一、F1-Confidence Curve（F1 - 置信度曲线）

• 核心含义：F1 值是精准率（Precision）和召回率（Recall）的调和平均，综合衡量模型 “不误检” 和 “不漏检” 的能力。
  • 横轴：置信度阈值（0~1），决定模型保留预测结果的最低置信度。
  • 纵轴：F1 值（0~1），数值越接近 1，模型综合性能越好。
• 关键解读：
  • 所有类别（all classes）的 F1 峰值为 0.99，出现在置信度 0.762 处，这是最优置信度阈值（此时精准率和召回率平衡最佳）。
  • 三类水果（apple/peach/pear）的 F1 曲线走势高度一致，且在 0.7~0.9 置信度区间保持接近 1.0 的水平，说明模型对三类目标的识别能力均衡且极强。
  • 置信度超过 0.9 后 F1 骤降，因为过高阈值会过滤大量真实目标，导致召回率暴跌。
• 工程建议：推理时将置信度设为 0.762，兼顾精准率和召回率；若侧重 “零误检” 可提至 0.85，侧重 “零漏检” 可降至 0.6。

二、Precision-Confidence Curve（精准率 - 置信度曲线）

• 核心含义：精准率（Precision）= 预测为某类的样本中真正是该类的比例，衡量 “不误检” 的能力。
  • 横轴：置信度阈值（0~1）。
  • 纵轴：精准率（0~1），数值越接近 1，误检率越低。
• 关键解读：
  • 所有类别（all classes）的精准率在置信度 0.869 时达到 1.00，即置信度≥0.869 时，模型预测 100% 准确（无任何误检）。
  • 三类水果的精准率在置信度≥0.2 时就保持在 0.9 以上，说明模型对三类目标的误检率极低。
  • 精准率随置信度升高单调上升，因为高置信度只保留模型 “最确定” 的预测，误检概率自然降低。
• 工程建议：对 “零误检” 要求极高的场景（如工业质检），可将置信度设为≥0.869，此时精准率 100%，但需接受召回率略有下降。

三、Recall-Confidence Curve（召回率 - 置信度曲线）

• 核心含义：召回率（Recall）= 所有真实某类样本中被正确检测到的比例，衡量 “不漏检” 的能力。
  • 横轴：置信度阈值（0~1）。
  • 纵轴：召回率（0~1），数值越接近 1，漏检率越低。
• 关键解读：
  • 所有类别（all classes）的召回率在置信度 0.000 时达到 1.00，即置信度设为 0 时，模型能检测到所有真实目标（无任何漏检），但此时精准率极低（大量误检）。
  • 置信度升高时召回率单调下降，因为高置信度会过滤掉置信度较低的真实目标，导致漏检。
  • 三类水果的召回率在置信度≤0.8 时保持在 0.95 以上，说明模型对三类目标的漏检率极低。
• 工程建议：对 “零漏检” 要求极高的场景（如安全检测），可将置信度设为≤0.8，此时召回率≥0.95，需接受精准率略有下降。

四、Precision-Recall Curve（PR 曲线）

• 核心含义：PR 曲线展示精准率随召回率变化的趋势，曲线下面积为 AP（Average Precision），综合衡量模型在不同召回率下的精准率表现；mAP@0.5是所有类别 AP 的平均值（IoU 阈值为 0.5）。
  • 横轴：召回率（0~1）。
  • 纵轴：精准率（0~1）。
• 关键解读：
  • 所有类别（all classes）的 mAP@0.5 = 0.995，三类水果的 AP 均为 0.995，说明模型在 IoU 阈值 0.5 下的检测性能极其优秀。
  • 曲线几乎是 “右上角矩形”（从 (0,1) 到 (1,1)），意味着在召回率从 0 到 1 的全范围内，精准率都保持在 1.0—— 这是目标检测的理想状态：既能 “不漏检”，又能 “不误检”。
  • 三类水果的 PR 曲线完全重合，说明模型对三类目标的识别能力无差异。
• 工程评价：这是顶尖级别的检测结果，模型泛化能力极强，几乎无检测错误。

