先看输入#

我会先看对角线，再看非对角线里数值最大的格子。那里通常代表模型最分不清的类别组合。

我会先选少量图片做检查：一张正常图、一张边界图、一张容易失败的图。小样本跑通以后，再扩大到完整数据集。

示例代码#

1
from sklearn.metrics import confusion_matrix
2

3
cm = confusion_matrix(y_true, y_pred, labels=class_names)
4
print(cm)
5
# 再配合 heatmap 可视化查看高混淆类别

可视化验收#

• 保存至少一张中间结果图，而不是只打印数组形状。
• 检查坐标顺序，确认没有把 x/y 和 w/h 混用。
• 抽查失败样本路径，避免批量流程悄悄跳过坏图。
• 如果结果要进入训练集，记录数据版本和处理脚本版本。

常见误差来源#

常见误差来自类别样本不平衡、标注边界模糊、训练集和验证集分布不一致。

最小验收样例#

我会固定一组小样本作为回归检查集。每次改处理脚本或训练配置，都先跑这组样本，确认输出图片、标注框或预测结果没有出现明显退化。

视觉任务的验收不能只依赖成功退出码。最少要打开一张输出图，并把失败样本单独记录下来。这样后续定位问题时，能从具体图片回到具体处理步骤。

小结#

分类模型混淆矩阵怎么看 的关键是让每一步都有可视化证据。视觉任务最终要回到图像本身，不能只信日志和指标。