写论文的时候最容易被审稿人一眼盯住的图就是训练过程的指标曲线。无论你的模型在测试集上取得了多好的mAP如果没有一组规范的训练曲线支撑论文的说服力都会大打折扣。尤其是做目标检测方向绘制YOLO模型训练过程中的精准率、召回率、mAP_0.5、mAP_0.5:0.95以及各类损失变化曲线几乎是每篇论文的标配工作。这篇内容就是围绕这个需求来的我会从指标含义、数据准备、绘图脚本、多实验对比到避坑细节完整走一遍实操流程帮你在写论文时能直接产出一张达到期刊投稿要求的曲线图。1. 为什么论文里离不开这组曲线指标与损失怎么讲才专业1.1 四类核心指标的物理含义与论文表达先别急着写脚本你首先要能回答“这四条曲线在论文里到底想证明什么”。精准率Precision回答的是“模型检测出来的目标里有多少是真正正确的”召回率Recall回答的是“图像中真实存在的目标模型到底找回了多少”。这两个指标天然是一对矛盾体你提高了精准率召回率往往就会掉下来所以论文里通常会同时展示两条曲线让审稿人看到模型在两者之间做到了怎样的平衡。mAP_0.5指的是在IoU阈值取0.5时计算得到的平均精度均值它更贴近日常理解的“框得差不多就算检测对”而mAP_0.5:0.95则是在0.5到0.95区间内以0.05为步长逐个阈值计算mAP后再取平均数值通常比mAP_0.5低不少但更能反映模型框得“够不够精细”。写论文表达实验结果时这两组曲线分开画是基础要求因为它们的数值区间差别很大硬塞在同一个纵轴刻度里会互相压缩看起来很不专业。1.2 损失曲线要怎么看判断训练是否正常损失曲线里YOLO模型通常包含三类损失box_loss是边界框回归损失负责测量预测框和真实框的位置误差cls_loss是分类损失衡量类别判断的对错dfl_loss是分布聚焦损失用来优化框的分布质量。再加上对应的验证集损失你就能从曲线形态判断训练状态了。我的习惯是先看训练损失是否持续下降且最终收敛到平台期再看验证损失是否有明显回升。如果验证集上的损失在某个epoch之后一路向上而训练损失还在下降那就是过拟合的典型信号。写论文时审稿人很喜欢问“你的模型收敛是否充分”“有没有过拟合迹象”这组损失曲线就是你最直接的答辩材料。所以绘图时训练集和验证集的曲线尽量分开用不同线型表示别混成一条线。2. 训练阶段就把数据留好results.csv里的秘密2.1 默认日志机制训练完成自动产出现在做YOLO系列训练大多数人是基于ultralytics这个开源训练框架来跑的。训练结束之后你会在weights目录下发现一个自动生成的results.csv文件这是整套绘图工作最关键的数据来源。它会按epoch记录所有核心指标包括train/box_loss、train/cls_loss、train/dfl_loss、metrics/precision(B)、metrics/recall(B)、metrics/mAP50(B)、metrics/mAP50-95(B)以及对应验证集的val/box_loss、val/cls_loss、val/dfl_loss还有学习率变化参数等。这个文件就是论文曲线的“原材料仓库”不需要你额外写任何打点代码。所以我的建议是训练启动之前先确认训练目录命名清晰比如用“模型名_数据集_输入尺寸”这种格式这样后面归档和绘图时能一眼找到对应的csv文件。有些人训练完之后直接把整个目录打包扔到网盘里过几天就忘了哪个csv对应哪组实验等写论文时再翻就非常痛苦。2.2 没有csv文件怎么办从命令行日志兜底解析有时候你用的是别人封装的训练脚本或者框架版本不同导致没有自动生成csv这时候就只能从终端输出里把指标捞出来。常见训练日志长这样Epoch 1/100: box_loss1.234, cls_loss0.567, dfl_loss1.012, precision0.45, recall0.60, mAP500.52, mAP50-950.31这种文本用Python正则就能非常快地提取成DataFrame。每行找一个epoch号再用re.findall把需要的关键字后面的数值抓出来逐行append到列表里最后转换成pandas的DataFrame。没有csv时这是最省事的兜底方案。写脚本的时候我会把正则模式写得稍微宽松一些避免训练过程中日志格式发生微小变化导致整行匹配失败。2.3 多组实验的数据组织建议如果你做的是消融实验比如对比加不加注意力模块、对比不同损失权重那数据组织就格外重要。不要把所有csv都堆在一个目录里否则后面多曲线对比时会分不清谁是谁。我自己的做法是每个实验单独一个文件夹文件夹名直接带参数版本号比如“baseline_640”、“w_attention_640”、“w_dfl_weight_640”这样绘图时只要在脚本里维护一个路径列表就能快速出对比图。3. 绘图脚本实战一张论文级六合一训练曲线图3.1 绘图前的三个核心设计决策画图之前先想清楚版面我个人推荐六合一布局第一行放三个损失曲线box_loss、cls_loss、dfl_loss第二行放三个指标曲线precision、recall、mAP其中mAP子图里同时画mAP_0.5和mAP_0.5:0.95两条线。