手把手教你YOLOv8画对比图，画改进后的对比图，支持多个实验结果，写作和科研必备(全网最详细)

介绍

今天写一下YOLOv8画改进前后的对比结果图， 画损失对比图、mAP(平均精度值)对比图、recall(召回率)对比图，precision(精确率)对比图，代码已经写好了，大家只需复制粘贴即可运行。本文提供两种画法：
1.合并画法：精度和损失的各项指标在一个图形窗口中显示多张子图。这个画法更加紧凑和直观，可以一次性对比多个指标。
2.逐个画法：逐个绘制每个指标的图

合并画法直接上效果图：

逐个画法直接上效果图(图太多了，就不展示了)：

1）评价指标解释：
1.precision(精确率)：用来衡量模型的精准程度，也表示为预测正确的结果数量占总预测数量的比值；一般来说，准确率越高，表示模型的预测结果越可靠。
2.recall(召回率)：模型预测正确的结果数量占总预测正确数量的比值，它衡量了模型发现正确样本的能力，召回率越高，表示模型更捕获更多正确的样本，但越高的召回率可能导致误检率的增加。
3.mAP：表示所有类别的平均准确率的均值
4.mAP@50：表示将IOU分配为0.5，并对所有类别的图像进行平均。
5.mAP@50-95：基于不同的IOU阈值（范围从 0.5 到 0.95，步长为 0.05）来计算的平均mAP值。

2）损失解释：
1.box_loss(边界框回归损失)：意思是边界框是用来定位物体的矩形框，box_loss 计算模型预测的边界框与真实标签之间的误差。该损失通常采用 IoU（Intersection over Union） 或 GIoU（Generalized IoU）、CIoU 等形式，来衡量预测边界框和真实边界框的重叠程度。
2.cls_loss(分类损失)：用于评估模型预测物体类别的准确性。该损失通常采用交叉熵损失（Cross-Entropy Loss）或 Focal Loss 来计算，衡量模型预测的物体类别与真实类别之间的误差。
3.dfl_loss(分布焦点损失)：用于帮助模型对预测的边界框进行更细粒度的学习，DFL采用离散分布的方式来表示预测的边界框的各个坐标，并通过最大化分布的正确性来优化预测。

🎓一、合并画法

# -*- coding: utf-8 -*-
"""
@Auth ： 挂科边缘
@File ：plot_results.py
@IDE ：PyCharm
@Motto:学习新思想，争做新青年
"""
import pandas as pd
import matplotlib.pyplot as plt


# 训练结果列表
results_files = [
    'runs/train/exp/results.csv',
    'runs/train/exp2/results.csv',

]

# 与results_files顺序对应
custom_labels = [
    'yolov8n-MobileNetV3',
    'yolov8n',


]

#
def plot_comparison(metrics, labels, custom_labels, layout=(2, 2)):
    fig, axes = plt.subplots(layout[0], layout[1], figsize=(15, 10))  # 创建网格布局
    axes = axes.flatten()  # 将子图对象展平，方便迭代

    for i, (metric_key, metric_label) in enumerate(zip(metrics, labels)):
        for file_path, custom_label in zip(results_files, custom_labels):
            df = pd.read_csv(file_path)

            # 清理列名中的多余空格
            df.columns = df.columns.str.strip()

            # 检查 'epoch' 列是否存在
            if 'epoch' not in df.columns:
                print(f"'epoch' column not found in {file_path}. Available columns: {df.columns}")
                continue

            # 检查目标指标列是否存在
            if metric_key not in df.columns:
                print(f"'{metric_key}' column not found in {file_path}. Available columns: {df.columns}")
                continue

            # 在对应的子图上绘制线条
            axes[i].plot(df['epoch'], df[metric_key], label=f'{custom_label}')

        axes[i].set_title(f' {metric_label}')
        axes[i].set_xlabel('Epochs')
        axes[i].set_ylabel(metric_label)
        axes[i].legend()

    plt.tight_layout()  # 自动调整子图布局，防止重叠
    plt.show()


if __name__ == '__main__':


