Ultralytics YOLO 模型评估与微调指南用 mAP、IoU 定位性能短板并迭代提升检测精度【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics评估与微调是 Ultralytics YOLO 系列YOLO26、YOLO11、YOLOv8 等从训练完成走向可部署的关键一环先用置信度分数Confidence Score、交并比IoU与平均精度mAP量化模型表现再依据评估结果有针对性地微调训练参数、弥补短板使模型真正贴合你自己的数据集与应用目标。本文基于仓库官方文档与 ultralytics/utils/metrics.py 源码系统讲解关键评估指标的定义与读取方法、如何调用 Val 验证模式获取 YOLO26 详细指标、如何处理变长图片尺寸以及小目标场景下的图像切片与微调策略帮助你建立评估 → 诊断 → 微调 → 再评估的完整闭环。评估指标速览三个必须读懂的数字完成训练之后衡量效果究竟如何靠的是客观数值。YOLO 系列最常用的三类指标构成了这套评估体系的核心它们也是后续微调决策的直接依据。理解这些性能指标的计算口径是定位模型短板的第一步。置信度分数Confidence Score置信度分数表示模型对检测到的目标确实属于某一类别这一判断的把握程度取值范围为 0 到 1分数越高代表模型越确信。它承担着过滤预测结果的作用推理时只有置信度高于指定阈值的检测框才会被保留为有效预测低于阈值的预测会被丢弃。!!! tip 看不到任何预测结果先调低置信度阈值 推理时若没有任何预测输出且已排查过数据、模型等其他因素尝试调低置信度阈值。有时阈值设得过高模型会把有效预测一并过滤掉。调低后模型会考虑更多候选框。虽然这可能不符合最终项目目标但它能帮助你直观看到模型到底能检出什么进而决定如何微调。推理时可用conf参数控制例如model.predict(source..., conf0.1)。交并比Intersection over UnionIoUIoU 衡量预测边界框与真实标注框ground truth的重合程度公式为两个框交集面积除以并集面积取值 0 到 11 表示完全重合。它之所以关键是因为它量化了预测边界与真实目标的边界贴得有多准——只有预测框与真实框的 IoU 达到设定阈值该次检测才被判定为正例True Positive。这一判定逻辑在仓库源码中有直接体现ultralytics/models/yolo/detect/val.py 中验证器用torch.linspace(0.5, 0.95, 10)构造 10 个 IoU 阈值向量iouv用于后续 mAP 计算ultralytics/engine/validator.py 中的匹配逻辑先按类别过滤、再按 IoU 阈值判定每次检测是否正确。平均精度Mean Average PrecisionmAPmAP 综合衡量目标检测模型的整体水平它先统计每个类别各自的检测精度再取平均用一个数字概括模型识别与分类目标的能力。mAP 最常报道的两个口径是mAP.5在单一 IoU 阈值 0.5 下计算的平均精度。判定标准相对宽松只需目标大致定位正确即可主要反映模型整体找得到目标的能力。mAP.5:.95在 0.5 到 0.95、以 0.05 为步长的 10 个 IoU 阈值上分别计算 mAP 再取均值。判定更严格、更细致能反映模型在不同定位精度要求下的综合表现尤其适合对定位精度要求高的应用场景。此外还有 mAP0.75采用更严格的 IoU0.75 阈值、mAPsmall / medium / large按目标尺寸分档评估精度。这些属性在源码中均有明确对应ultralytics/utils/metrics.py 的Metric类中map50取all_ap第 0 列IoU0.5的均值map75取第 5 列IoU0.75而map对整个all_ap矩阵求均值正好覆盖从 0.5 到 0.95 的全部 10 个阈值。用 Val 模式评估 YOLO26 模型Ultralytics 提供了专门的验证模式 Val用于评估训练好的模型。YOLO26 模型会自动记住训练时的数据集与参数因此最简单的方式是直接调用model.val()Python或yolo val modelyolo26n.ptCLI无需重复指定参数。