1、误报与漏报基础概念：定义、分类、在YOLO中的表现形式

做目标检测的人，早晚都会遇到两个让人头疼的问题——误报和漏报。

我记得刚入行那会儿，调了一个星期的YOLOv5模型，跑测试集一看，检测框倒是画得满满当当，可仔细一瞧，一半都是错的。草坪上的影子被识别成“狗”，路灯杆被当成“人”。当时我就意识到：光看mAP没用，得把误报和漏报拆开来看。

这一章，咱们就把这两个概念彻底聊透。

1.1 什么是误报？

误报（False Positive，FP），说白了就是模型把不是目标的东西当成了目标。

你想想看，一张图片里明明没有“猫”，模型却画了个框，自信满满地告诉你“这是猫”。这就是误报。

在YOLO的输出中，误报通常表现为：

• 检测框的置信度分数较高（比如0.85以上）
• 但框内实际内容与标签类别完全不匹配
• 或者框内根本没有目标物体

1.2 什么是漏报？

漏报（False Negative，FN），就是模型漏掉了本该检测到的目标。

举个例子：一张街景照片里明明有三个人，模型只检测出两个，第三个被完美忽略了。这就是漏报。

YOLO中的漏报常见形式：

• 目标物体存在，但模型没有生成任何检测框
• 生成了检测框，但置信度低于阈值被过滤掉了
• 多个目标靠得太近，模型只检测出其中一个

1.3 误报与漏报的分类

我个人习惯把误报和漏报再细分一下，这样排查起来更有针对性。

误报的三种常见类型

类型	描述	我在项目中遇到的例子
背景误报	模型把背景纹理、阴影、反光等误认为目标	停车场地面上的水渍被识别成“车辆”
类间误报	模型把A类目标误识别为B类	把“摩托车”识别成“自行车”
重复误报	同一个目标被多次检测，产生多个框	NMS没压住，一个人身上叠了三个框

漏报的三种常见类型

类型	描述	我在项目中遇到的例子
小目标漏报	尺寸过小的目标无法被有效检测	远处的人、小动物、小零件
遮挡漏报	目标被部分遮挡时模型无法识别	人群中只露出半张脸的人
低置信度漏报	模型检测到了，但分数低于阈值被丢弃	模糊、暗光、运动模糊下的目标

1.4 在YOLO中的具体表现形式

YOLO的检测流程跟传统两阶段检测器不太一样。它一次性完成目标定位和分类，所以误报和漏报的表现也有自己的特点。

YOLO误报的典型表现

• 特征图上的响应异常：某个网格的类别概率向量出现尖峰，但实际该位置没有目标
• 锚框匹配错误：背景区域的特征与某个锚框的尺寸、形状恰好匹配，导致模型误判
• 多尺度融合带来的噪声：FPN/PANet在融合不同尺度特征时，可能把浅层的纹理噪声放大

YOLO漏报的典型表现

• 小目标在深层特征图中消失：YOLO的下采样倍数较大（通常是32倍），小目标在深层特征图中可能只剩1-2个像素
• 密集场景下的NMS过度抑制：两个目标靠得太近，NMS把其中一个框当作重复框给删掉了
• 类别不平衡导致：某些类别样本太少，模型干脆“懒得”检测它们

1.5 为什么要把误报和漏报分开看？

嗯，这里要注意一个关键点：误报率和漏报率往往是此消彼长的。

你降低置信度阈值，漏报会减少，但误报会增加。反过来，提高阈值，误报减少，漏报却上来了。

所以，在实际项目中，你不能只看一个指标。我一般会同时看：

• Precision（精确率）：检测出的目标中，有多少是对的 → 反映误报情况
• Recall（召回率）：所有真实目标中，有多少被检测出来了 → 反映漏报情况
• F1 Score：两者的调和平均，帮你找到一个平衡点

说白了，你要根据业务场景来决定“容忍哪一边”。

• 自动驾驶场景：漏报的代价远大于误报（漏掉一个行人可能出事故）
• 安防监控场景：误报太多会让值班人员麻木（狼来了的故事）

1.6 一个小实验帮你理解

我建议你动手做个小测试。拿一张只有背景的图片（比如纯色墙壁），用你训练好的YOLO模型去检测。看看它会不会输出检测框。

如果输出了，那就是典型的背景误报。

再拿一张包含大量小目标的图片（比如远处的人群），看看模型能检测出几个。如果漏掉很多，那就是小目标漏报。

这两个实验，能让你快速摸清自己模型的“脾气”。