Python | OpenCV YOLOv8 訓練結果分析

📚 前言

在上一篇 YOLOv8 訓練進階設定 中，我們完成了模型訓練。
這一篇介紹如何 解讀訓練結果，判斷模型是否訓練良好，以及找出需要改進的方向。

YOLOv8 在訓練結束後會自動產生大量的圖表和檔案。學會看懂這些資訊，你才能知道：

• 模型目前表現如何？
• 是否有過擬合？
• 哪個類別學得不好？
• 還需要繼續訓練還是需要補資料？

🗃️ 訓練結果目錄結構

前一篇 train_full.py 跑完後，結果儲存在 runs/detect/custom_detector/（對應 name="custom_detector"）。若目錄不存在，請先確認訓練是否正常跑完。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

runs/detect/custom_detector/
├── weights/
│   ├── best.pt                      ← 驗證 mAP 最高的模型（用於部署）
│   ├── last.pt                      ← 最後一個 epoch 的模型（用於繼續訓練）
│   └── epoch*.pt                    ← 中間訓練過程的權重（可刪除以節省空間）
├── results.csv                      ← 每個 epoch 的詳細數值（loss、mAP 等）
├── results.png                      ← 訓練曲線圖（Loss + Metrics）
├── confusion_matrix.png             ← 混淆矩陣
├── confusion_matrix_normalized.png
├── BoxPR_curve.png                  ← Box Precision-Recall 曲線
├── BoxF1_curve.png                  ← Box F1-Confidence 曲線
├── BoxP_curve.png                   ← Box Precision-Confidence 曲線
├── BoxR_curve.png                   ← Box Recall-Confidence 曲線
├── val_batch0_labels.jpg            ← 驗證集真實標籤視覺化
├── val_batch0_pred.jpg              ← 驗證集模型預測視覺化
├── labels.jpg                       ← 其他標籤圖（通常是訓練或額外視覺化）
├── train_batch0.jpg                 ← 訓練批次圖（可選保留）
├── train_batch1.jpg
├── train_batch2.jpg
└── args.yaml                        ← 本次訓練使用的所有超參數

最需要關注的三個檔案：

• best.pt → 拿來部署的模型
• results.png → 一眼看懂訓練趨勢
• confusion_matrix.png → 看哪個類別容易搞錯

💡 best.pt 是部署時使用的模型，不要用 last.pt 做推論，因為最後一個 epoch 不一定是最好的。

🔎 Loss 曲線怎麼看？（results.png）

results.png 中包含三種 Loss 的訓練與驗證曲線：

正常的訓練曲線應該是：

• train/box_loss、train/cls_loss、train/dfl_loss 持續穩定下降
• val/box_loss、val/cls_loss、val/dfl_loss 同步下降，並趨於平穩

異常情況判斷：

圖：results.png 訓練曲線圖，包含各項 Loss 與 mAP 指標的每個 epoch 變化

🔎 mAP 指標怎麼看？

mAP（mean Average Precision）是物件偵測最重要的評估指標，有三個地方可以看到：

1. 訓練時的終端機輸出：每個 epoch 結束後會印出當前的 mAP50 與 mAP50-95
2. results.png：訓練結束後自動產生，包含完整的 mAP 曲線圖，在 runs/detect/custom_detector/ 下
3. results.csv：每個 epoch 的詳細數值，可用程式讀取（見本篇下方的範例）

各指標的意義：

mAP50 一般參考標準：

💡 自訂資料集的 mAP 沒有絕對標準，最重要的是「是否滿足應用需求」。例如安全監控對 Recall 要求高（不能漏報），商品辨識則對 Precision 要求高（不能誤報）。

圖：終端機輸出、results.png、results.csv，包含各項 Loss 與 mAP 指標的每個 epoch 變化

🔎 混淆矩陣怎麼看？

YOLOv8 會產生兩張混淆矩陣圖：

• confusion_matrix.png：顯示實際的預測數量
• confusion_matrix_normalized.png：推薦查看（每個類別的預測比例，0~1）

重點看 confusion_matrix_normalized.png：

• 對角線顏色越深（接近 1.0）：該類別辨識越準確
• 非對角線有明顯顏色：模型常把 A 類別誤認為 B 類別（這就是最需要改進的地方）
• background 那一行/列：
  • 右邊的 background FP：模型誤檢（把背景當成物件）
  • 下方的 background FN：模型漏檢（沒找到實際存在的物件）

看這張圖可以快速找出「哪個類別最容易搞錯」，然後針對性地補充該類別的資料或改善標註品質。

圖：confusion_matrix_normalized.png 範例，對角線顏色越接近 1.0 代表該類別分類越準確，非對角線的顏色代表容易混淆的類別

💻 用程式讀取訓練結果

本節需要額外安裝 pandas 與 matplotlib：

1

pip install pandas matplotlib

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

# analyze_results.py
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("runs/detect/custom_detector/results.csv")
df.columns = df.columns.str.strip()   # 去除欄位名稱的空白

print(df.columns.tolist())            # 查看所有欄位名稱
print(df.tail(5))                     # 查看最後 5 個 epoch 的數值

