目录
📊 训练结果分析 三个指标含义
txt标注文件格式
class_id x_center y_center width height
示例：1 0.3667 0.5 0.2067 1.0
- 1 = 类别1（裂缝类型）
- 0.3667 = 目标中心X坐标（归一化0-1，相对于图片宽度）
- 0.5 = 目标中心Y坐标（归一化0-1，相对于图片高度）
- 0.2067 = 目标框宽度（归一化）
- 1.0 = 目标框高度（归一化）
IoU 与 YOLO 算法原理详解
目录
IoU (Intersection over Union) 交并比
定义
IoU 是衡量预测框与真实框重叠程度的指标：
交集面积 (Intersection) IoU = ───────────────────────────── 并集面积 (Union)
直观理解
想象两个矩形框：预测框是模型猜的位置，真实框是标注的正确位置。
真实框 (Ground Truth) 预测框 (Prediction) ┌──────────┐ ┌──────────┐ │ │ 交集区域 │ │ │ ┌─────┼─────────┐ │ │ │ │ │ │ │ │ │ │ ██████ │ │ │ ← 重叠部分（交集） │ │ ██████ │ │ │ │ └─────┼─────────┘ │ │ │ │ │ │ └──────────┘ └──────────┘ IoU = 黑色区域面积 / (两个框总面积 - 黑色区域面积)
IoU 值含义
| IoU 值 | 含义 | 检测质量 |
|---|---|---|
| 1.0 | 完全重合 | 完美检测 |
| 0.7 | 70% 重叠 | 优秀 |
| 0.5 | 50% 重叠 | 一般（常用阈值） |
| 0.3 | 30% 重叠 | 较差 |
| 0 | 无重叠 | 完全错误 |
为什么 IoU=0.5 是常用阈值？
- 平衡性：既要求预测框大致正确，又允许一定误差
- 工程实践：人工标注也有误差，不能太严格
- COCO 标准：目标检测竞赛常用 0.5 作为判断正例的阈值
YOLO 算法原理
核心思想："You Only Look Once"
传统目标检测（如 R-CNN）：
图片 → 生成候选框 → 对每个框分类 → 结果 [两步流程，慢]
YOLO：
图片 → 神经网络一次性预测所有目标 → 结果 [一步完成，快]
关键创新：把目标检测当作回归问题，直接从图片像素预测边界框坐标和类别概率。
YOLO 工作流程
步骤 1：网格划分 (Grid Division)
将输入图片划分为 S × S 的网格（如 7×7）：
┌──┬──┬──┬──┬──┬──┬──┐ │ │ │ │ │ │ │ │ ├──┼──┼──┼──┼──┼──┼──┤ │ │ │🐶│ │ │ │ │ ← 狗的中心落在这个格子 ├──┼──┼──┼──┼──┼──┼──┤ │ │ │ │ │ │ │ │ ├──┼──┼──┼──┼──┼──┼──┤ │ │ │ │🚗│ │ │ │ ← 车的中心落在这个格子 ├──┼──┼──┼──┼──┼──┼──┤ │ │ │ │ │ │ │ │ └──┴──┴──┴──┴──┴──┴──┘
规则：物体的中心落在哪个格子，那个格子就负责检测这个物体。
步骤 2：每个格子预测 (Per-Cell Prediction)
每个格子预测 B 个边界框，每个框包含：
| 参数 | 说明 | 范围 |
|---|---|---|
| x, y | 框中心相对于格子左上角的偏移 | 0~1 |
| w, h | 框的宽度和高度（相对于整图） | 0~1 |
| confidence | 置信度（该框包含物体的概率 × IoU） | 0~1 |
| C₁, C₂, ... Cₙ | 各类别的概率 | 0~1 |
单个格子输出向量： ┌─────────────────────────────────────────────────┐ │ [x₁, y₁, w₁, h₁, conf₁, x₂, y₂, w₂, h₂, conf₂, │ ← 两个框（B=2） │ P(cat), P(dog), P(car), ... ] │ ← 类别概率 └─────────────────────────────────────────────────┘
步骤 3：网络输出
最终输出是一个 3D 张量：
输出尺寸 = S × S × (B × 5 + C) S: 网格大小（如 7） B: 每个格子预测的框数（如 2） 5: x, y, w, h, confidence C: 类别数（如 4，对应你的裂缝数据集） 示例：7 × 7 × (2×5 + 4) = 7 × 7 × 14 = 686 个数值