若要针对自定义数据集或不同输入尺寸做评估可显式传入数据与参数from ultralytics import YOLO # 加载官方预训练模型或你自己的 best.pt model YOLO(yolo26n.pt) # 在指定数据集上运行验证 results model.val(datacoco8.yaml, imgsz640, batch16, conf0.25, iou0.7, device0)等价 CLI 命令为yolo detect val modelyolo26n.pt datacoco8.yaml imgsz640 batch16 conf0.25 iou0.7 device0常用验证参数表下面是 Val 模式核心参数的完整说明默认值来自 docs/macros/validation-args.md可对照 ultralytics/cfg/default.yaml 查看全局默认配置参数类型默认值说明datastrNone数据集 YAML 路径如coco8.yaml内含验证集路径分类任务则传入数据集目录或内置名称如imagenet10imgszint640输入图像尺寸处理前所有图像会被缩放到该尺寸更大尺寸对小目标精度有利但计算量增加batchint16每批图像数越大越充分利用显存但也需要更多显存conffloat0.001检测置信度阈值下限。绘制 P-R 曲线时默认 0.001混淆矩阵在未指定时用 0.25汇总的精确率/召回率基于最大 F1 的置信度。OBB 验证默认 0.01 以降低内存ioufloat0.7NMS 的 IoU 阈值用于抑制重复检测框max_detint300每张图的最大检测数密集场景中可防止过度检测rectboolTrue是否启用矩形推理批处理按原始宽高比减少填充提升效率devicestrNone验证设备cpu、cuda:0等None时自动选择最佳可用设备splitstrval使用的数据划分val、test或trainplotsboolTrue是否生成并保存预测 vs 真实、混淆矩阵、P-R 曲线等可视化图save_jsonboolFalse结果保存为 JSON便于后续分析或提交 COCO 评估服务器save_txtboolFalse每张图一个文本文件保存检测结果classeslist[int]None仅评估指定类别 ID用于聚焦特定类别augmentboolFalse开启测试时增强TTA可能提升精度但降低速度仅支持原生 PyTorch 模型agnostic_nmsboolFalse类别无关 NMS对端到端模型YOLO26、YOLOv10仅去除同框多类标签IoU1.0 的重复workersint8数据加载线程数verboseboolTrue输出逐类指标等详细信息处理可变图像尺寸用不同尺寸的图像评估模型有助于理解模型在多样数据集上的表现。两个关键参数recttrue按宽高比将图像分组并把每批图像填充到能容纳的最小形状从而让矩形图像不被迫压成正方形地完成评估。这正是矩形推理批处理的核心价值减少无效填充、降低计算量。imgsz设定验证时使用的图像尺寸按正方形应用。若不显式设置YOLO26 会复用模型设置中保存的数值——官方预训练模型通常为 640自定义权重则沿用训练时的尺寸。开启recttrue后YOLO26 会把较长边约束到imgsz较短边按模型步长stride的整数倍补齐从而保持宽高比不变。imgsz的取值应根据数据集本身的分辨率与可用 GPU 显存综合权衡——小目标较多时应适当增大分辨率但显存与耗时也会随之上升。!!! notedepth单目深度估计任务的验证会忽略rect将所有图像拉伸到固定的imgsz正方形而非通过填充保持宽高比。逐张图像定位问题理解 image_metrics 的内部实现除了整体与逐类指标验证还会记录每张图像的精确率、召回率、F1、TP、FP、FN在 IoU 阈值 0.5 下存放于results.box.image_metrics分割、姿态、OBB 任务分别为results.seg.image_metrics、results.pose.image_metrics。在源码中这一机制由 ultralytics/utils/metrics.py 的update_image_metrics()实现它对每张图统计 TP再由fp num_preds - tp、fn num_targets - tp推导 FP/FN进而计算 precision、recall 与 F1一个值得注意的细节是当某张图既无真实目标又无预测时空图会被视为平凡正确的调用P/R/F1 记为 1.0 而非 0。通过遍历该字典你可以精确找出模型在哪些图片上表现最差为后续微调提供依据。用几行 Python 读取 YOLO26 的全部评估指标要深入理解模型性能可在验证后直接访问指标对象。