率： 精确率量化所有正类预测中真正例所占的比例，用于评估模型避免误检的能力。另一方面，召回率计算所有实际正类中真正例所占的比例，用于衡量模型检测某一类别全部实例的能力。
-
F1 分数： F1 分数是精确率和召回率的调和平均值，在同时考虑误检和漏检的情况下，平衡地评估模型性能。
如何计算 YOLO26 模型的指标#
现在，我们可以探索用于计算上述评估指标的 YOLO26 验证模式。
使用验证模式非常简单。拥有训练好的模型后，你可以调用 model.val() 函数。该函数随后会处理验证数据集，并返回各种性能指标。但这些指标代表什么？你应该如何解读它们？
解读输出#
让我们分解 model.val() 函数的输出，并了解输出中的每个部分。
按类别划分的指标#
输出中的一个部分是按类别划分的性能指标明细。当你试图了解模型对每个特定类别的表现时，这些细粒度信息非常有用，尤其是在包含多种目标类别的数据集中。对于数据集中的每个类别，会提供以下信息：
-
类别：表示目标类别的名称，例如 "person"、"car" 或 "dog"。
-
图像：该指标表示验证集中包含此目标类别的图像数量。
-
实例：表示该类别在验证集所有图像中出现的次数。
-
Box(P, R, mAP50, mAP50-95)：该指标提供模型目标检测性能的相关信息：
-
P (精确率)：检测目标的准确率，表示有多少次检测是正确的。
-
R (召回率)：模型识别图像中目标全部实例的能力。
-
mAP50：在交并比 (IoU) 阈值为 0.50 时计算的平均精度均值。它只考虑“容易”检测目标时，用于衡量模型的准确率。
-
mAP50-95：在 0.50 至 0.95 范围内的不同 IoU 阈值下计算的平均精度均值的平均值。它全面反映了模型在不同检测难度下的性能。
-
速度指标#
推理速度可能与准确率同样关键，尤其是在实时目标检测场景中。本节将分解验证过程各阶段耗费的时间，从预处理到后处理。
COCO 指标评估#
对于在 COCO 数据集上进行验证的用户，还会使用 COCO 评估脚本计算其他指标。这些指标展示了不同 IoU 阈值以及不同尺寸目标下的精确率和召回率。
可视化输出#
model.val() 函数除了生成数值指标外，还会输出可视化结果，从而更直观地了解模型性能。以下是你可以期待的可视化输出：
-
F1 分数曲线 (
BoxF1_curve.png)：该曲线表示不同阈值下的 F1 分数。解读此曲线有助于了解模型在不同阈值下对误检和漏检之间的平衡。 -
精确率-召回率曲线 (
BoxPR_curve.png)：这是任何分类问题的重要可视化结果，展示了不同阈值下精确率与召回率之间的权衡。在处理类别不平衡问题时，它尤为重要。 -
精确率曲线 (
BoxP_curve.png)：以图形方式表示不同阈值下的精确率值。该曲线有助于了解精确率如何随阈值变化。 -
召回率曲线 (
BoxR_curve.png)：相应地，该图展示了召回率值如何随不同阈值变化。 -
混淆矩阵 (
confusion_matrix.png)：混淆矩阵详细展示每个类别的结果，包括真正例、真负例、误检和漏检的数量。 -
归一化混淆矩阵 (
confusion_matrix_normalized.png)：这是混淆矩阵的归一化版本。它以比例而不是原始计数表示数据。这种格式使跨类别比较性能更加简单。 -
验证批次标签 (
val_batchX_labels.jpg)：这些图像展示验证数据集中不同批次的真实标签。它们清晰呈现了数据集中的目标及其对应位置。 -
验证批次预测 (
val_batchX_pred.jpg)：与标签图像相对应，这些可视化结果展示了 YOLO26 模型对相应批次做出的预测。将它们与标签图像比较，你可以直观地评估模型检测和分类目标的效果。
对于检测、分割和姿态任务，曲线图会以前缀标示指标类型：检测写入 Box* 曲线，分割同时写入 Box* 和 Mask* 曲线，姿态同时写入 Box* 和 Pose* 曲线。
结果存储#
为便于日后参考，结果会保存到一个目录中，该目录通常命名为 runs/detect/val。
