YOLOv9评估模块怎么用？metrics计算与seaborn可视化
YOLOv9 官方版训练与推理镜像，不只是一个能跑起来的环境，更是一个开箱即用的完整评估工作台。很多用户在完成模型训练后，面对val.py或test.py生成的一堆.txt和.json文件不知所措——这些文件里到底藏着哪些指标？mAP 是怎么算出来的？Precision-Recall 曲线长什么样？混淆矩阵能不能画出来？本文不讲原理推导，不堆公式，只带你用最直接的方式：从镜像里已有的代码出发，提取真实评估结果、计算核心 metrics、用 seaborn 做出清晰专业的可视化图表。你不需要重装依赖、不用改配置、甚至不用下载额外数据——所有操作都在/root/yolov9目录下，5 分钟内就能看到第一张 PR 曲线图。
1. 先搞清楚：YOLOv9 的评估输出在哪、是什么
YOLOv9 官方代码中，评估流程主要由val.py驱动，它会在验证阶段自动保存三类关键输出：
- 预测结果文件：存于
runs/val/{name}/labels/，每个.txt对应一张图的检测框（class x_center y_center width height confidence） - COCO 格式 JSON：
runs/val/{name}/predictions.json，标准 COCO detection 格式，供 pycocotools 计算 - metrics 汇总文件：
runs/val/{name}/results.txt，纯文本，包含 mAP@0.5、mAP@0.5:0.95、Precision、Recall、F1 等核心数值
但注意：官方val.py默认不生成混淆矩阵、不保存 PR 曲线点、不输出 per-class 指标表格——这些都需要我们自己调用内部函数或补一小段代码来提取。好消息是：镜像里已经预装了seaborn、pandas、matplotlib，所有绘图能力就绪，只差一步“唤醒”。
2. 手动提取 metrics：从 results.txt 到结构化 DataFrame
results.txt是一行多列的空格分隔文本，格式固定但不易读。我们先把它变成可分析的表格。
2.1 解析 results.txt 获取基础指标
进入镜像后，执行以下命令查看当前评估结果（假设你已完成一次验证）：
cat runs/val/yolov9-s/results.txt你会看到类似这样的输出（截取前几行）：
Class Images Labels P R mAP50 mAP50-95: all 10000 32456 0.782 0.741 0.762 0.521 class0 1000 3245 0.791 0.748 0.769 0.528 class1 1000 3245 0.773 0.734 0.755 0.514现在，我们写一段轻量 Python 脚本，把这堆文字转成 pandas DataFrame，方便后续筛选和绘图：
# save as parse_results.py in /root/yolov9 import pandas as pd import re def parse_results_txt(path): with open(path, 'r') as f: lines = f.readlines() # 跳过表头行，找实际数据行 data_lines = [] for line in lines: if re.match(r'^\s*(all|class\d+)\s+', line.strip()): parts = line.strip().split() if len(parts) >= 6: # Class, Images, Labels, P, R, mAP50, mAP50-95 row = { 'class': parts[0], 'images': int(parts[1]), 'labels': int(parts[2]), 'precision': float(parts[3]), 'recall': float(parts[4]), 'mAP50': float(parts[5]), 'mAP50-95': float(parts[6]) if len(parts) > 6 else 0.0 } data_lines.append(row) return pd.DataFrame(data_lines) # 使用示例 df = parse_results_txt('runs/val/yolov9-s/results.txt') print(df)运行它：
python parse_results.py你会得到一个清晰的表格，比如：
| class | images | labels | precision | recall | mAP50 | mAP50-95 |
|---|---|---|---|---|---|---|
| all | 10000 | 32456 | 0.782 | 0.741 | 0.762 | 0.521 |
| person | 1000 | 3245 | 0.791 | 0.748 | 0.769 | 0.528 |
| car | 1000 | 3245 | 0.773 | 0.734 | 0.755 | 0.514 |
这就是你所有模型的核心性能快照。你可以用df.loc[df['class'] == 'person']['mAP50'].values[0]快速获取某类 mAP，也可以用df.describe()看整体分布。
3. 深挖一步：绘制 Precision-Recall 曲线（PR Curve）
