1.前言

经过多篇文章的梳理，基本上对一个目标检测的项目有了基本的了解，从数据收集、数据处理、数据标注、模型训练、模型预测都基本上有一个思路了，最后一步其实应该是模型应用，这部分我还是有些云里雾里的，就是如何把训练好的模型，应用在系统中。因为大部分的项目可能都是用 java 编写的，如何在已有项目中进行集成，又是一个问题，是使用 api 接口的形式，还是使用其他的项目形式，这个还真是一个点。

2.Java集成

3.切片推理

有些大图片，可以采用切片推理的方式，将大图片改成一个个小的图片，然后进行预测后，再重新合并，这就有点类似于对遥感影像进行推理的方案了。

4.结果分析

• 交并比（IoU）
  IoU 是一种量化预测边界框与地面实况边界框之间重叠程度的指标。它在评估物体定位的准确性方面发挥着重要作用。

• 平均精度 (AP)
  AP 计算精度-召回曲线下的面积，提供一个包含模型精度和召回性能的单一值。

• 平均精度（mAP）
  mAP 通过计算多个对象类别的平均精度值，扩展了 AP 的概念。这在多类物体检测场景中非常有用，可以全面评估模型的性能。

（1）mAP@0.5
即将IoU设为0.5时，计算每一类的所有图片的AP，然后所有类别求平均，即mAP。

（2）mAP@.5:.95
表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上的平均mAP。

• 精确度和召回率
  精度量化了所有阳性预测中的真阳性比例，评估模型避免假阳性的能力。另一方面，召回率计算的是真阳性预测在所有实际阳性预测中所占的比例，衡量的是模型检测出某类所有实例的能力。

• F1 分数
  F1 分数是精确度和召回率的调和平均值，在考虑假阳性和假阴性的同时对模型的性能进行均衡评估。

• F1 分数曲线 (F1_curve.png)
  该曲线表示 F1 分数 在不同的阈值之间。通过解读这条曲线，可以深入了解模型在不同阈值下假阳性和假阴性之间的平衡。

• 精度-召回曲线 (PR_curve.png)
  对于任何分类问题来说，这条曲线都是不可或缺的可视化图表，它展示了精确度与分类问题之间的权衡。 召回 在不同的阈值下。在处理不平衡类时，这一点变得尤为重要。

• 精度曲线 (P_curve.png)
  不同阈值下精度值的图形表示。该曲线有助于了解精度如何随着阈值的变化而变化。

• 召回曲线 (R_curve.png)
  相应地，该图说明了召回值在不同阈值下的变化情况。

• 混淆矩阵 (confusion_matrix.png)
  混淆矩阵提供了结果的详细视图，展示了每个类别的真阳性、真阴性、假阳性和假阴性的计数。

• 归一化混淆矩阵 (confusion_matrix_normalized.png)
  这种可视化是混淆矩阵的规范化版本。它以比例而非原始计数来表示数据。这种格式更便于比较不同类别的性能。

• 验证批次标签 (val_batchX_labels.jpg)
  这些图像描述了验证数据集中不同批次的基本真实标签。根据数据集，这些图像可以清楚地显示对象及其各自的位置。

• 验证批预测 (val_batchX_pred.jpg)
  与标签图像对比，这些视觉效果显示了YOLO11 模型对相应批次的预测结果。通过将这些图像与标签图像进行对比，您可以轻松评估模型对物体的检测和分类效果。