YOLO模型训练过程关键评价指标记录

一、训练阶段指标

1. GPU_mem

训练过程中 GPU 显存的占用量（单位：GB），此处稳定在 4.01G；

2. 损失函数指标（box_loss、cls_loss、dfl_loss）：

损失函数的本质是​“预测值与真实值的误差”​，训练目标是让所有损失持续下降（最终趋于稳定）。

​box_loss（边界框损失）​：
衡量“预测的边界框（坐标、宽高）”与“真实边界框”的差异（如坐标误差、宽高误差）。
作用：损失越低，边界框定位越精准（比如预测的框越接近真实目标位置）。

​cls_loss（分类损失）​：
衡量“预测的目标类别概率分布”与“真实类别”的差异（如交叉熵损失）。
作用：损失越低，目标分类越准确（比如模型更确定目标属于哪一类）。

​dfl_loss（Distribution Focal Loss，分布焦点损失）​：
YOLO 中用于优化“边界框宽高分布”的损失（针对 anchor-based 模型）。它让预测的宽高分布更贴近真实分布，提升定位精度。
作用：损失越低，边界框的宽高预测越稳定、精准。

Instances（当前 batch 实例数）

当前训练批次（batch）中包含的目标实例数量​（即有多少个目标需要检测）。反映单批次数据的“复杂度”。实例数过少可能导致批次内信息不足；过多则会增加计算量。波动属于正常现象（数据随机采样导致）。

Size（输入图像尺寸）

​含义：输入模型的图像分辨率，此处 640: 100% 表示图像被 resize 到 640×640 像素。
​作用：YOLO 要求输入图像尺寸固定（保证特征提取的一致性），640×640 是 YOLO 系列的典型输入尺寸。

二、验证阶段指标

训练过程中会定期在验证集上评估模型性能，核心指标是 Precision（P）、Recall（R）、mAP50、mAP50-95。如果这些指标全为 0，属于异常情况，需优先排查原因。

1. Box(P、R)（边界框精度、召回率）

**​Precision（P）**​：TP / (TP + FP)，即“预测为正类的样本中，真正是正类的比例”。
作用：衡量“预测的边界框是否准确”（减少误检）。
​Recall（R）​：TP / (TP + FN)，即“真实为正类的样本中，被正确预测为正类的比例”。
作用：衡量“检测的召回率”（减少漏检）。

2. mAP50（IoU=0.5 时的平均精度）

​含义：交并比（IoU）阈值为 0.5 时的平均精度（Mean Average Precision）。
计算逻辑：对每个类别，先计算不同置信度阈值下的精度-召回率曲线，再求曲线下面积（AP），最后对所有类别的 AP 取平均。
​作用：反映模型在中等重叠度下的检测性能。mAP50 越高，模型在中等精度要求下的检测能力越强。

3. mAP50-95（IoU=0.5~0.95 时的平均精度）

​含义：IoU 从 0.5 到 0.95（步长 0.05）时的平均 mAP。
计算逻辑：对每个 IoU 阈值（0.5、0.55、…、0.95）分别计算 mAP，再求这些 mAP 的平均值。
​作用：更严格地评估模型在不同重叠度下的性能。更高的 IoU 要求边界框更精准，因此 mAP50-95 能体现模型的“精细检测能力”，数值越高表示模型鲁棒性越强。