五、Confusion Matrix（混淆矩阵）& 归一化混淆矩阵

• 核心含义：混淆矩阵展示 “真实类别” 与 “预测类别” 的匹配情况，行 = 预测类别，列 = 真实类别；归一化版本将数值转为百分比，更直观看错误比例。
• 关键解读（混淆矩阵）：
  • 对角线（真实 = 预测）数值最大：
    • 真实 apple：97 个被正确预测，4 个误判为 background；
    • 真实 peach：27 个被正确预测，1 个误判为 background；
    • 真实 pear：27 个被正确预测，2 个误判为 background；
  • 三类水果之间无任何混淆（无 apple→peach、peach→pear 等错误），所有错误均为 “背景与目标的误判”。
• 关键解读（归一化混淆矩阵）：
  • 真实 apple/peach/pear：100% 被正确分类（无类别混淆）；
  • 真实 background：57% 误判为 apple，14% 误判为 peach，29% 误判为 pear——背景误检是唯一错误来源。
• 工程评价：模型对三类水果的区分能力极强，仅在背景区域易产生误检，说明已充分学习到水果的核心特征。

六、labels.jpg（标签统计图表）

• 核心含义：展示数据集的标签分布、目标特征等基础信息。
  • 左上角柱状图：类别样本数 ——apple（361 个）、peach（122 个）、pear（121 个），apple 样本最多，数据分布略有不均衡（apple≈peach/pear 的 3 倍）。
  • 右上角热力图：标注框尺寸分布 —— 目标大小集中，尺寸差异小。
  • 左下角热力图：标注框中心坐标分布 —— 目标主要集中在图像中间，位置固定。
  • 右下角热力图：标注框宽高比分布 —— 目标形状相似（如圆形 / 椭圆形），宽高比集中。
• 关键解读：
  • 样本分布：apple 样本虽多，但未到极端不均衡（如 10:1），模型仍能学好 peach/pear（从 PR 曲线可验证）。
  • 目标特征：目标尺寸、位置、形状均固定，数据集一致性好，这是模型性能优秀的重要基础。
• 工程建议：若需进一步优化，可补充 peach/pear 样本，或增加背景负样本（减少背景误检）。

七、训练 / 验证损失与指标曲线（results.png）

这张图分为训练集（上行）和验证集（下行），左侧为损失曲线，右侧为性能指标曲线，反映模型训练过程的收敛情况和泛化能力。

1. 损失曲线（左侧 5 列）

损失类型	核心含义	解读
box_loss	边界框损失：衡量预测框与真实框的位置偏差	训练 / 验证损失均从初始～0.8/1.0 快速下降，最终稳定在～0.1/0.1—— 模型快速学会目标定位，且训练 / 验证损失趋势一致、数值接近，无过拟合
seg_loss	分割损失：实例分割任务中，衡量预测掩码与真实掩码的差异	训练 / 验证损失均从～0.35/0.25 下降到～0.1/0.1，稳定收敛 —— 分割任务学习效果良好
cls_loss	分类损失：衡量预测类别与真实类别的差异	训练 / 验证损失均从～2.0/0.9 下降到～0.0/0.0，几乎降为 0—— 模型能完美区分三类目标和背景，分类能力极强
dfl_loss	分布焦点损失：YOLOv8 中用于边界框回归的精细损失	训练 / 验证损失均从～0.014/0.030 下降到～0.003/0.005，稳定收敛 —— 边界框回归精度极高
sem_loss	语义损失：语义分割相关的辅助损失	训练损失从～4.0 下降到～0.0，验证损失稳定在 0 附近 —— 语义部分学习充分

