模型评估与优化

当前项目中的模型评估主要发生在模型列表页、模型详情页、版本列表页。

模型训练主要指标解析

模型相关页面已能展示以下指标：

• mAP(mAP@0.5)：模型在 “框的定位不算特别严格” 的情况下，整体的检测性能，是最常用的对比指标，越高越好。
• mAP50-95：综合了 “粗定位” 到 “精定位” 的所有场景，更能反映模型的综合定位能力。比单纯的 mAP（mAP@0.5）严格得多！
• Box Loss：衡量模型预测的物体框（位置、大小）和真实标注框之间的误差，Box Loss 高 → 模型定位不准，框歪歪扭扭、大小不对；Box Loss 下降并趋于稳定 → 模型的定位能力在不断优化。
• Class Loss：衡量模型对框内物体类别的判断误差。Class Loss 高 → 模型分类不准，容易认错物体类别；Class Loss 下降并趋于稳定 → 模型的分类能力在不断优化。
• 精准率：模型预测出来的框里，有多少是 “真的物体”
• 召回率：真实存在的物体里，有多少被模型找出来了

TIP

怎么结合这些指标判断模型训练状态？
训练过程中，正常的趋势应该是：
✅ Box Loss、Class Loss 持续下降并趋于稳定（误差越来越小，不再大幅波动）
✅ mAP、精准率、召回率 持续上升并趋于稳定（检测性能越来越好，不再明显提升）

如果出现这些情况，就要警惕了：
1、Loss 一直下降，但 mAP 不升反降 → 模型过拟合了（在训练集上误差很小，但泛化到验证集上性能很差）；
2、Box Loss 一直很高 → 模型定位能力弱，框不准，需要调整损失函数或数据增强；
3、Class Loss 一直很高 → 模型分类能力弱，认错率高，需要检查标注或类别不平衡问题；
4、mAP 高但召回率低 → 模型漏检多，很多真实物体没找到，可以适当降低置信度阈值；
5、mAP 高但精准率低 → 模型误报多，经常把背景当成物体，可以适当提高置信度阈值。

如何做版本对比

当前前端没有稳定的“多模型对比看板”说明，因此更可靠的做法是：

1. 记录每个模型所属版本
2. 对比各模型的 mAP、精准率、召回率
3. 使用同一组图片做详情页预览比对