YOLO 误报与漏报 · 系统性排查课程目录

误报与漏报基础概念

定义、分类、在YOLO中的表现形式

数据质量排查

标注错误、数据不平衡、背景噪声对检测的影响

模型过拟合与欠拟合

训练曲线判断及误报漏报特征

锚框(Anchor)设置不当

锚框尺寸与目标不匹配导致的漏检

NMS阈值调优

IoU阈值与置信度阈值对误报漏报的权衡

特征金字塔(FPN/PAN)问题

多尺度特征融合不足导致的小目标漏检

损失函数分析

分类/定位/置信度损失对误报漏报的贡献

数据增强策略

Mosaic、MixUp等增强对误报率的影响

类别不平衡处理

Focal Loss、OHEM在YOLO中的应用

Test Time Augmentation 降低漏报

模型剪枝与量化

轻量化对检测精度的影响，误报漏报变化

部署环境差异

训练与部署(TensorRT/ONNX)导致的精度损失

视频流检测中的时序抖动

帧间误报与漏报的统计滤波方法

多类别检测中的混淆

相似类别误报，类别权重调整

小目标检测专项

YOLO对小目标漏报原因及改进(添加检测头)

遮挡与截断目标

密集场景漏报，Repulsion Loss等

光照与天气变化

鲁棒性不足导致的误报，数据增强与归一化

背景识别为目标的常见原因，Negative Mining

多模型投票、WBF(加权框融合)降低误报漏报

伪标签与自训练

利用未标注数据降低漏报

针对高误报/高漏报样本的定向标注

误报漏报量化指标

mAP、F1-score、PR曲线、混淆矩阵深度解读

可视化分析工具

Grad-CAM、特征图可视化定位根因

日志与监控系统

训练与推理过程误报漏报实时监控

A/B测试与回归测试

模型更新后误报漏报对比验证

业务规则后处理

基于业务逻辑的误报过滤(尺寸/位置约束)

边缘案例(Edge Case)收集

长尾分布下的误报漏报专项治理

跨数据集泛化

训练集与测试集分布不一致导致的漏报

模型版本管理

误报漏报可追溯性，MLflow等工具

综合案例实战

从数据到部署，系统性排查解决实际项目误报漏报