2. 性能指标曲线（右侧 4 列）

（B代表 Box 检测任务，M代表 Mask 分割任务）

指标类型	核心含义	解读
precision(B)/(M)	精准率（检测 / 分割）	训练 / 验证精准率均从～0.6 快速上升到～1.0，最终稳定在～0.98/1.0—— 误检率极低
recall(B)/(M)	召回率（检测 / 分割）	训练 / 验证召回率均从～0.6 快速上升到～1.0，最终稳定在～0.98/1.0—— 漏检率极低
mAP50(B)/(M)	IoU 阈值 0.5 下的平均精度（检测 / 分割）	训练 / 验证 mAP50 均从～0.6 快速上升到～1.0，最终稳定在～0.99/1.0—— 与 PR 曲线结果一致，检测 / 分割性能顶尖
mAP50-95(B)/(M)	IoU 阈值 0.5~0.95 的平均精度（更严格指标）	训练 / 验证 mAP50-95 均从～0.5 快速上升到～0.98/1.0—— 模型在更严格的定位要求下，性能依然顶尖，边界框 / 掩码定位精度极高

---

八、Box系列与Mask系列区别

Box 系列（4 张）：针对目标检测任务（Bounding Box），评估「边界框」的定位与分类性能 —— 只要框住目标、类别正确，就算检测成功，不关心框内像素细节。Mask 系列（4 张）：针对实例分割任务（Instance Segmentation），评估「像素级掩码」的分割与分类性能 —— 不仅要框住目标，还要精确到每个像素是否属于目标，精度要求更高。

---

一、Box 系列（检测框评估）

文件名	核心含义（针对检测框）	通俗解释
BoxF1_curve.png	F1 - 置信度曲线（检测框）	衡量检测框「不误检 + 不漏检」的综合能力，F1 值越高，框的定位和分类越准
BoxP_curve.png	精准率 - 置信度曲线（检测框）	衡量「不误检」：预测为某类的框里，真的是该类的比例，越高代表误检越少
BoxR_curve.png	召回率 - 置信度曲线（检测框）	衡量「不漏检」：真实目标里，被成功框住的比例，越高代表漏检越少
BoxPR_curve.png	精准率 - 召回率曲线（检测框）	综合衡量检测框性能，曲线下面积为 AP，mAP@0.5 就是所有类别 AP 的平均值

---

二、Mask 系列（分割掩码评估）

文件名	核心含义（针对分割掩码）	通俗解释
MaskF1_curve.png	F1 - 置信度曲线（分割掩码）	衡量像素级掩码「不误检 + 不漏检 + 像素精准」的综合能力，比 BoxF1 更严格
MaskP_curve.png	精准率 - 置信度曲线（分割掩码）	衡量「不误检」：预测为某类的掩码像素里，真的是该类的像素比例，越高代表像素误分类越少
MaskR_curve.png	召回率 - 置信度曲线（分割掩码）	衡量「不漏检」：真实目标的像素里，被正确分割的比例，越高代表像素漏分越少
MaskPR_curve.png	精准率 - 召回率曲线（分割掩码）	综合衡量分割掩码性能，曲线下面积为 AP，mAP@0.5(M) 就是所有类别分割 AP 的平均值

---

三、Box vs Mask 核心差异总结

维度	Box 系列（检测框）	Mask 系列（分割掩码）
评估对象	边界框（框级）	像素掩码（像素级）
任务类型	目标检测	实例分割
精度要求	只需框住目标、类别正确	需精确到每个像素，目标轮廓 / 形状必须完整
性能侧重	关注「位置 + 类别」	关注「像素 + 形状 + 类别」
应用场景	计数、定位、粗略检测（如水果计数）	工业质检、医疗影像、精细编辑（如抠图、缺陷分割）

简单来说：

• Box 是「框住就行」，适合只需要知道目标在哪、是什么的场景；
• Mask 是「抠出来才行」，适合需要精确到目标形状、像素级细节的场景。

九、YOLO 实例分割模型的预测结果可视化

一、训练集可视化图核心规则

这些是 YOLO 实例分割模型的预测结果可视化，用于直观检查模型的分类、定位和分割效果：

• 🔵 蓝色框 + 数字 0：模型预测为 apple（苹果）
• 🟢 青色框 + 数字 1：模型预测为 peach（桃子）
• ⚪ 白色框 + 数字 2：模型预测为 pear（梨）
• 同色掩码：模型输出的像素级分割结果，精准覆盖目标区域
• 文件名：标注了真实样本的类别 / 品种（如 apple_topaz_089.png 代表 topaz 品种的苹果）

