當模型訓練和預測完成後，如何知道這個模型是好是壞呢？本篇將延續上一篇，從訓練過程指標圖，進一步解讀模型優劣，以及預測成果所代表的意義。

10.1. 訓練過程匯出成果

　　在前一篇最後的預測成果中，我們將下載檔案開啟，可以看見YOLOv8 所匯出訓練過程中的各種曲線圖、辨識成果快照等，如下圖10.1。

圖10.1 訓練過程匯出成果

10.2. 訓練成果常見指標

　　首先，我們在訓練過程中會看見每次訓練迭代(Epoch)都會輸出如下圖10.2的數據。其中，我們可以簡單了解主要四個常見的重要指標、以及results曲線圖所代表的涵義：

圖10.2 訓練迭代輸出數據

10.2.1. 精確率(Precision)

「模型猜對的比例有多少？」
例：模型抓到10個門，裡面有8個是真的門，precision 就是 8/10 = 80%。

10.2.2. 召回率(Recall)

「應該要抓到的門，模型漏掉多少？」
例：照片中有10個門，模型只找到6個，recall 就是 6/10 = 60%。

10.2.3. 平均精確率(mAP50/ mAP50-95)

　　這個指標是根據「模型預測框」和「正確答案框」的重疊程度（IoU）來判斷，就像你畫一個框，看跟正確答案重疊多少。完全重疊是100%，完全沒碰到就是0%。

• mAP50：當重疊率達到50%就算合格，計算平均分數。
• mAP50-95：則是把標準從50%~95%都要達標，是更嚴格的平均分數。

總之，mAP 分數越高，代表模型不只會抓對目標，連位置都標得很準～

10.2.4. F1分數(F1-score)

　　F1-score是精確率（precision）和召回率（recall）的綜合平均分數，是反映「兩邊都兼顧」的整體表現。舉例來說，假設圖像裡有 10 扇門都正確標記，模型只抓到了 2 扇門，且沒有誤抓（沒有把不是門的東西當成門）：

• 召回率（recall）= 2/10 = 20% （該抓的只抓到兩個）
• 精確率（precision）= 2/2 = 100%（找到的兩個全都對）

　　雖然這個模型的精確率很高，但實際上遺漏了許多應該要抓到的門，所以用 F1-score 綜合評分後，結果只有 33.3 分（若以 100 分為滿分），可以說「分數被拖低了」，因為只重視其中一個指標是不夠的。

圖10.3 F1-score公式

10.3. 預測結果說明

　　最後，若要綜觀整個模型的訓練狀況，例如本案例中results曲線圖，其部分曲線有呈現局部上下起伏的情況， 這通常是在某些訓練迭代時，資料集裡剛好出現比較難辨識的影像，讓 loss 暫時升高；反之，若遇到容易的資料則 loss 會暫時降低。
　　因此，曲線偶爾上下起伏是正常的，只要整體趨勢是「loss 下降、mAP 上升」，就不用太在意小幅起伏。但若長時間無法改善、或指標反常，就應該檢查資料集或調整訓練參數。

圖10.4 results曲線圖

10.4. 模型驗證的流程

　　我們在前篇已有將訓練成果下載為壓縮檔，要進一步驟證模型效能，可以在Colab新增筆記本並按以下操作步驟：

Step1：安裝YOLO套件。

# 1. 安裝 YOLO
!pip install ultralytics

Step2：上傳已訓練best.pt權重檔。

# 2. 上傳 best.pt
print("請上傳你的 best.pt 權重檔案")
uploaded = files.upload()

Step3：上傳訓練資料集壓縮檔並解壓縮。

# 3.上傳並解壓縮資料集壓縮檔
print("請上傳你的資料集壓縮檔 (例如 dataset.zip)")
uploaded = files.upload()

import zipfile

# 自動抓取上傳的第一個zip檔案名稱
for filename in uploaded.keys():
    if filename.endswith('.zip'):
        zip_path = filename
        break
else:
    raise ValueError('請上傳一個 zip 檔案！')

# 解壓縮到 /content/
with zipfile.ZipFile(zip_path, 'r') as zip_ref:
    zip_ref.extractall('/content/')
print(f'已自動解壓縮 {zip_path} 到 /content/')

Step4：自動搜尋best.pt位置(再次確認路徑)。

# 4.自動搜尋 best.pt
from ultralytics import YOLO
import os

def find_bestpt(start_dir='/content'):
    for root, dirs, files in os.walk(start_dir):
        if 'best.pt' in files:
            return os.path.join(root, 'best.pt')
    raise FileNotFoundError("找不到 best.pt！")

bestpt_path = find_bestpt()
print(f'自動找到 best.pt 路徑：{bestpt_path}')

Step5：驗證模型。

# 5. 驗證模型 (假設你的 data.yaml 也在 /content)
model = YOLO(bestpt_path)
results = model.val(data='data.yaml', split='val')
print("Precision(Box(P)):", results.box.p)
print("Recall(R):", results.box.r)
print("mAP50:", results.box.map50)
print("mAP50-95:", results.box.map)

10.5. 結語

　　今天我們學習到預測結果所代表的各項意義，這是我們再優化調整訓練的關鍵基準，明天的內容，將進一步以大數據訓練過的案例成果，和現有模型做一個明確對照，帶你實際感受「調整後的成效」有多大差異。