# 找出最佳 epoch
best_epoch = df["metrics/mAP50(B)"].idxmax()
print(f"\n最佳 epoch：{best_epoch + 1}")
print(f"最佳 mAP50：{df['metrics/mAP50(B)'].max():.4f}")
print(f"最佳 mAP50-95：{df['metrics/mAP50-95(B)'].max():.4f}")

# 繪製 mAP 曲線
plt.figure(figsize=(10, 4))
plt.plot(df["metrics/mAP50(B)"],    label="mAP50")
plt.plot(df["metrics/mAP50-95(B)"], label="mAP50-95")
plt.xlabel("Epoch")
plt.ylabel("mAP")
plt.legend()
plt.title("mAP Training Curve")
plt.savefig("mAP_curve.png")
plt.show()

圖：讀取 results.csv 找出最佳 epoch 並繪製 mAP50 與 mAP50-95 的訓練曲線圖

💻 執行驗證取得詳細報告

訓練完成後，可單獨對驗證集執行評估取得更詳細的結果：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

# evaluate.py
import torch
from ultralytics import YOLO
import multiprocessing   # 加上這行

if __name__ == '__main__':
    # 解決 Windows multiprocessing 錯誤
    multiprocessing.freeze_support()

    # 載入模型
    model = YOLO("runs/detect/custom_detector/weights/best.pt")

    # 執行驗證（強制關閉多進程，避免 Windows 問題）
    metrics = model.val(
        data="data.yaml",
        device=0 if torch.cuda.is_available() else "cpu",
        workers=0,           # ← 關鍵！設成 0 比較穩定
        batch=16,            # 可根據你的顯卡調整（太大也會出問題）
        imgsz=640,           # 如果你訓練時用其他尺寸，可以指定
        plots=True           # 想產生 confusion_matrix 等圖片就開啟
    )

    # 印出指標
    print(f"mAP50：    {metrics.box.map50:.4f}")
    print(f"mAP50-95： {metrics.box.map:.4f}")
    print(f"Precision：{metrics.box.mp:.4f}")
    print(f"Recall：   {metrics.box.mr:.4f}")

    print("\n各類別 AP50：")
    for i, (name, ap) in enumerate(zip(metrics.names.values(), metrics.box.ap50)):
        print(f"  {name}: {ap:.4f}")

圖：載入最佳模型對驗證集執行評估，輸出 mAP50、mAP50-95、Precision、Recall 及各類別 AP50

🔎 val_batch 視覺化

val_batch0_labels.jpg 與 val_batch0_pred.jpg 是驗證集第一批次的對照圖：

• Labels：實際標註的邊界框
• Pred：模型預測的邊界框

直接比較這兩張圖，能快速判斷模型的偵測品質與定位精度。

💡 本範例說明：這裡使用的標籤是以預標籤（Pre-labeling）方式自動生成，並未使用 LabelImg 逐一手動修正，因此 Labels 圖中可以看到部分標記有誤（例如邊界框位置不準或類別標錯）。這也說明了標註品質對訓練結果的影響——如果 Labels 本身就有錯，模型學到的也會是錯誤的邊界框位置，進而拉低 mAP。

圖：val_batch0_labels.jpg — 驗證集實際標註的邊界框（因使用預標籤且未手動修正，部分標記有誤）

圖：val_batch0_pred.jpg — 模型預測的邊界框，與上圖對照判斷偵測品質

⚠️ 注意事項

• mAP 低不一定代表模型差：如果資料量少、類別困難、或標註品質差，mAP 自然偏低，先確認資料品質。
• best.pt 與 last.pt 的差異：best.pt 是 mAP 最高的 epoch，不一定是最後一個 epoch。建議以 best.pt 部署。
• Early Stopping 後的 last.pt：若訓練因 Early Stopping 提早結束，last.pt 是停止時的狀態，不一定是最好的，還是要用 best.pt。

🎯 結語

學會解讀訓練結果，才能有效判斷模型是否需要更多資料、更長訓練時間，或調整超參數。
下一步是 YOLOv8 推論與匯出，把訓練好的模型實際應用在圖片、影片或即時攝影機上。

📖 如在學習過程中遇到疑問，或是想了解更多相關主題，建議回顧一下 Python | OpenCV 系列導讀，掌握完整的章節目錄，方便快速找到你需要的內容。

註：以上參考了
Ultralytics YOLOv8 官方文件 — Val
Ultralytics YOLOv8 官方文件 — Train
Mean Average Precision — 物件偵測評估指標說明