---

二、逐图详细解释

图 1

• apple_topaz_089.png：真实为苹果，模型预测为0（apple），蓝色框完整包围苹果，蓝色掩码精准覆盖目标，预测正确。
• peach_045.png：包含桃子（真实类别 1）和苹果（真实类别 0），模型分别用青色框（1）、蓝色框（0）标注，掩码匹配目标形状；存在一个白色小框（2），疑似误检为梨，整体正确，少量误检。
• peach_095.png：真实为桃子，模型误预测为0（apple）（蓝色框），分类错误，但框的定位基本准确。
• apple_golden_delicious_142.png：包含 2 个苹果，模型均预测为0（apple），蓝色框和掩码完整覆盖目标，预测正确。

---

图 2

• apple_braeburn_079.png：包含 2 个苹果，模型均预测为0（apple），蓝色掩码贴合苹果轮廓，预测正确。
• apple_braeburn_068.png：包含苹果（真实 0）和桃子（真实 1），模型分别用蓝色框（0）、青色框（1）标注，掩码匹配目标，预测正确。
• apple_topaz_146.png：包含 4 个苹果，模型均预测为0（apple），框和掩码精准覆盖每个目标，预测正确。
• apple_braeburn_020.png：包含 2 个苹果，模型均预测为0（apple），框和掩码完整，预测正确。

---

图 3

• pear_142.jpg：真实为梨（类别 2），模型误预测为0（apple）（蓝色框），分类错误，但框的定位准确。
• apple_topaz_156.png：真实为苹果，模型预测为0（apple），蓝色框和掩码覆盖目标，预测正确。
• pear_020.jpg：真实为梨，模型预测为2（pear），白色框和掩码完整包围梨，预测正确；下方小白色框为次要目标 / 误检。
• pear_036.jpg：真实为梨，模型误预测为0（apple）（蓝色框），分类错误，定位准确。

---

图 4

• apple_topaz_114.png：真实为苹果，模型预测为0（apple），蓝色掩码精准覆盖苹果纹理区域，预测正确。
• apple_topaz_104.png：真实为苹果，模型预测为0（apple），框和掩码贴合苹果形状，预测正确。
• apple_topaz_069.png：真实为苹果，模型预测为0（apple），掩码覆盖苹果主体，预测正确。
• apple_braeburn_066.png：真实为大苹果，模型预测为0（apple），蓝色框完整包围目标，掩码覆盖苹果区域，预测正确。

---

图 5

• peach_022.png：真实为桃子，模型预测为1（peach），青色框和掩码完整覆盖桃子，预测正确。
• peach_090.png：真实为桃子，模型预测为1（peach），青色掩码贴合桃子轮廓，预测正确。
• apple_braeburn_079.png：真实为苹果，模型预测为0（apple），蓝色框和掩码覆盖目标，预测正确。
• apple_topaz_050.png：真实为苹果，模型预测为0（apple），框和掩码精准，预测正确。

---

图 6

• pear_010.jpg：真实为梨，模型预测为2（pear），白色框和掩码完整包围梨，预测正确。
• peach_127.png：真实为桃子，模型预测为1（peach），青色掩码覆盖桃子区域，预测正确。
• apple_golden_delicious_106.png：真实为苹果（带果柄），模型预测为0（apple），蓝色框和掩码覆盖目标，预测正确。
• pear_055.jpg：真实为梨，模型预测为2（pear），白色框和掩码贴合梨的形状，预测正确。

---

三、整体效果总结

1. ✅ 核心优势：
   • 苹果（0）和桃子（1）的预测准确率极高，框和掩码的定位 / 分割精度优秀；
   • 大部分样本的掩码能精准贴合目标轮廓，像素级分割效果理想；
   • 边界框基本完整包围目标，无明显漏框 / 错框。
2. ⚠️ 待优化点：
   • 梨（2）的样本存在少量误检（被分类为苹果 0），说明模型对梨和苹果的特征区分仍有小瑕疵，可补充梨的训练数据优化；
   • 极少数样本存在小目标误检（如背景被误标为梨），可调整置信度阈值过滤低置信度预测。