results.txt只给单点值（P/R 在默认置信度阈值 0.001 下），但 PR 曲线需要不同置信度下的 P-R 对。YOLOv9 的val.py内部其实已计算了整条曲线，只是没默认保存。我们只需复用其compute_ap函数，并手动遍历阈值。
3.1 复用 val.py 中的 AP 计算逻辑
打开/root/yolov9/utils/metrics.py，找到ap_per_class函数——它返回(p, r, ap, f1, unique_classes)，其中p和r就是各阈值下的 Precision 和 Recall 数组。
我们写一个新脚本plot_pr_curve.py：
# save as plot_pr_curve.py in /root/yolov9 import numpy as np import matplotlib.pyplot as plt import seaborn as sns from utils.metrics import ap_per_class from utils.general import box_iou from pathlib import Path import torch # 设置 seaborn 主题 sns.set_style("whitegrid") plt.rcParams['font.size'] = 12 def load_predictions_and_targets(val_dir): """从 runs/val/{name} 加载 pred 和 target""" pred_dir = Path(val_dir) / 'labels' gt_dir = Path('/path/to/your/val/labels') # 替换为你的真实验证集标签路径 # 实际使用时，建议用 val.py 生成的 targets.npz（若存在）或从 dataset 加载 # 此处为简化演示，我们跳过加载，直接说明逻辑 print(" 提示：真实使用需提供真实 GT 标签路径") print(" 建议方式：运行 val.py 时加 --save-json，它会自动生成 targets.npz") return None, None def plot_pr_curve_for_class(precisions, recalls, class_name='all', ax=None): if ax is None: fig, ax = plt.subplots(1, 1, figsize=(6, 5)) ax.plot(recalls, precisions, marker='.', label=f'{class_name}', linewidth=2) ax.set_xlabel('Recall') ax.set_ylabel('Precision') ax.set_title(f'Precision-Recall Curve — {class_name}') ax.set_xlim(0, 1) ax.set_ylim(0, 1.05) ax.grid(True, alpha=0.3) ax.legend() return ax # 示例：假设你已有 p, r 数组（来自 ap_per_class 输出） # 这里我们用模拟数据展示绘图效果 np.random.seed(42) recalls = np.linspace(0, 1, 20) precisions = 0.8 - 0.3 * recalls + 0.1 * np.random.randn(20) # 模拟下降趋势 precisions = np.clip(precisions, 0.1, 1.0) # 绘图 fig, ax = plt.subplots(1, 1, figsize=(6, 5)) plot_pr_curve_for_class(precisions, recalls, 'person', ax) plt.tight_layout() plt.savefig('pr_curve_person.png', dpi=300, bbox_inches='tight') plt.show()运行后，你会得到一张干净专业的 PR 曲线图。虽然上面用了模拟数据，但真实场景中，你只需在val.py末尾加两行代码，就能拿到真实的p和r：
# 在 val.py 最后添加： from utils.metrics import ap_per_class p, r, ap, f1, _ = ap_per_class(*stats) # stats 来自 val.py 内部 np.savez('pr_data.npz', p=p, r=r, ap=ap) # 保存为 numpy 文件然后用np.load('pr_data.npz')读取即可绘图。整个过程无需修改模型结构，不增加训练开销。
4. 更进一步：绘制混淆矩阵（Confusion Matrix）
YOLOv9 官方未提供混淆矩阵可视化，但它在val.py中已计算了confusion_matrix对象（类型为utils.metrics.ConfusionMatrix）。我们只需调用其.matrix属性并用 seaborn 绘图。
4.1 一行命令生成混淆矩阵热力图
创建plot_confusion_matrix.py：
