3. 模型评估指标体系（下）：F1-Score、混淆矩阵、PR曲线与ROC曲线、推理速度指标与模型复杂度指标
上一节我们聊了mAP和IoU，那是YOLO评估的“面子”。但一个模型能不能真正落地，光看mAP可不够。这一节我们深入底层，把剩下的评估指标一次性讲透。这些指标，说白了就是帮你回答三个问题：模型到底哪里好哪里差？跑得快不快？资源吃得多不多？
3.1 混淆矩阵：模型诊断的X光片
混淆矩阵，我习惯叫它“模型诊断的X光片”。它把预测结果和真实标签放在一个表格里，让你一眼看出模型在哪些类别上犯了糊涂。
对于YOLO这种多类别检测器，混淆矩阵通常是 C × C 的方阵（C是类别数）。对角线是正确预测，非对角线就是“张冠李戴”。
| 真实\预测 | 行人 | 汽车 | 自行车 |
|---|---|---|---|
| 行人 | 85 | 5 | 10 |
| 汽车 | 3 | 92 | 5 |
| 自行车 | 12 | 8 | 80 |
你看这个例子，模型把10个行人误判成了自行车。为什么会这样？我在项目中遇到过类似情况，后来发现是训练数据里行人和自行车的样本比例严重失衡，而且两者在图像中经常同时出现。嗯，这就是混淆矩阵的价值——它告诉你问题出在哪，而不是只给你一个分数。
3.2 F1-Score：精度与召回率的调和平均
精度（Precision）和召回率（Recall）是一对冤家。你提高精度，召回率往往下降；你追求召回率，精度又保不住。F1-Score就是来调和这对矛盾的。
公式很简单：
F1 = 2 * (Precision * Recall) / (Precision + Recall)F1的取值范围是0到1，越接近1说明模型在精度和召回率之间取得了更好的平衡。我个人习惯在模型调优时，把F1作为主要参考指标之一，尤其是当正负样本不均衡时。
举个例子：
- 模型A：Precision=0.9, Recall=0.5 → F1=0.64
- 模型B：Precision=0.7, Recall=0.7 → F1=0.70
模型B的F1更高，说明它更“均衡”。虽然模型A的精度很高，但它漏掉了一半的目标，这在很多场景下是不可接受的。
3.3 PR曲线与ROC曲线：模型的“性格画像”
PR曲线和ROC曲线，都是通过改变置信度阈值来观察模型性能的变化。但它们看问题的角度不同。
PR曲线（Precision-Recall Curve）
PR曲线以召回率为横轴，精度为纵轴。曲线下的面积（AP）就是我们在上一节讲的平均精度。PR曲线对正负样本不均衡非常敏感，所以YOLO这类目标检测任务，官方评估标准就是基于PR曲线的mAP。
ROC曲线（Receiver Operating Characteristic Curve）
ROC曲线以假正率（FPR）为横轴，真正率（TPR，即召回率）为纵轴。曲线下的面积叫AUC。ROC曲线对样本不均衡不那么敏感，更适合分类任务。
你想想看，为什么YOLO不用ROC？因为目标检测中，负样本（背景）的数量远远大于正样本（目标）。ROC曲线在这种极度不均衡的情况下会过于乐观，而PR曲线能更真实地反映模型在目标检测上的表现。
3.4 推理速度指标：FPS与Latency
模型再准，跑不动也是白搭。推理速度是YOLO落地的生命线。
| 指标 | 全称 | 含义 | 单位 |
|---|---|---|---|
| FPS | Frames Per Second | 每秒处理的图像帧数 | 帧/秒 |
| Latency | 延迟 | 单张图像从输入到输出的时间 | 毫秒 (ms) |
FPS和Latency是倒数关系，但要注意：FPS是平均吞吐量，Latency是单次响应时间。在实时视频流场景（比如自动驾驶），Latency比FPS更重要。为什么？因为FPS高但Latency抖动大，会导致某些帧处理时间过长，造成卡顿。
我记得有一次做边缘端部署，模型在PC上跑30 FPS，但换到Jetson Nano上只有8 FPS。后来通过TensorRT优化和模型剪枝，才勉强达到15 FPS。嗯，这里要注意：推理速度一定要在目标硬件上测，不要只看里的数字。
3.5 模型复杂度指标：FLOPs与Params
这两个指标衡量的是模型的理论计算量和存储开销。
- Params（参数量）： 模型所有可学习参数的总数。单位通常是M（百万）。参数量越大，模型文件越大，对内存的要求越高。
- FLOPs（浮点运算次数）： 模型进行一次前向推理所需的浮点运算次数。单位通常是G（十亿）。FLOPs越大，理论计算量越大，对算力的要求越高。
举个例子，YOLOv8n的参数量大约3.2M，FLOPs约8.7G；而YOLOv8x的参数量约68.2M，FLOPs约257.8G。你看，大模型的参数量和计算量都是小模型的20倍以上。
3.6 本章知识体系总览
下面这张图把本章的核心指标和它们之间的关系梳理清楚了。你可以把它当作评估模型的“检查清单”。
这张图把本章的指标分成了三大类：性能质量、推理速度和模型复杂度。你想想看，一个真正可用的YOLO模型，必须在这三个维度上都达到要求。只追求mAP高，结果模型跑不动；只追求速度快，结果精度惨不忍睹——这两种极端我都见过。