四、验证集可视化核心规则

这些是 YOLO 实例分割模型的预测结果可视化，用于直观验证分类、定位和分割效果：

• 🔵 蓝色框 + apple：模型预测为苹果（apple），后缀数字为置信度（如1.0/0.9）
• 🟢 青色框 + peach：模型预测为桃子（peach），后缀数字为置信度
• 同色掩码：像素级分割结果，精准覆盖目标区域
• 文件名：标注真实样本类别（如apple_braeburn_008.png真实为苹果，peach_03.png真实为桃子）

---

二、逐图详细解释

第一组（带 / 不带置信度的同批次结果）

文件名	真实类别	模型预测	效果解读
apple_braeburn_008.png	苹果	apple (1.0)	蓝色框完整包围苹果，掩码精准覆盖目标，预测正确
peach_03.png	桃子	peach (1.0)	青色框 + 掩码贴合桃子轮廓，预测正确
peach_05.png	桃子	peach (1.0)	青色掩码完整覆盖桃子，预测正确
apple_topaz_appleng.png	苹果	apple (1.0)	蓝色框 + 掩码覆盖苹果，预测正确
peach_044.png	桃子	peach (1.0)	青色掩码覆盖桃子区域，预测正确
peach_067.png	桃子	peach (1.0)	青色框 + 掩码精准贴合桃子形状，预测正确
peach_016.png	桃子	peach (1.0)	青色掩码覆盖桃子，预测正确
peach_048.png	桃子	peach (0.5/1.0)	青色框 + 掩码完整包围桃子，置信度稍低但仍正确，预测正确

---

第二组（桃子批次，带 / 不带置信度）

文件名	真实类别	模型预测	效果解读
peach_071.png	桃子	peach (1.0)	青色框 + 掩码覆盖桃子，预测正确
peach_077.png	桃子	peach (1.0)	青色掩码贴合桃子轮廓，预测正确
peach_082.png	桃子	peach (1.0)	青色框 + 掩码覆盖目标，预测正确
peach_073.png	桃子	peach (0.9)	青色掩码覆盖桃子，置信度 0.9 仍很高，预测正确
peach_078.png	桃子	peach (1.0)	青色框 + 掩码完整包围桃子，预测正确
peach_086.png	桃子	peach (1.0)	青色掩码覆盖桃子区域，预测正确
peach_076.png	桃子	peach (1.0)	青色框 + 掩码贴合桃子纹理，预测正确
peach_084.png	桃子	peach (1.0)	青色掩码覆盖桃子，预测正确

---

第三组（苹果 + 桃子混合批次，带 / 不带置信度）

文件名	真实类别	模型预测	效果解读
apple_topaz_appleng.png	苹果	apple (1.0)	蓝色框 + 掩码覆盖苹果，预测正确
apple_tapple_139.png	苹果	apple (1.0)	蓝色框 + 掩码贴合苹果形状，预测正确
apple_topaz_071.png	苹果	apple (1.0)	蓝色框 + 掩码精准覆盖带果柄的苹果，预测正确
peach_089.png	桃子	peach (1.0)	青色框 + 掩码覆盖桃子，预测正确
apple_topaz_057.png	苹果	apple (1.0)	蓝色框 + 掩码覆盖苹果，预测正确
apple_topaz_072.png	苹果	apple (0.9)	蓝色框 + 掩码贴合苹果形状，置信度 0.9 仍很高，预测正确
apple_topaz_149.png	苹果	apple (1.0)	蓝色框 + 掩码覆盖带瑕疵的苹果，预测正确
apple_topaz_066.png	苹果	apple (1.0)	蓝色框 + 掩码覆盖纹理清晰的苹果，预测正确