下面的代码加载模型、运行验证并打印最有用的指标from ultralytics import YOLO # 加载模型 model YOLO(yolo26n.pt) # 在你的数据集上运行验证 results model.val(datacoco8.yaml) # 整体指标 print(mAP50-95:, results.box.map) # IoU 0.50:0.95 下的 mAP print(mAP50:, results.box.map50) # IoU 0.50 下的 mAP print(mAP75:, results.box.map75) # IoU 0.75 下的 mAP print(Mean precision:, results.box.mp) # 平均精确率 print(Mean recall:, results.box.mr) # 平均召回率 print(Fitness:, results.box.fitness()) # 用于模型选择的加权分数 # 逐类指标 print(Class indices evaluated:, results.box.ap_class_index) print(Per-class mAP50-95:, results.box.maps) # 逐图像精确率、召回率、F1、TP、FP、FN print(Per-image metrics:, results.box.image_metrics) # 各阶段耗时分解毫秒/图 print(Timing breakdown (ms/image):, results.speed)注意fitness()是方法调用时必须带括号而map、map50、mp等是属性直接访问即可。这两类成员在源码中有明确区分——mp、mr、map50、map75、map都是property见 ultralytics/utils/metrics.py而fitness在Metric中定义为方法、在DetMetrics中被包装为property因此通过results.box.fitness()访问的是方法。几个指标的源码级解读results.box.mp与results.box.mr分别对所有类别的精确率、召回率求均值返回单个浮点数ultralytics/utils/metrics.py。results.box.maps返回形状为(nc,)的数组maps[i]表示第 i 类的 mAP50-95未参与评估的类会回退为整体map值ultralytics/utils/metrics.py。results.box.fitness()按权重[0, 0, 0, 1]对[P, R, mAP0.5, mAP0.5:0.95]加权求和——实际上只用 mAP50-95 作为最终的适应度分数该分数用于跨实验比较与模型选择ultralytics/utils/metrics.py。results.box.ap_class_index记录每个 AP 分数对应的类别索引列表。results.box.image_metrics以图像文件名为键的逐图像字典每项含precision、recall、f1、tp、fp、fn六个字段帮助定位模型在哪些图上挣扎。results.speed分别报告preprocess、inference、loss、postprocess四个阶段的毫秒级耗时用于排查推理瓶颈。基于评估结果进行微调微调又称重训练指在预训练权重基础上进一步训练让模型更好地拟合特定任务或数据集从而提升真实场景中的预测表现。评估暴露短板之后接下来就是依据评估结果在你的数据上重训练并调整微调指南中列出的训练参数。由于微调是从 COCO 等大规模数据集上学到的通用视觉特征边缘、纹理、形状出发只需学习新类别长什么样因此比从头训练收敛更快、所需数据更少。加载.pt权重后直接调用.train()即可自动完成权重迁移与检测头重初始化无需额外代码from ultralytics import YOLO # 加载预训练模型并微调 model YOLO(yolo26n.pt) model.train(datacustom.yaml, epochs50, imgsz640)等价 CLIyolo detect train modelyolo26n.pt datacustom.yaml epochs50 imgsz640提升 mAP 的实操路径结合评估结果提升 mAP 通常从以下三个方向入手调整超参数尝试不同的学习率、批次大小与图像增强配置。微调期通常无需大改重点调整epochs、patience提前停止、warmup_epochs若训练不稳定可显式指定optimizerAdamW, lr00.001注意optimizerauto时会忽略手动lr0。数据增强利用 Mosaic、MixUp 等增强手段制造更多样化的训练样本注意极小数据集上过强的增强反而有害可尝试mosaic0.5或mosaic0.0。