步骤 4：网络架构
输入图片 (640×640×3) ↓ ┌─────────────────┐ │ 主干网络 (Backbone) │ ← 提取特征（卷积层） │ 如 CSPDarknet53 │ └─────────────────┘ ↓ 特征图 ↓ ┌─────────────────┐ │ 特征融合 (FPN/PAN) │ ← 多尺度特征融合 │ 检测不同大小目标 │ └─────────────────┘ ↓ ┌─────────────────┐ │ 检测头 (Detection Head) │ ← 预测框和类别 └─────────────────┘ ↓ 输出 (S×S×(B×5+C))
YOLO 的损失函数
训练时需要同时优化三个部分：
总损失 = λ₁ × 坐标损失 (MSE of x, y, w, h) + λ₂ × 置信度损失 (BCE of confidence) + λ₃ × 分类损失 (BCE of class probabilities)
| 损失类型 | 作用 | 计算公式 |
|---|---|---|
| 坐标损失 | 让预测框位置更准确 | (x_pred - x_true)² + (y_pred - y_true)² + (√w_pred - √w_true)² + (√h_pred - √h_true)² |
| 置信度损失 | 让模型学会判断有无物体 | 二值交叉熵 |
| 分类损失 | 让模型学会识别物体类别 | 多类别交叉熵 |
后处理：NMS (非极大值抑制)
问题：多个格子可能预测同一个物体，产生重叠框。
解决步骤：
1. 过滤低置信度的框（如 confidence < 0.25） 2. 按置信度从高到低排序 3. 选置信度最高的框，加入结果 4. 计算该框与其他所有框的 IoU 5. 去掉 IoU > 阈值（如 0.5）的框（认为是同一个物体） 6. 重复 3-5 直到没有框
示例：
初始预测： NMS后： ┌───┐┌───┐ ┌───┐ │ 1 ││ 2 │ │ 1 │ ← 保留最高置信度 │0.9││0.7│ │0.9│ └───┘└───┘ └───┘ ↓↓↓ IoU=0.8 去掉框2（重叠太多）
IoU 在 YOLO 中的应用
1. 训练时：判断正负样本
对于每个预测框： - 计算与所有真实框的 IoU - 取最大 IoU - 如果 Max(IoU) > 阈值(0.5)：正样本，参与坐标和分类学习 - 如果 Max(IoU) < 阈值：负样本，只学习置信度（置信度→0）
2. 推理时：NMS 去重
高 IoU 的框认为是同一个物体，只保留置信度最高的。
3. 评估时：计算 mAP
mAP50：IoU 阈值设为 0.5 时的平均精度 mAP50-95：IoU 阈值从 0.5 到 0.95 的平均精度（更严格）
YOLO 版本演进
| 版本 | 年份 | 主要改进 |
|---|---|---|
| YOLOv1 | 2016 | 开创性，首次提出单阶段检测 |
| YOLOv2 | 2017 | 引入 Anchor Boxes，Batch Normalization |
| YOLOv3 | 2018 | 多尺度预测（3个尺度），Darknet-53 |
| YOLOv4 | 2020 | 大量优化技巧（Mish激活、CIOU等） |
| YOLOv5 | 2020 | PyTorch实现，工程友好，Ultralytics |
| YOLOv8 | 2023 | Anchor-free设计，解耦头，C2f模块 |
| YOLOv10 | 2024 | 端到端检测，去除NMS，实时性更强 |
| YOLO26 | 2025 | 最新架构，你的训练模型 |
总结
IoU 是什么？
- 衡量两个框重叠程度的指标
- 范围 0~1，1 表示完全重合
- 常用阈值 0.5 判断检测是否正确
YOLO 怎么做检测？
- 把图片切成网格
- 每个格子预测多个框（位置+置信度+类别）
- 神经网络一次性输出所有预测
- 用 NMS 去除重复框
- 得到最终结果
两者的关系
- IoU 是 YOLO 的"评分标准"：判断预测好坏
- YOLO 是"考生"：不断调整使 IoU 越来越高
参考资源
文档创建时间：2026-05-14 基于 YOLO26 训练日志分析
本文作者:Deshill
本文链接:
版权声明:本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！
目录