# save as plot_confusion_matrix.py in /root/yolov9 import numpy as np import seaborn as sns import matplotlib.pyplot as plt from utils.metrics import ConfusionMatrix import torch # 假设你已运行 val.py 并保存了 confusion_matrix.pkl（或从 val.py 中提取） # 这里我们演示如何从 .npz 或直接构造 matrix 绘图 # 方式一：如果你在 val.py 中加了保存逻辑 # np.savez('confusion_matrix.npz', matrix=cm.matrix.cpu().numpy(), names=names) # 方式二：用模拟数据演示（替换为你的真实 matrix） n_classes = 3 cm_matrix = np.array([ [85, 5, 2], # class0: 85 正确，5 错成 class1，2 错成 class2 [ 3, 92, 1], # class1 [ 4, 0, 88] # class2 ]) class_names = ['person', 'car', 'dog'] # 绘图 plt.figure(figsize=(6, 5)) sns.heatmap( cm_matrix, annot=True, fmt='d', cmap='Blues', xticklabels=class_names, yticklabels=class_names, cbar_kws={'label': 'Count'} ) plt.title('Confusion Matrix') plt.xlabel('Predicted') plt.ylabel('True') plt.tight_layout() plt.savefig('confusion_matrix.png', dpi=300, bbox_inches='tight') plt.show()运行后，一张带数字标注的蓝色热力图就生成了。你会发现：错检最多的是 person → car（5 次），而 car → person 只有 3 次——这提示你可能需要加强 person 类的小目标特征学习，或调整 anchor 匹配策略。
5. 实用技巧：一键生成评估报告 PDF（含所有图表）
把上面三步整合，就能生成一份完整的评估报告。我们写一个generate_report.py：
# save as generate_report.py in /root/yolov9 from fpdf import FPDF import os from PIL import Image # 创建 PDF pdf = FPDF() pdf.add_page() pdf.set_font("Arial", size=14) pdf.cell(200, 10, txt="YOLOv9 Model Evaluation Report", ln=True, align='C') pdf.ln(10) # 添加 metrics 表格（用 parse_results.py 输出） pdf.set_font("Arial", size=12) pdf.cell(200, 10, txt="1. Core Metrics Summary", ln=True) pdf.ln(5) # 插入 results.txt 截图（或用 text 表格，此处简化为文字） pdf.set_font("Courier", size=10) with open('runs/val/yolov9-s/results.txt', 'r') as f: for line in f.readlines()[:10]: # 前10行 pdf.cell(0, 6, txt=line.strip(), ln=True) pdf.ln(10) # 插入图表 for img in ['pr_curve_person.png', 'confusion_matrix.png']: if os.path.exists(img): pdf.image(img, w=180) pdf.ln(10) pdf.output("yolov9_evaluation_report.pdf") print(" Report saved as yolov9_evaluation_report.pdf")注意：镜像中未预装
fpdf和PIL，但安装仅需两行：pip install fpdf pillow
运行后，一份带标题、指标表格、PR 曲线、混淆矩阵的 PDF 报告就生成了——适合发给同事、存档、或作为模型迭代的 baseline 记录。
6. 总结：YOLOv9 评估不是黑盒，而是可触摸的工具链
YOLOv9 的评估模块，从来不是只能看一眼results.txt就结束的流程。它是一套完整的能力组合：
results.txt是你的性能快照，用几行 pandas 就能结构化；ap_per_class是你的曲线引擎，配合 seaborn 就能产出专业 PR 图；ConfusionMatrix是你的诊断显微镜，热力图直指模型弱点；- 再加一点胶水代码，PDF 报告、自动邮件通知、CI/CD 中断阈值检查……全都可以落地。
你不需要成为 PyTorch 专家，也不用重写 metrics 模块。镜像里已有的代码、已装好的 seaborn、已配好的 conda 环境，就是你最好的起点。下一步，建议你：
① 先跑通parse_results.py，确认能读出自己的 mAP；
② 修改val.py加一行np.savez('pr_data.npz', ...)，拿到真实 PR 数据；
③ 用plot_confusion_matrix.py查看哪两类最容易混淆；
④ 最后，把三个脚本打包成eval_all.sh，一键生成全部结果。
评估的价值，不在于数字多高，而在于你能否快速定位问题、验证改进、形成闭环。YOLOv9 已经把门推开，剩下的路，你来走。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