图像切片Image Tiling见下文专门应对小目标。冻结层训练当数据集较小时用freeze10冻结主干可防止过拟合若目标域与 COCO 差异大医疗、卫星、雷达影像则应保留freezeNone让主干充分适应。若评估显示验证 mAP 提前停滞优先检查是否数据不足、类别不均衡欠采样类别 AP 偏低、小目标分辨率过低可尝试imgsz1280等问题具体排查清单见微调指南的常见陷阱章节。小目标的图像切片技巧图像切片Tiling能显著改善小目标检测精度把大图切分成更小的片段例如把 1280×1280 的图像切成若干 640×640 的片段在保留原始分辨率细节的同时让模型从高分辨率片段中学习——目标在小片段中相对更大、更易被检出。Ultralytics 在推理阶段通过 SAHI 切片推理支持这一方案。若训练时使用切片数据务必同步为每个新片段重新生成正确的标注框把原始框坐标按切片偏移换算到片段局部坐标否则标签与图像内容错位会直接损害训练效果。除小目标外切片推理还可降低大分辨率图像的内存占用让显存有限的硬件也能处理超高分辨率输入切片间设置合理重叠率如 0.2并在拼接时合并重叠检测框可避免目标被切片边界截断而漏检。结语评估与微调是把模型训练成型变为可靠可部署的两步把模型从训练完成推向值得部署靠的正是评估与微调的反复迭代mAP、IoU 等指标暴露弱项针对性的参数调整弥补短板。推荐的完整工作流是通过验证模式 Val 对你的模型做基准测试可用recttrue、imgsz适配数据形态读取results.box下的整体、逐类与逐图像指标定位表现最差的类别和图片依据微调指南中的参数与策略数据增强、层冻结、学习率、切片等重训练不断用新参数、新技巧、新数据迭代直至模型满足你的项目目标。这一评估与调优循环同样位于完整计算机视觉项目流程的后期——当你需要确认模型足够准确、高效、可部署时就可以启动它。若想进一步深入可对照 ultralytics/utils/metrics.py 阅读每个指标的精确计算实现并结合 yolo-performance-metrics.md 掌握指标曲线的判读方法。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Ultralytics YOLO 模型评估与微调指南：用 mAP、IoU 定位性能短板并迭代提升检测精度
Ultralytics YOLO 模型评估与微调指南用 mAP、IoU 定位性能短板并迭代提升检测精度【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics评估与微调是 Ultralytics YOLO 系列YOLO26、YOLO11、YOLOv8 等从训练完成走向可部署的关键一环先用置信度分数Confidence Score、交并比IoU与平均精度mAP量化模型表现再依据评估结果有针对性地微调训练参数、弥补短板使模型真正贴合你自己的数据集与应用目标。本文基于仓库官方文档与 ultralytics/utils/metrics.py 源码系统讲解关键评估指标的定义与读取方法、如何调用 Val 验证模式获取 YOLO26 详细指标、如何处理变长图片尺寸以及小目标场景下的图像切片与微调策略帮助你建立评估 → 诊断 → 微调 → 再评估的完整闭环。评估指标速览三个必须读懂的数字完成训练之后衡量效果究竟如何靠的是客观数值。YOLO 系列最常用的三类指标构成了这套评估体系的核心它们也是后续微调决策的直接依据。理解这些性能指标的计算口径是定位模型短板的第一步。置信度分数Confidence Score置信度分数表示模型对检测到的目标确实属于某一类别这一判断的把握程度取值范围为 0 到 1分数越高代表模型越确信。它承担着过滤预测结果的作用推理时只有置信度高于指定阈值的检测框才会被保留为有效预测低于阈值的预测会被丢弃。!!! tip 看不到任何预测结果先调低置信度阈值 推理时若没有任何预测输出且已排查过数据、模型等其他因素尝试调低置信度阈值。有时阈值设得过高模型会把有效预测一并过滤掉。调低后模型会考虑更多候选框。虽然这可能不符合最终项目目标但它能帮助你直观看到模型到底能检出什么进而决定如何微调。推理时可用conf参数控制例如model.predict(source..., conf0.1)。交并比Intersection over UnionIoUIoU 衡量预测边界框与真实标注框ground truth的重合程度公式为两个框交集面积除以并集面积取值 0 到 11 表示完全重合。