    # 精度指标
    metrics = [
        'metrics/precision(B)', 'metrics/recall(B)', 'metrics/mAP50(B)', 'metrics/mAP50-95(B)'
    ]

    labels = [
        'Precision', 'Recall', 'mAP@50', 'mAP@50-95'
    ]

    # 调用通用函数绘制精度对比图
    plot_comparison(metrics, labels, custom_labels, layout=(2, 2))


    # 损失指标
    loss_metrics = [
        'train/box_loss', 'train/cls_loss', 'train/dfl_loss', 'val/box_loss', 'val/cls_loss', 'val/dfl_loss'
    ]

    loss_labels = [
        'Train Box Loss', 'Train Class Loss', 'Train DFL Loss', 'Val Box Loss', 'Val Class Loss', 'Val DFL Loss'
    ]

    # 调用通用函数绘制损失对比图
    plot_comparison(loss_metrics, loss_labels, custom_labels, layout=(2, 3))

🎓二·、单独画每一张图(逐个画法)

# -*- coding: utf-8 -*-
"""
@Auth ： 挂科边缘
@File ：plot_results.py
@IDE ：PyCharm
@Motto:学习新思想，争做新青年
"""
import pandas as pd
import matplotlib.pyplot as plt
import os

# 训练结果列表
results_files = [
    'runs/train/exp/results.csv',
    'runs/train/exp2/results.csv',

]

# 与results_files顺序对应
custom_labels = [
    'yolov8n-MobileNetV3',
    'yolov8n',


]
def plot_metric_comparison(metric_key, metric_label,custom_labels):
    plt.figure(figsize=(10, 6))

    for file_path, custom_label in zip(results_files, custom_labels):
        exp_name = os.path.basename(os.path.dirname(file_path))
        df = pd.read_csv(file_path)

        # 清理列名中的多余空格
        df.columns = df.columns.str.strip()

        # 检查 'epoch' 列是否存在
        if 'epoch' not in df.columns:
            print(f"'epoch' column not found in {file_path}. Available columns: {df.columns}")
            continue

        # 检查目标指标列是否存在
        if metric_key not in df.columns:
            print(f"'{metric_key}' column not found in {file_path}. Available columns: {df.columns}")
            continue

        # 绘制没有圆点的线条
        plt.plot(df['epoch'], df[metric_key], label=f'{custom_label}')

    plt.title(f'{metric_label} ')
    plt.xlabel('Epochs')
    plt.ylabel(metric_label)
    plt.legend()
    plt.show()




if __name__ == '__main__':

    metrics = [
        ('metrics/precision(B)', 'Precision'),
        ('metrics/recall(B)', 'Recall'),
        ('metrics/mAP50(B)', 'mAP@50'),
        ('metrics/mAP50-95(B)', 'mAP@50-95')
    ]

    for metric, label in metrics:
        plot_metric_comparison(metric, label, custom_labels)

    loss_metrics = [
        ('train/box_loss', 'Train Box Loss'),
        ('train/cls_loss', 'Train Class Loss'),
        ('train/dfl_loss', 'Train DFL Loss'),
        ('val/box_loss', 'Val Box Loss'),
        ('val/cls_loss', 'Val Class Loss'),
        ('val/dfl_loss', 'Val DFL Loss')
    ]

    for metric, label in loss_metrics:
        plot_metric_comparison(metric, label, custom_labels)

🎓三、代码需要修改的地方

results_files填入训练生成results.csv文件路径，你想画几个就写几个

results_files = [
‘runs/train/exp/results.csv’,
‘runs/train/exp2/results.csv’,
‘runs/train/exp3/results.csv’,
]

custom_labels是自定义标签（通常是对应的模型名称），这个标签会在绘图时用于标注不同模型的曲线
custom_labels = [
‘yolov8n-MobileNetV3’,
‘yolov8n’,
]
如图，custom_labels就是每条线的名字，这个名字可以自己定义

总结

创作不易，喜欢帮点个赞谢谢