本文所有例子均用 Python 实算验证，v13 实测数据已同步更新。前言训练完 YOLOv13 看着满屏的 P、R、mAP50、mAP50-95、GFLOPs 分不清谁是谁？这篇把目标检测所有常用指标讲清楚，每个都配手算可验证的例子，并用 v13 的实测数据做示范。专栏目录：YOLOv13改进目录一览上一篇：yolov13.yaml 模型配置文件详细解读，改结构前必看一、混淆矩阵预测框命中需要：类别正确 + 与真值框 IoU ≥ 阈值。满足→TP；类别错或 IoU 不够→FP（误检）；真值没被命中→FN（漏检）。汇总成混淆矩阵，对角线越亮越好。ultralytics 训练完自动生成confusion_matrix.png。二、IoU$$IoU = \frac{|A \cap B|}{|A \cu YOLOv13改进策略【基础篇】| 评价指标详解：混淆矩阵、IoU、mAP、F1、参数量、计算量一文打尽
本文所有例子均用 Python 实算验证，v13 实测数据已同步更新。前言训练完 YOLOv13 看着满屏的 P、R、mAP50、mAP50-95、GFLOPs 分不清谁是谁？这篇把目标检测所有常用指标讲清楚，每个都配手算可验证的例子，并用 v13 的实测数据做示范。专栏目录：YOLOv13改进目录一览上一篇：yolov13.yaml 模型配置文件详细解读，改结构前必看一、混淆矩阵预测框命中需要：类别正确 + 与真值框 IoU ≥ 阈值。满足→TP；类别错或 IoU 不够→FP（误检）；真值没被命中→FN（漏检）。汇总成混淆矩阵，对角线越亮越好。ultralytics 训练完自动生成confusion_matrix.png。二、IoU$$IoU = \frac{|A \cap B|}{|A \cu