它之所以关键是因为它量化了预测边界与真实目标的边界贴得有多准——只有预测框与真实框的 IoU 达到设定阈值该次检测才被判定为正例True Positive。这一判定逻辑在仓库源码中有直接体现ultralytics/models/yolo/detect/val.py 中验证器用torch.linspace(0.5, 0.95, 10)构造 10 个 IoU 阈值向量iouv用于后续 mAP 计算ultralytics/engine/validator.py 中的匹配逻辑先按类别过滤、再按 IoU 阈值判定每次检测是否正确。平均精度Mean Average PrecisionmAPmAP 综合衡量目标检测模型的整体水平它先统计每个类别各自的检测精度再取平均用一个数字概括模型识别与分类目标的能力。mAP 最常报道的两个口径是mAP.5在单一 IoU 阈值 0.5 下计算的平均精度。判定标准相对宽松只需目标大致定位正确即可主要反映模型整体找得到目标的能力。mAP.5:.95在 0.5 到 0.95、以 0.05 为步长的 10 个 IoU 阈值上分别计算 mAP 再取均值。判定更严格、更细致能反映模型在不同定位精度要求下的综合表现尤其适合对定位精度要求高的应用场景。此外还有 mAP0.75采用更严格的 IoU0.75 阈值、mAPsmall / medium / large按目标尺寸分档评估精度。这些属性在源码中均有明确对应ultralytics/utils/metrics.py 的Metric类中map50取all_ap第 0 列IoU0.5的均值map75取第 5 列IoU0.75而map对整个all_ap矩阵求均值正好覆盖从 0.5 到 0.95 的全部 10 个阈值。用 Val 模式评估 YOLO26 模型Ultralytics 提供了专门的验证模式 Val用于评估训练好的模型。YOLO26 模型会自动记住训练时的数据集与参数因此最简单的方式是直接调用model.val()Python或yolo val modelyolo26n.ptCLI无需重复指定参数。若要针对自定义数据集或不同输入尺寸做评估可显式传入数据与参数from ultralytics import YOLO # 加载官方预训练模型或你自己的 best.pt model YOLO(yolo26n.pt) # 在指定数据集上运行验证 results model.val(datacoco8.yaml, imgsz640, batch16, conf0.25, iou0.7, device0)等价 CLI 命令为yolo detect val modelyolo26n.pt datacoco8.yaml imgsz640 batch16 conf0.25 iou0.7 device0常用验证参数表下面是 Val 模式核心参数的完整说明默认值来自 docs/macros/validation-args.md可对照 ultralytics/cfg/default.yaml 查看全局默认配置参数类型默认值说明datastrNone数据集 YAML 路径如coco8.yaml内含验证集路径分类任务则传入数据集目录或内置名称如imagenet10imgszint640输入图像尺寸处理前所有图像会被缩放到该尺寸更大尺寸对小目标精度有利但计算量增加batchint16每批图像数越大越充分利用显存但也需要更多显存conffloat0.001检测置信度阈值下限。绘制 P-R 曲线时默认 0.001混淆矩阵在未指定时用 0.25汇总的精确率/召回率基于最大 F1 的置信度。OBB 验证默认 0.01 以降低内存ioufloat0.7NMS 的 IoU 阈值用于抑制重复检测框max_detint300每张图的最大检测数密集场景中可防止过度检测rectboolTrue是否启用矩形推理批处理按原始宽高比减少填充提升效率devicestrNone验证设备cpu、cuda:0等None时自动选择最佳可用设备splitstrval使用的数据划分val、test或trainplotsboolTrue是否生成并保存预测 vs 真实、混淆矩阵、P-R 曲线等可视化图save_jsonboolFalse结果保存为 JSON便于后续分析或提交 COCO 评估服务器save_txtboolFalse每张图一个文本文件保存检测结果classeslist[int]None仅评估指定类别 ID用于聚焦特定类别augmentboolFalse开启测试时增强TTA可能提升精度但降低速度仅支持原生 PyTorch 模型agnostic_nmsboolFalse类别无关 NMS对端到端模型YOLO26、YOLOv10仅去除同框多类标签IoU1.0 的重复workersint8数据加载线程数verboseboolTrue输出逐类指标等详细信息处理可变图像尺寸用不同尺寸的图像评估模型有助于理解模型在多样数据集上的表现。