conf 影响低置信度框#

conf 越高，输出框越少，误检可能减少，但漏检可能增加。conf 越低，能看到更多候选框，但也会带来更多噪声。

1
yolo detect predict model=best.pt source=images conf=0.25

iou 影响重叠框合并#

iou 用于非极大值抑制。多个框重叠同一个目标时，NMS 会保留更合适的框。阈值设置不当时，可能出现重复框或过度合并。

1
yolo detect predict model=best.pt source=images conf=0.25 iou=0.7

调参顺序#

我一般先固定 iou，调整 conf 看漏检和误检变化；再根据重复框情况微调 iou。每次只改一个参数，避免不知道结果变化来自哪里。

记录实验#

• 参数组合。

• 输出框数量。

• 典型漏检图片。

• 典型误检图片。

• 是否满足业务场景更看重召回还是精度。

实战复盘#

把《YOLO conf 与 iou 参数》用于真实视觉项目时，我会先做可视化抽查。图像任务里很多错误不会抛异常，例如颜色通道反了、检测框偏移、标签和图片不同步，但一张可视化结果就能暴露。

每个处理步骤都应该保存少量中间结果：原图、处理后图片、mask、绘制框图片或预测输出。不要只保存最终模型指标，因为指标无法告诉你是哪一步把数据处理坏了。

如果文章涉及批量处理，还要记录成功数量、失败数量和失败样本路径。视觉项目的数据量一大，没有失败清单就很难复查。

最小验收样例#

验收《YOLO conf 与 iou 参数》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#

conf 和 iou 是预测后处理参数。调它们要围绕误检、漏检和重复框做对比，而不是凭感觉选一个数。