如何获取自定义训练的yolov4-tiny模型的混淆矩阵

首先提前准备好所需文件：训练得到的.weights权重文件、YOLOv4-tiny对应的.cfg配置文件、自定义数据集的.names类别名文件、测试集的图片和对应标注文件。

步骤1：批量推理测试集获取预测结果 #

运行模型对全部测试集图片做推理，输出每张图的所有预测框信息，包括预测类别ID、置信度、bounding box坐标：

• 预处理参数要和训练时完全一致，比如输入尺寸、归一化系数、是否保持长宽比做padding，避免推理结果出现不必要的偏差
• 初始推理时可以把置信度阈值设为较低值（如0.001），后续统计时再按你需要的阈值过滤，避免漏统计低置信度的有效预测
• 推理后要执行NMS过滤重复的预测框，NMS阈值也建议和训练验证时的设置保持一致

步骤2：真值与预测框的IoU匹配 #

读取测试集所有标注的真值框信息（类别ID、bounding box坐标），和同一张图的预测框做匹配，判定每个预测的类型：

• 先按类别对同一张图的真值框和预测框分组，只对同类别框做IoU计算
• 通常设置IoU匹配阈值为0.5，也可根据需求调整为更高值（如0.75）做严格匹配
• 单个真值框仅和IoU最高的同类别预测框匹配，该预测判定为真阳性（TP），匹配到预测的真值框标记为已匹配，不会重复参与匹配
• 未匹配到任何真值框的预测判定为假阳性（FP），未匹配到任何预测框的真值框判定为假阴性（FN）

步骤3：统计生成混淆矩阵 #

汇总所有测试集样本的匹配结果，即可生成n行n列的混淆矩阵（n为数据集的类别总数）：

• 矩阵行对应真值类别，列对应预测类别
• 矩阵对角线元素为对应类别的TP数量：比如第i行第i列的值，就是真值为类别i且预测也为i的样本总数
• 第i行第j列（i≠j）的元素为真值是类别i、被错误预测为类别j的样本总数
• 你可以额外添加一行统计所有类别的FP总数，额外添加一列统计所有类别的FN总数，方便后续计算精确率、召回率指标
• 如果需要生成百分比形式的混淆矩阵，将每行所有元素除以该行的总真值框数即可，此时每行元素之和为1，能更直观看到各类别的预测分布

代码简化实现 #

如果你用的是PyTorch版的YOLOv4-tiny实现，可以直接借助scikit-learn的工具快速生成矩阵，只需提前把所有匹配成功的真值类别、预测类别整理为两个一维列表即可：

from sklearn.metrics import confusion_matrix
import numpy as np

# 示例：y_true存所有匹配成功的真值类别ID，y_pred存对应匹配的预测类别ID
y_true = np.array([0, 0, 1, 1, 2, 2])
y_pred = np.array([0, 1, 1, 2, 2, 2])
# 生成混淆矩阵
cm = confusion_matrix(y_true, y_pred)
print(cm)

如果你用的是原版Darknet框架训练的模型，直接修改detector test的源码，在推理逻辑后添加上述的匹配、统计逻辑即可，无需额外搭建环境。

内容的提问来源于stack exchange，提问作者Muhammed Erem