昨天我們完成了推論視覺化，今天我們回到理論：當模型畫出了框，我們該如何客觀評估它到底學得好不好？

核心評估指標拆解

評估目標偵測模型，不能只看簡單的正確率，必須看以下三大指標：Precision（精準率）： 模型「說是機場的框」裡面，有多少真的是機場？$$\text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}}$$Recall（召回率）： 全圖真正的機場裡，模型抓到了多少？$$\text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}}$$mAP@0.5（平均平均精準度）： IoU 門檻設為 $0.5$ 時，Precision-Recall 曲線下的面積（最核心的綜合指標）。

診斷過擬合（Overfitting）現象

回顧我們之前產出的 results.png 與 confusion_matrix.png：

訓練集 Loss 一直降，但驗證集 Loss 上升/震盪： 代表模型開始「背答案」，只記住訓練集那幾張圖的細節。

False Positives (FP=11) 過高： 模型極度敏感，把許多類似跑道的地景（如高速公路）誤判為機場。

這就是標準的 Overfitting。

三種過擬合防禦方法

在遙測影像小資料集下，解決過擬合有三個黃金招式：

資料增強（Data Augmentation）：
利用旋轉（Random Rotation）、翻轉（Flip）、Mosaic 拼貼，讓模型每次看到的機場角度與背景都不同。

加入負樣本（Negative Samples）：
在訓練集中加入「沒有機場」的衛星圖（只有農田、大海、城市），訓練模型學會「說不」，降低 FP 誤報率。

早停機制（Early Stopping）：
當驗證集 Loss 連續數個 Epoch 不再下降時，自動停止訓練，防止模型過度擬合。

小結

今天我們搞懂了評估模型的 key metrics，也找到了 Day 10 模型的過擬合病因。

明天我們將進入實作篇：調整超參數（Hyperparameter Tuning）與增強設定，重新訓練出更高精準度、低誤報率的 YOLOv8 機場偵測模型，那我們明天見。