# val/box_loss(框損失)
用來表示在驗證數據集上，預測邊界框（bounding box）與真實框之間的誤差，box_loss越小表示預測的框越接近真實框，數值越低越好。應該要<=0.1
#### 計算方式
通常通過L2損失（均方誤差, MSE）或IoU損失（交並比, Intersection over Union）來計算。
#### yolo損失組成
* 中心點損失
預測與真實框中心點誤差，通常基於L2損失。
* 寬高損失
預測與真實框寬度與高度誤差，通常基於L2損失。
* IoU損失
計算預測框與真實框交集與聯合的比值，數值介於0到1之間，越高越好。
#### 如何優化
* 增加數據量
* 調整學習綠
* 數據增強
---
# val/dfl_loss(DFL 回歸預測的損失值)
驗證數據集集上 DFL 回歸預測的損失值。表示表示模型在驗證集上對物體的邊界框進行細緻回歸時的誤差，數值越小表示模型預測越精細，數值應<=0.1。
#### 計算
DFL 使用一個離散化策略來處理回歸問題：

* 將連續的邊界框參數（如 x, y, w, h）離散化成固定數量的 bins，這些 bins 覆蓋參數的可能取值範圍。
* 每個 bin 中的值表示該參數落入該範圍的概率。
* 預測的框參數是根據這些概率進行加權平均計算得出的，這個過程讓模型能 夠精確地捕捉物體的邊界框位置和大小。

#### dfl_loss和box_loss差異
dfl會比box更加精細，box通常用於基本目標檢測，dfl目標是能在某些更複雜環境取得更好的性能。

#### 如何優化
* 增加數據量
* 改善數據增強

---
# cla_loss(Classification Loss 分類損失)
除了預測物體的邊界框，還需要預測這個邊界框內的物體屬於哪一個類別。cls_loss 的主要目標是確保模型預測的類別與真實標籤（ground truth）之間的差距最小化。
模型檢測到物體，正確識別並分類。

---
# precision(精準度)
衡量了模型在檢測到的所有物體中，正確分類為某類物體的比例
#### 定義
混淆矩陣:

公式如下:
$$ Precision= \frac{TP}{TP+FP}$$

* TP (True Positive): 模型正確預測的正樣本
* FP (False Positive): 模型錯誤預測為正樣本的負樣本

(因為類別只有一類，精度往往會特別高，故要配合其他指標)

---

# F1-Confidence
衡量分類模型性能的重要指標，它綜合了精度（Precision）和召回率（Recall），用來評估模型在處理正負樣本時的表現

#### 計算公式:
$$F1=2×\frac {Precision+Recall}{Precision×Recall}$$

* Precision:表示模型預測的正樣本中有多少是正確的（即真實為正）
* Recall:表示所有應檢測的正樣本中有多少被正確檢測出來

***主要表示在特定置信度下時的精準度***

---

# mAP50-95
衡量模型在多個 IoU（Intersection over Union）閾值下的平均準確度（AP, Average Precision）

* AP是模型的精度和召回率之間的關係
* mAP 為平均值

#### 計算方式
mAP50-95，表示IoU閾值從0.50 到0.95，0.05為一個增量，計算的平均AP

數值越接近1表示模型定位框越精準

---
因為只有一個類別，所以precision和recall都很高，可以觀察mAP50-95這張圖表，衡量模型在多個 IoU（Intersection over Union）閾值下的平均準確度（AP, Average Precision）。

$$ IoU = \frac{檢測框和真實框的交集}{檢測框和真實框的聯集} $$

具體來說，它會在0IoU閾值從0.50到0.95之間（間隔 0.05）的10個不同 IoU閾值進行評估，並且每個IoU 閾值下計算一個AP值，然後取這10個AP 值的平均值，這就是mAP50-95，因此可以更全面反映模型的性能。

因為資料集不夠導致模型準確率下降