我们没有相见，却是此刻最好的相聚。
今天补上回调函数在完成一轮拟合epoch结束后，获取当前指标的方法。
上文我们说到，我们在 on_train_epoch_end 结束后可以通过计算 batch、epoch的数量关系来得到进度，但是无法获取到指标。因为指标的出现还在 on_train_epoch_end 之后。因此我们使用 on_fit_epoch_end 来获取训练、验证的指标。
示例如下
'''
一样的 先吧回调函数注册好
'''
def on_fit_epoch_end(trainer):
metrics = {}
tm = trainer.metrics
metrics['mAP50-95'] = float(tm.get('metrics/mAP50-95(B)', 0))
metrics['mAP50'] = float(tm.get('metrics/mAP50(B)', 0))
metrics['precision'] = float(tm.get('metrics/precision(B)', 0))
metrics['recall'] = float(tm.get('metrics/recall(B)', 0))
has_loss_keys = any(k in tm for k in ('val/box_loss', 'val/cls_loss', 'val/dfl_loss'))
if has_loss_keys:
metrics['box_loss'] = float(tm.get('val/box_loss', 0))
metrics['cls_loss'] = float(tm.get('val/cls_loss', 0))
metrics['obj_loss'] = float(tm.get('val/dfl_loss', 0))
metrics['loss'] = float(metrics['box_loss']) + float(metrics['cls_loss']) + float(metrics['obj_loss'])
model.add_callback("on_fit_epoch_end", on_fit_epoch_end)这样我们就可以拿到具体的数值了，我在这里把所有的训练指标都保存起来了，这样可以展示出整体的训练走势。并且在训练结束也就是 on_train_end 的时候，将所有的指标都保存下来。
这样就可以非常直观的查看每个类别的训练情况，也算做的一个可视化。挖个坑：实现中途动态调整。
以下是名词解释部分
IoU（交并比）
通俗解释：IoU 就是“你画的框，和标准答案的框，重合了多少”。
- 如果 IoU = 1，说明你的框和标准答案完美重合，一点不差。
- 如果 IoU = 0.5，说明你的框和标准答案有一半是重合的。
- 如果 IoU = 0，说明你完全画偏了，连边都没挨着。
评估指标 Metrics
这部分是看模型学得“有多好”，数值越接近 1（或 100%）越好。
1. P（Precision，精确率）
- 解释：模型说“这是猫”的所有结果里，到底有多少真的是猫？
- 人话：如果 P 很高，说明模型很少大惊小怪（把背景误认成目标，也就是误检少）。
2. R（Recall，召回率）
- 解释：图片里所有的猫，模型一共找出了多少只？
- 人话：如果 R 很高，说明模型眼力好，没漏掉目标（漏检少）。
3. mAP50
- 全称：mean Average Precision at IoU=0.50
- 解释：这是一个相对宽松的评分标准。只要模型画的框，和标准答案的框重合度达到了 50%，就算你“找对了”。
- 人话：就像考试打分，只要你答到了点子上，沾边就给分。这个指标主要看模型能不能把目标“大致找出来并且认对类别”。
4. mAP50-95
- 全称：mean Average Precision at IoU=0.50:0.95
- 解释：这是一个非常严格的评分标准。它把重合度从 50%、55%、60%… 一直要求到 95%，算出 10 次成绩，然后取平均分。
- 人话：不仅要求你找得对，还要求你的框画得极其精准，边缘必须严丝合缝。在自动驾驶、医学图像这种需要高精度的领域，大家更看重这个指标。
损失函数 Loss
这部分是看模型学得“有多痛苦”，数值越低越好（越接近 0 越好）。
1. box_loss（边界框损失）
- 解释：衡量模型画的“框的位置和大小”与真实答案的差距。
- 人话：如果 box_loss 很高，说明模型画的框要么偏离了中心，要么太大太小。这个值越低，说明框得越准。
2. cls_loss（分类损失）
- 解释：衡量模型对“目标是什么类别”的判断误差。
- 人话：框虽然画对了，但如果把“狗”认成了“猫”，cls_loss 就会变高。这个值越低，说明模型认东西越准。
3. dfl_loss（分布焦点损失）
- 解释：这是 YOLOv8 等较新版本特有的。它不直接预测框的坐标，而是预测一个“概率分布”，专门用来优化那些模糊、重叠、边缘不清晰的物体。
- 人话：当两个物体挤在一起，或者物体边缘很模糊时，模型容易懵。dfl_loss 就是强迫模型去死磕这些“难辨认的边缘”，让框贴得更紧。
总结
- 看 Loss（损失）：只要
box_loss、cls_loss、dfl_loss这三条线在稳定下降，就说明模型在认真学习，没有“学废”（过拟合或欠拟合）。欠拟合就是没学会，过拟合就是不会变通 - 看 mAP（精度）：只要
mAP50和mAP50-95在稳步上升，就说明模型越来越聪明。 - 看 P 和 R：如果 P 高 R 低，说明模型太保守，经常漏检；如果 R 高 P 低，说明模型太激进，经常误报。两者都高才是完美状态。