yolov8实战第一天——yolov8部署并训练自己的数据集（保姆式教程）-CSDN博客 

我们在上一篇文章训练了一个老鼠的yolov8检测模型，训练结果如下图，接下来我们就详细解析下面几张图。

一、混淆矩阵 

正确挑选（正确）	错误没挑选（正确）
错误挑选（误检）	正确没挑选（漏检）

结合这张图看，验证集共11张图，共检测出11只老鼠，一张漏报，被认为是背景。 

这样就很好理解混淆矩阵第一张图了。

预测到的老鼠11只	没有误检测背景为老鼠，空白
真实样本老鼠被误检测成背景1只	真实样本中没有背景图，空白

二、归一化混淆矩阵

 三、F1置信度曲线

F1 Score（F1 分数）是一种用于评估二分类模型性能的指标，它综合考虑了准确率和召回率。F1 分数曲线显示了在不同阈值下 F1 分数的变化情况。

F1 分数定义为：

由图可知：置信度阈值在0.8时，效果最好 。

四、精度置信曲线

精确率指分类为正类别的样本中真正为正类别的比例，召回率指所有正类别样本中被正确识别为正类别的比例。这两者往往需要进行权衡。

precision=（TP）/（TP+FP） （挑选正确的占挑选的比例，说明从所有挑选出来的样本找正确挑选的比例）

由图可知，置信度在0.8以上时，有较好的精确度。 

五、精确召唤度曲线（有名的PR曲线）

精准率和召回率的关系可以用一个 P-R 图来展示，以查准率 P 为纵轴、查全率 R 为横轴作图，就得到了查准率－查全率曲线，简称 P-R 曲线，PR 曲线下的面积定义为 AP:

如何理解 P-R 曲线
可以从排序型模型或者分类模型理解。以逻辑回归举例，逻辑回归的输出是一个 0 到 1 之间的概率数字，因此，如果我们想要根据这个概率判断用户好坏的话，我们就必须定义一个阈值 。通常来讲，逻辑回归的概率越大说明越接近 1，也就可以说他是坏用户的可能性更大。比如，我们定义了阈值为 0.5，即概率小于 0.5 的我们都认为是好用户，而大于 0.5 都认为是坏用户。因此，对于阈值为 0.5 的情况下，我们可以得到相应的一对查准率和查全率。

但问题是：这个阈值是我们随便定义的，我们并不知道这个阈值是否符合我们的要求。 因此，为了找到一个最合适的阈值满足我们的要求，我们就必须遍历 0 到 1 之间所有的阈值，而每个阈值下都对应着一对查准率和查全率，从而我们就得到了 PR 曲线。

最后如何找到最好的阈值点呢？ 首先，需要说明的是我们对于这两个指标的要求：我们希望查准率和查全率同时都非常高。 但实际上这两个指标是一对矛盾体，无法做到双高。图中明显看到，如果其中一个非常高，另一个肯定会非常低。选取合适的阈值点要根据实际需求，比如我们想要高的查全率，那么我们就会牺牲一些查准率，在保证查全率最高的情况下，查准率也不那么低。

结论：越靠近正方形的对角越好。

六、召回置信度曲线

正样本预测正确占实际正样本的比例。
精确率和召回率是用于衡量二分类模型性能的指标。精确率指分类为正类别的样本中真正为正类别的比例，召回率指所有正类别样本中被正确识别为正类别的比例。这两者往往需要进行权衡。

R=（TP）/（TP+FN） （挑选正确占挑选正确+没挑选错误（漏报），说明正确挑选的占实际正样本的比例）

由图可知：置信度大于0.8后，召回率快速下降，说明漏报快速增加。 

七、训练过程图

 我训练了100轮。yolov8的三个损失，分别是：

1. box_loss（边界框损失）：这个损失函数用于计算预测边界框与真实边界框之间的差异。YOLOv8使用IOU（Intersection over Union）作为度量，来衡量两个边界框之间的重叠程度。box_loss通过计算预测框与真实框之间的IOU，来衡量预测框的位置准确度，并将其转化为一个损失值。通过最小化box_loss，模型可以学习到更准确的边界框位置。

2. cls_loss（分类损失）：这个损失函数用于计算预测类别与真实类别之间的差异。YOLOv8使用交叉熵损失（Cross Entropy Loss）来衡量分类准确度。cls_loss通过比较预测类别分布与真实类别标签之间的差异，来计算分类的损失值。通过最小化cls_loss，模型可以学习到更准确的类别分类。

3. dfl_loss（特征点损失）：这个损失函数是YOLOv8中引入的自定义损失函数。YOLOv8使用了特征点来预测物体的方向和角度信息，dfl_loss用于计算预测特征点与真实特征点之间的差异。通过最小化dfl_loss，模型可以学习到更准确的物体方向和角度信息。

由图可知： 

上面一排是训练的时候的三个损失和精确度，召回率。

下面一排是验证 的时候的三个损失和精确度，召回率。

八、val_batch0_label  和val_batch_pred

标签框和预测框，由图可知，漏报一个。