两个关键参数recttrue按宽高比将图像分组并把每批图像填充到能容纳的最小形状从而让矩形图像不被迫压成正方形地完成评估。这正是矩形推理批处理的核心价值减少无效填充、降低计算量。imgsz设定验证时使用的图像尺寸按正方形应用。若不显式设置YOLO26 会复用模型设置中保存的数值——官方预训练模型通常为 640自定义权重则沿用训练时的尺寸。开启recttrue后YOLO26 会把较长边约束到imgsz较短边按模型步长stride的整数倍补齐从而保持宽高比不变。imgsz的取值应根据数据集本身的分辨率与可用 GPU 显存综合权衡——小目标较多时应适当增大分辨率但显存与耗时也会随之上升。!!! notedepth单目深度估计任务的验证会忽略rect将所有图像拉伸到固定的imgsz正方形而非通过填充保持宽高比。逐张图像定位问题理解 image_metrics 的内部实现除了整体与逐类指标验证还会记录每张图像的精确率、召回率、F1、TP、FP、FN在 IoU 阈值 0.5 下存放于results.box.image_metrics分割、姿态、OBB 任务分别为results.seg.image_metrics、results.pose.image_metrics。在源码中这一机制由 ultralytics/utils/metrics.py 的update_image_metrics()实现它对每张图统计 TP再由fp num_preds - tp、fn num_targets - tp推导 FP/FN进而计算 precision、recall 与 F1一个值得注意的细节是当某张图既无真实目标又无预测时空图会被视为平凡正确的调用P/R/F1 记为 1.0 而非 0。通过遍历该字典你可以精确找出模型在哪些图片上表现最差为后续微调提供依据。用几行 Python 读取 YOLO26 的全部评估指标要深入理解模型性能可在验证后直接访问指标对象。下面的代码加载模型、运行验证并打印最有用的指标from ultralytics import YOLO # 加载模型 model YOLO(yolo26n.pt) # 在你的数据集上运行验证 results model.val(datacoco8.yaml) # 整体指标 print(mAP50-95:, results.box.map) # IoU 0.50:0.95 下的 mAP print(mAP50:, results.box.map50) # IoU 0.50 下的 mAP print(mAP75:, results.box.map75) # IoU 0.75 下的 mAP print(Mean precision:, results.box.mp) # 平均精确率 print(Mean recall:, results.box.mr) # 平均召回率 print(Fitness:, results.box.fitness()) # 用于模型选择的加权分数 # 逐类指标 print(Class indices evaluated:, results.box.ap_class_index) print(Per-class mAP50-95:, results.box.maps) # 逐图像精确率、召回率、F1、TP、FP、FN print(Per-image metrics:, results.box.image_metrics) # 各阶段耗时分解毫秒/图 print(Timing breakdown (ms/image):, results.speed)注意fitness()是方法调用时必须带括号而map、map50、mp等是属性直接访问即可。这两类成员在源码中有明确区分——mp、mr、map50、map75、map都是property见 ultralytics/utils/metrics.py而fitness在Metric中定义为方法、在DetMetrics中被包装为property因此通过results.box.fitness()访问的是方法。几个指标的源码级解读results.box.mp与results.box.mr分别对所有类别的精确率、召回率求均值返回单个浮点数ultralytics/utils/metrics.py。results.box.maps返回形状为(nc,)的数组maps[i]表示第 i 类的 mAP50-95未参与评估的类会回退为整体map值ultralytics/utils/metrics.py。