Yolov5自定义模型训练后混淆矩阵解读疑问

首先，你的初步解读确实存在偏差，核心问题出在对混淆矩阵逻辑和数据集前提的匹配理解上，我来帮你拆解清楚：

先明确混淆矩阵的核心逻辑 #

混淆矩阵的行代表样本的真实标签，列代表模型输出的预测标签：

• 对角线上的数值：模型正确识别的样本数量
• 非对角线的数值：模型把真实类别A错误预测成类别B的样本数量

结合你的数据集情况分析 #

你提到标注真值文件里完全没有Car和Bus类别，这意味着：

1. 你的测试集所有样本的真实标签里，根本不存在这两类目标
2. 所以混淆矩阵的行（真实类别）里不会出现Car/Bus，相关的条目只会出现在**列（预测类别）**中

你的初步解读错在哪里？ #

你说“模型将所有真值中的汽车识别为骑行者”，但真值里根本没有汽车这个类别，这个前提不成立。实际可能的两种情况是：

• 情况1：模型把真实的骑行者错误预测成了Car/Bus——对应混淆矩阵里「Cyclist行」对应「Car/Bus列」的数值不为0
• 情况2：模型在无真实目标的背景区域误检（false positive）出了Car/Bus——这类误检如果是YOLOv5的混淆矩阵计算，通常会被统计到“背景”相关的类别里；如果你的模型训练时用了COCO预训练权重但没完全移除无关类别，也容易出现这类残留的误检

另外你提到“实际测试视频中并不存在汽车”，这和真值标注的情况一致，进一步说明模型的Car/Bus相关结果都是误检，而非对真实汽车的识别错误。

额外排查建议 #

如果要确认具体原因，可以：

• 检查训练配置文件，确认是否在自定义训练时正确移除了Car/Bus这类无关类别（避免预训练权重的类别残留影响）
• 查看测试集的错误预测可视化结果（YOLOv5的results文件夹里有相关图片），直接看模型把哪些区域/目标错误识别成了Car/Bus

内容的提问来源于stack exchange，提问作者Zackbord