计算机视觉 / 系统课时

解读训练曲线

解读训练曲线

训练完成后,不能只看最后一轮日志判断模型好坏。本课建立一套固定读图顺序,把训练损失、验证损失与 mAP 曲线组合起来,定位正常收敛、欠拟合和过拟合,并选择更可靠的最佳轮次。

学习目标

  • 识别正常收敛、欠拟合和过拟合的典型曲线形态
  • 按固定顺序联合解读训练损失、验证损失与 mAP
  • 使用验证集主指标定位最佳轮次并制定处理措施

先对齐每条曲线的含义

YOLOv5 训练记录通常包含训练集与验证集的 box、obj、cls 损失,以及 Precision、Recall、mAP50 和 mAP50-95。损失一般越低越好,指标一般越高越好,但不同损失项的数值尺度不同,不能横向比较谁“更大”。

训练损失反映模型对已见样本的拟合程度,验证损失与验证指标反映泛化能力。判断状态时必须看趋势和差距,而不是只看单个点。前几轮波动较大属于常见现象,应重点关注中后段是否稳定。

三种典型曲线形态

正常收敛时,训练损失和验证损失整体下降并逐渐趋稳,mAP 持续上升后进入平台期。两类损失不必完全重合,只要验证指标没有持续恶化,适度间隔并不等于过拟合。

欠拟合时,训练损失和验证损失都处于相对高位,mAP 较低,模型连训练数据中的规律也没有充分学到。常见原因包括训练轮次不足、模型容量不足、学习率不合适、输入分辨率过低或标注噪声较大。

过拟合时,训练损失继续下降,但验证损失开始回升,mAP 在达到峰值后持续下降。此时最后一轮通常不是最佳模型,应回到验证主指标最高的轮次,并进一步处理数据量、增强方式或模型复杂度。

正常收敛、欠拟合与过拟合的训练曲线对比

固定的曲线阅读顺序

先看 mAP50-95 是否仍在上升、已经进入平台,还是出现持续回落;它比 mAP50 更能反映定位质量。然后检查验证损失是否与指标方向一致,再比较训练损失和验证损失的间隔是否持续扩大。

接着定位峰值发生的具体轮次,而不是凭最后几个点目测。最后再检查异常波动:若曲线锯齿明显,应核对验证集规模、类别分布、批量大小和学习率,避免把随机波动误判为趋势。

用代码定位最佳轮次

下面用一组简化历史数据演示如何查找最佳 mAP50-95 轮次,并检测训练损失下降、验证损失连续上升的过拟合信号。

python
epochs = list(range(1, 9))
train_box_loss = [0.120, 0.090, 0.070, 0.055, 0.045, 0.038, 0.032, 0.028]
val_box_loss = [0.130, 0.100, 0.080, 0.065, 0.060, 0.064, 0.072, 0.082]
map50_95 = [0.180, 0.340, 0.470, 0.560, 0.610, 0.620, 0.600, 0.570]

best_index = max(range(len(epochs)), key=map50_95.__getitem__)
min_val_index = min(range(len(epochs)), key=val_box_loss.__getitem__)

# 连续三个点用于识别后期方向,避免只凭一次抖动下结论。
train_keeps_falling = all(
    left > right
    for left, right in zip(train_box_loss[-3:-1], train_box_loss[-2:])
)
val_keeps_rising = all(
    left < right
    for left, right in zip(val_box_loss[-3:-1], val_box_loss[-2:])
)

diagnosis = (
    "训练损失继续下降而验证损失连续上升,后期出现过拟合迹象"
    if train_keeps_falling and val_keeps_rising
    else "暂未发现明确的后期过拟合趋势"
)

print(
    f"最佳 mAP50-95 轮次: epoch {epochs[best_index]}, "
    f"score={map50_95[best_index]:.3f}"
)
print(
    f"最低验证 box_loss 轮次: epoch {epochs[min_val_index]}, "
    f"loss={val_box_loss[min_val_index]:.3f}"
)
print(f"诊断: {diagnosis}")

预期输出

text
最佳 mAP50-95 轮次: epoch 6, score=0.620
最低验证 box_loss 轮次: epoch 5, loss=0.060
诊断: 训练损失继续下降而验证损失连续上升,后期出现过拟合迹象

根据诊断采取措施

曲线表现 优先处理
最后一轮指标仍稳定上升 适当延长训练,并观察验证指标是否继续改善
训练与验证表现都较差 检查标签质量、类别难度、输入尺寸、模型容量和学习率
训练改善但验证持续恶化 使用最佳轮次权重,增加有效数据或增强,必要时降低模型复杂度
曲线剧烈波动 扩充或重新划分验证集,检查小批量和过高学习率

最佳权重应由验证集主指标决定,不要默认使用最后一轮权重。实际项目还要结合目标类别 AP、推理速度和业务误检漏检成本,避免只追求单一曲线最高点。

本课总结

  • 曲线判断必须联合训练损失、验证损失和验证指标,不能只看最后一轮
  • 训练改善而验证持续恶化,是过拟合最有价值的组合信号
  • 最佳轮次应以验证集主指标峰值为依据,并结合业务约束复核

下一课预告

下一课将进入误差分析,把低指标进一步拆成漏检、误检、错分类和定位偏差,并据此确定数据或模型的改进优先级。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

解读训练曲线

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通