results.box.fitness()按权重[0, 0, 0, 1]对[P, R, mAP0.5, mAP0.5:0.95]加权求和——实际上只用 mAP50-95 作为最终的适应度分数该分数用于跨实验比较与模型选择ultralytics/utils/metrics.py。results.box.ap_class_index记录每个 AP 分数对应的类别索引列表。results.box.image_metrics以图像文件名为键的逐图像字典每项含precision、recall、f1、tp、fp、fn六个字段帮助定位模型在哪些图上挣扎。results.speed分别报告preprocess、inference、loss、postprocess四个阶段的毫秒级耗时用于排查推理瓶颈。基于评估结果进行微调微调又称重训练指在预训练权重基础上进一步训练让模型更好地拟合特定任务或数据集从而提升真实场景中的预测表现。评估暴露短板之后接下来就是依据评估结果在你的数据上重训练并调整微调指南中列出的训练参数。由于微调是从 COCO 等大规模数据集上学到的通用视觉特征边缘、纹理、形状出发只需学习新类别长什么样因此比从头训练收敛更快、所需数据更少。加载.pt权重后直接调用.train()即可自动完成权重迁移与检测头重初始化无需额外代码from ultralytics import YOLO # 加载预训练模型并微调 model YOLO(yolo26n.pt) model.train(datacustom.yaml, epochs50, imgsz640)等价 CLIyolo detect train modelyolo26n.pt datacustom.yaml epochs50 imgsz640提升 mAP 的实操路径结合评估结果提升 mAP 通常从以下三个方向入手调整超参数尝试不同的学习率、批次大小与图像增强配置。微调期通常无需大改重点调整epochs、patience提前停止、warmup_epochs若训练不稳定可显式指定optimizerAdamW, lr00.001注意optimizerauto时会忽略手动lr0。数据增强利用 Mosaic、MixUp 等增强手段制造更多样化的训练样本注意极小数据集上过强的增强反而有害可尝试mosaic0.5或mosaic0.0。图像切片Image Tiling见下文专门应对小目标。冻结层训练当数据集较小时用freeze10冻结主干可防止过拟合若目标域与 COCO 差异大医疗、卫星、雷达影像则应保留freezeNone让主干充分适应。若评估显示验证 mAP 提前停滞优先检查是否数据不足、类别不均衡欠采样类别 AP 偏低、小目标分辨率过低可尝试imgsz1280等问题具体排查清单见微调指南的常见陷阱章节。小目标的图像切片技巧图像切片Tiling能显著改善小目标检测精度把大图切分成更小的片段例如把 1280×1280 的图像切成若干 640×640 的片段在保留原始分辨率细节的同时让模型从高分辨率片段中学习——目标在小片段中相对更大、更易被检出。Ultralytics 在推理阶段通过 SAHI 切片推理支持这一方案。若训练时使用切片数据务必同步为每个新片段重新生成正确的标注框把原始框坐标按切片偏移换算到片段局部坐标否则标签与图像内容错位会直接损害训练效果。除小目标外切片推理还可降低大分辨率图像的内存占用让显存有限的硬件也能处理超高分辨率输入切片间设置合理重叠率如 0.2并在拼接时合并重叠检测框可避免目标被切片边界截断而漏检。结语评估与微调是把模型训练成型变为可靠可部署的两步把模型从训练完成推向值得部署靠的正是评估与微调的反复迭代mAP、IoU 等指标暴露弱项针对性的参数调整弥补短板。推荐的完整工作流是通过验证模式 Val 对你的模型做基准测试可用recttrue、imgsz适配数据形态读取results.box下的整体、逐类与逐图像指标定位表现最差的类别和图片依据微调指南中的参数与策略数据增强、层冻结、学习率、切片等重训练不断用新参数、新技巧、新数据迭代直至模型满足你的项目目标。这一评估与调优循环同样位于完整计算机视觉项目流程的后期——当你需要确认模型足够准确、高效、可部署时就可以启动它。若想进一步深入可对照 ultralytics/utils/metrics.py 阅读每个指标的精确计算实现并结合 yolo-performance-metrics.md 掌握指标曲线的判读方法。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考