保存预测结果#

1
yolo detect predict model=runs/detect/train/weights/best.pt source=images/val save=True save_txt=True save_conf=True

save_txt 会保存预测框文本，save_conf 会把置信度也写进去，方便后续统计。

看输出目录#

预测结果通常保存在 runs/detect/predict 或带编号的目录中。先打开可视化图片，不要只看终端输出。

统计预测数量#

1
from pathlib import Path
2

3
label_dir = Path("runs/detect/predict/labels")
4
counts = [len(p.read_text().splitlines()) for p in label_dir.glob("*.txt")]
5
print("images", len(counts))
6
print("avg boxes", sum(counts) / max(len(counts), 1))

错误案例分类#

• 漏检：目标存在但没有框。

• 误检：背景被框成目标。

• 类别错：框位置对，但类别错。

• 框不准：框偏大、偏小或偏移。

实战复盘#

复用《YOLO 预测结果检查》时，我会先用三到五张图片跑通流程，再扩大到完整数据集。小样本阶段要故意覆盖正常图、边界图和可能失败的图，而不是只选最干净的样本。

OpenCV 和 YOLO 相关步骤都要特别关注坐标和尺寸。图片数组常用高宽顺序，检测框常用 x/y 顺序，YOLO 又使用归一化中心点坐标，混用后不会总是报错，但结果一定会偏。

后续如果要写成更完整教程，可以补充输入目录结构、输出目录结构和一张可视化样例，让读者能直接对照自己的项目。

最小验收样例#

验收《YOLO 预测结果检查》时，我会固定三张图片：一张正常样例、一张边界样例、一张容易失败的样例。每次改代码都用这三张图跑一遍，并保存输出结果。

视觉流程的验收必须能用眼睛确认。只打印数组 shape 或命令成功不够，至少要保存一张中间结果图或最终可视化图，确认处理效果和预期一致。

小结#

预测结果检查要从可视化开始，再进入统计。只看 mAP 或终端日志，容易忽略实际使用中的错误类型。