盲人障碍物YOLOv11训练结果分析

损失函数（Loss Functions）

损失函数是用于评估模型预测值与真实标签之间差异的度量标准，它在很大程度上决定了模型的优化方向和最终性能。

• 定位损失（Box Loss）：衡量预测边界框与真实标定框之间的误差，通常使用广义交并比（GIoU）作为度量标准。此值越小，表示定位精度越高。
• 置信度损失（Objectness Loss）：用于计算模型对目标存在的置信度，值越小，意味着目标存在的判定越为精确。
• 分类损失（Classification Loss）：评估锚框与其对应的标签类别的匹配程度，越小表示分类精度越高。

评估指标

• 精度（Precision）：表示正确识别为正类的样本占所有被判定为正类样本的比例。公式为：

  Precision=TPTP+FPPrecision=TP+FPTP​

  ，其中TP为真正例，FP为假正例。

• 召回率（Recall）：表示实际为正类的样本中，模型能够正确识别出来的比例。公式为：

  Recall=TPTP+FNRecall=TP+FNTP​

  ，其中FN为假负例。召回率强调的是模型对真实正样本的检出能力。

平均精度均值（mAP）

mAP是综合考量精度（Precision）与召回率（Recall）之间平衡的一个重要指标。在目标检测任务中，mAP被用作衡量检测模型在不同条件下表现的标准，具体计算方式是通过在不同的IoU（Intersection over Union）阈值下，绘制精度与召回率的曲线图，计算其下方的面积。<