---

三、整体效果总结

1. ✅ 全样本正确：所有苹果 / 桃子样本均被模型正确分类，无任何类别混淆。
2. 📊 置信度表现：绝大多数样本置信度为1.0，仅少数为0.9/0.5，说明模型对目标识别的确定性极高。
3. 🎯 定位与分割：边界框完整包围目标，像素级掩码精准贴合目标轮廓，分割效果优秀。
4. 🌍 泛化能力：模型对不同品种的苹果（braeburn/topaz 等）、不同形态的桃子均能稳定识别，泛化性良好。

---

四、补充说明

• 梨（pear）样本未出现在这批次中，结合之前的结果，梨的识别仍有优化空间，但苹果 / 桃子的识别已达到近乎完美的水平。
• 置信度0.5的桃子样本（peach_048.png）是唯一低置信度样本，可通过调整置信度阈值过滤，或补充该类形态的训练数据进一步提升。

十、Yolo训练结果中的文件

一、weights 文件（权重文件）

核心作用

这是 YOLO 训练结果中最核心的文件，保存了神经网络通过训练学到的所有参数（权重 / 偏置等），是模型能实现目标检测 / 分割的 “大脑”—— 没有这个文件，模型就无法进行预测。

文件格式与类型

• 主流格式：.pt（PyTorch 原生权重格式，YOLOv8/9 均用此）；若导出部署，会生成 .onnx/.engine/.tflite 等格式。
• 常见文件：
  • best.pt：验证集性能（如 mAP、F1）最优的权重（部署优先用这个，泛化能力最强）；
  • last.pt：训练最后一轮的权重（可能过拟合，适合继续训练，不建议直接部署）。

核心内容解读

• 内部存储：神经网络各层（卷积层、激活层等）的可学习参数（如卷积核数值、偏置值），以及模型结构信息（部分版本需配合模型配置文件）。
• 大小规律：模型规模越大（n/s/m/l/x），权重文件越大（如 YOLOv8n-seg.pt 约 6MB，YOLOv8l-seg.pt 约 50MB）。

实用价值

• 部署预测：加载 best.pt 对新图片 / 视频做检测 / 分割；
• 继续训练：加载 last.pt 可在原有训练基础上继续调参训练，节省时间；
• 模型分享：仅需传递 .pt 文件，他人即可复现你的预测效果。

---

二、args.yaml 文件（训练参数配置文件）

核心作用

以易读的键值对格式记录训练时的所有超参数、路径、环境配置，是复现训练过程的关键文件—— 只要复用这个文件的参数，就能还原你的训练流程。

文件格式

YAML（一种轻量级配置语言，缩进表示层级，记事本 / VS Code 可直接打开，Excel 也可导入）。

核心内容解读（按类别划分，新手重点看标⭐的）

配置类别	关键参数	含义（通俗解释）
⭐基础配置	model	用的模型结构文件（如 yolov8n-seg.yaml）
	data	数据集配置文件路径（如 fruit.yaml）
	epochs	训练总轮数（如 100，轮数越多越易收敛）
	batch	批次大小（如 16，GPU 显存够则设大）
	imgsz	输入图片尺寸（如 640，统一缩放为 640×640）
⭐优化器 / 学习率	optimizer	优化器（如 SGD/Adam，默认 SGD 更稳定）
	lr0	初始学习率（如 0.01，太大易震荡，太小收敛慢）
	lrf	最终学习率因子（如 0.01，控制学习率衰减）
数据增强	hsv_h/hsv_s/hsv_v	色调 / 饱和度 / 明度增强幅度（提升泛化）
	degrees	图片旋转角度（如 10，随机旋转 ±10°）
	fliplr	左右翻转概率（如 0.5，50% 概率翻转）
训练环境	device	训练设备（cpu/cuda:0，用 GPU 选 cuda:0）
	workers	数据加载线程数（如 8，加速数据读取）
评估配置	val	是否每轮验证（True，建议开启）
	plots	是否生成可视化图表（True，即你之前看的 F1/PR 曲线）