选择合适的指标#
选择合适的评估指标通常取决于具体应用。
-
mAP： 适合全面评估模型性能。
-
IoU： 在必须精确定位目标时至关重要。
-
精确率： 当减少误检是首要任务时非常重要。
-
召回率： 当必须检测目标的每个实例时至关重要。
-
F1 分数： 当需要在精确率和召回率之间取得平衡时非常有用。
对于实时应用，FPS（每秒帧数）和延迟等速度指标对于确保及时获得结果至关重要。
结果解读#
理解这些指标非常重要。以下是一些常见较低分数可能代表的情况：
-
mAP 较低： 表明模型可能需要进行整体改进。
-
IoU 较低： 模型可能难以准确定位目标。采用不同的边界框方法可能会有所帮助。
-
精确率较低： 模型可能检测出了过多不存在的目标。调整置信度阈值或许可以减少这种情况。
-
召回率较低： 模型可能漏掉了真实目标。改进特征提取或使用更多数据可能会有所帮助。
-
F1 分数不平衡： 精确率和召回率之间存在差异。
-
类别特定 AP： 这里的低分可以凸显模型难以处理的类别。
案例研究#
现实世界中的示例有助于阐明这些指标在实践中的运作方式。
案例 1#
-
情况： mAP 和 F1 分数不理想，但召回率良好，精确率却不高。
-
解读与行动： 可能存在过多错误检测。收紧置信度阈值可以减少这些错误，但也可能导致召回率略微下降。
案例 2#
-
情况： mAP 和召回率可以接受，但 IoU 不足。
-
解读与行动： 模型能够很好地检测目标，但可能无法精确定位它们。改进边界框预测可能会有所帮助。
案例 3#
-
情况： 即使总体 mAP 尚可，一些类别的 AP 仍远低于其他类别。
-
解读与行动： 这些类别对模型来说可能更具挑战性。为这些类别使用更多数据，或在训练期间调整类别权重，可能会有所帮助。
联系与协作#
借助爱好者和专家组成的社区，可以拓展你使用 YOLO26 的旅程。以下途径可以促进学习、排查问题和建立联系。
参与更广泛的社区#
-
**GitHub Issues：**Ultralytics 在 GitHub 上的仓库有一个 Issues 标签页，你可以在这里提问、报告漏洞并建议新功能。社区和维护者在这里很活跃，这里是获得解决特定问题帮助的好地方。
-
Ultralytics Discord 服务器： Ultralytics 有一个 Discord 服务器，你可以在那里与其他用户和开发者交流。
官方文档和资源#
- Ultralytics YOLO26 文档： 官方文档全面介绍了 YOLO26，并提供安装、使用和故障排除指南。
使用这些资源不仅可以指导你应对各种挑战，还能让你及时了解 YOLO26 社区中的最新趋势和最佳实践。
结论#
在本指南中，我们详细了解了 YOLO26 的关键性能指标。这些指标是了解模型表现的重要依据，对于任何希望微调模型的人都至关重要。它们提供了改进模型并确保模型在实际场景中有效运行所需的洞察。
请记住，YOLO26 和 Ultralytics 社区是无价的资源。与其他开发者和专家交流，可以获得标准文档中找不到的洞察和解决方案。在进行目标检测的过程中，请保持学习精神，尝试新的策略，并分享你的发现。这样做有助于丰富社区的集体智慧，并确保社区不断发展。
常见问题#
平均精度均值 (mAP) 对评估 YOLO26 模型至关重要，因为它用单个指标概括了多个类别的精确率和召回率。mAP@0.50 衡量 IoU 阈值为 0.50 时的精确率，重点评估模型正确检测目标的能力。mAP@0.50:0.95 计算一系列 IoU 阈值下的平均精确率，从而全面评估检测性能。较高的 mAP 分数表明模型能够有效平衡精确率和召回率，这对于自动驾驶和监控系统等既要求准确检测又要求尽量减少误报的应用至关重要。
交并比 (IoU) 衡量预测边界框与真实边界框之间的重叠程度。IoU 值范围为 0 到 1，数值越高表示定位准确率越高。IoU 为 1.0 表示完全对齐。通常，IoU 阈值 0.50 用于在 mAP 等指标中定义真正例。较低的 IoU 值表明模型难以精确定位目标，你可以通过改进边界框回归或提高训练数据集中的标注准确率来改善这一点。