跳到主要内容

训练曲线

准确率曲线​

  • ALL_mAP_50：衡量模型整体检测的 “准不准”（综合精确率和召回率），采用较宽松的标准（IoU=0.5）。

  • ALL_mAR：衡量模型找得 “全不全”（只看召回率），反映模型漏检情况。

高 mAP + 高 mAR​

模型精度与召回达到优平衡，其具备强大的泛化能力，在真实复杂场景中保持稳定可靠的检测表现。

img.png

低 mAP + 低 mAR​

模型性能表现欠佳，尚未达到可用标准， 需要检查训练参数和数据集。

img_1.png

低 mAP + 高 mAR​

模型过检率或误检率较高，漏检控制较好。

img_2.png

高 mAP + 低 mAR​

召回不足，模型漏检率较高，过检误检控制较好。

混淆矩阵​

混淆矩阵是评估模型性能的核心工具，它以矩阵形式展示模型的预测结果与真实标签之间的对比。

理想的混淆矩阵​

混淆矩阵呈现对角线，表示全部样本预测正确。

img_3.png

cc 存在漏检

混淆矩阵呈现非对角线，表示存在预测错误的样本数。

img_4.png

存在过检​

img_5.png

存在误判​

img_6.png