实用价值

• 复现训练：修改 data 路径后，用 yolo train args=args.yaml 即可一键复现；
• 调参分析：对比不同训练的 args.yaml，看学习率 / 批次大小等对结果的影响；
• 排查问题：若训练报错，先看 batch 是否超显存、device 是否选对 GPU。

---

三、results.csv 文件（训练数值化结果文件）

核心作用

以 CSV 表格格式 记录每一轮（epoch） 的训练 / 验证损失、性能指标，是量化分析模型收敛情况的核心文件（可视化图表如 F1 曲线，就是基于这个文件生成的）。

文件格式

CSV（逗号分隔值，Excel / 记事本 / VS Code 可打开，Python 的 pandas 可直接解析）。

核心内容解读（YOLOv8 分割模型为例，标⭐的是核心）

列名	含义（通俗解释）	优劣判断
epoch	训练轮数（从 0 开始）	-
⭐train/box_loss	训练集边界框损失（框定位偏差）	越小越好
⭐train/cls_loss	训练集分类损失（类别预测偏差）	越小越好
train/seg_loss	训练集分割损失（像素掩码偏差）	越小越好
⭐val/box_loss	验证集边界框损失	越小且接近训练集越好（无过拟合）
⭐val/cls_loss	验证集分类损失	越小且接近训练集越好
⭐metrics/precision(B)	验证集检测框精准率（不误检）	越大越好
⭐metrics/recall(B)	验证集检测框召回率（不漏检）	越大越好
⭐metrics/mAP50(B)	验证集检测框 mAP@0.5（综合性能）	越大越好
metrics/mAP50(M)	验证集分割掩码 mAP@0.5	越大越好
lr/pg0	学习率（看是否正常衰减）	逐步下降为正常

实用价值

• 量化分析：用 Excel 绘制 “损失 - epoch” 曲线，看模型是否收敛（损失不再下降即收敛）；
• 选最优轮数：找到 mAP50(B) 最高的 epoch，对应 best.pt 的轮数；
• 对比实验：多组训练的 results.csv 对比，看哪个参数组合效果更好。

---

四、setting.json 文件（训练环境 / 设置记录文件）

核心作用

以 JSON 格式 补充记录训练的环境信息、路径、时间等，和 args.yaml 互补 ——args.yaml 记训练参数，setting.json 记 “训练时的软硬件背景”。

文件格式

JSON（键值对格式，编程易解析，记事本 / 浏览器插件可格式化查看）。

核心内容解读

信息类别	关键字段	含义（通俗解释）
环境信息	python_version	训练用的 Python 版本（如 3.9.18）
	torch_version	PyTorch 版本（如 2.0.1+cu118）
	cuda_version	CUDA 版本（如 11.8，需和 PyTorch 匹配）
硬件信息	gpu	GPU 型号（如 NVIDIA RTX 3090）
	gpu_mem	GPU 显存（如 24GB）
路径信息	output_dir	训练结果保存路径（如 runs/segment/train1）
	data_path	数据集绝对路径（避免路径混乱）
时间信息	start_time/end_time	训练开始 / 结束时间（如 2026-03-20 10:00:00）
数据集信息	nc/names	类别数（如 3）、类别名（如 ["apple","peach","pear"]）

实用价值

• 环境排查：若训练结果异常，先看 CUDA/PyTorch 版本是否兼容；
• 耗时分析：计算 end_time - start_time，评估硬件训练效率；
• 自动化分析：用 Python 读取多个 setting.json，批量统计训练信息（如不同 GPU 的耗时对比）。

---

总结

文件名称	核心定位	新手核心用法
weights/*.pt	模型 “大脑”（可预测）	部署用 best.pt，续训用 last.pt
args.yaml	训练参数记录（可复现）	复现训练、调参对比
results.csv	训练数值结果（可分析）	看损失收敛、找最优 mAP 轮数
setting.json	训练环境记录（可排查）	排查环境问题、记录硬件 / 时间信息

这四个文件是 YOLO 训练结果的 “完整档案”：weights 是最终产物，args.yaml 是训练 “配方”，results.csv 是训练 “成绩单”，setting.json 是训练 “背景说明”，缺一不可。