这个布局在目标检测论文里最常见审稿人一眼就能看全训练状态。第二个决策是统一x轴所有子图都使用epoch作为横轴。采用与训练日志一致的epoch编号不要自作聪明去换算成iteration或者step因为论文里大家默认看epoch。第三个决策是平滑策略。原始训练曲线通常抖动非常大特别是mAP_0.5:0.95这种指标100个epoch画出来像心电图一样上下跳直接放论文里会显得训练很不稳定。所以要引入平滑但平滑参数不能拍脑袋定需要结合epoch总数来选择这个我在3.3节详细说。3.2 完整代码读数据、平滑、画子图我直接给你一段可以跑通的脚本。它已兼容不同版本的列名差异自动查找对应字段支持EWM、滚动平均和Savitzky-Golay三种平滑方式。import pandas as pd import matplotlib.pyplot as plt ALIASES { box_loss: [train/box_loss], cls_loss: [train/cls_loss], dfl_loss: [train/dfl_loss], val_box_loss: [val/box_loss], val_cls_loss: [val/cls_loss], val_dfl_loss: [val/dfl_loss], precision: [metrics/precision(B), metrics/precision], recall: [metrics/recall(B), metrics/recall], mAP50: [metrics/mAP50(B), metrics/mAP_0.5, metrics/mAP50], mAP50_95: [metrics/mAP50-95(B), metrics/mAP_0.5:0.95, metrics/mAP50-95], } def find_col(df, alias): for col in alias: if col in df.columns: return df[col] return None def smooth(series, methodewm, window10): if series is None: return None if method ewm: return series.ewm(spanwindow, adjustTrue).mean() elif method rolling: return series.rolling(windowwindow, centerTrue, min_periods1).mean() elif method savgol: from scipy.signal import savgol_filter w window if window % 2 1 else window 1 return pd.Series(savgol_filter(series, w, 3), indexseries.index) return series def plot_training_curves(csv_path, smooth_methodewm, window10, outfiletraining_curves.png, dpi300): df pd.read_csv(csv_path) df.columns [c.strip() for c in df.columns] if epoch in df.columns: epochs df[epoch] else: epochs range(1, len(df) 1) fig, axes plt.subplots(2, 3, figsize(12, 7)) fig.subplots_adjust(hspace0.45, wspace0.25) plt.rcParams.update({ font.size: 9, axes.linewidth: 0.8, axes.grid: True, grid.alpha: 0.25, legend.fontsize: 8, }) # 第一行三个训练损失验证损失用虚线叠上去 loss_pairs [ (box_loss, val_box_loss, Box Loss), (cls_loss, val_cls_loss, Cls Loss), (dfl_loss, val_dfl_loss, DFL Loss), ] for i, (train_key, val_key, title) in enumerate(loss_pairs): ax axes[0, i] train_y smooth(find_col(df, ALIASES[train_key]), smooth_method, window) if train_y is not None: ax.plot(epochs, train_y, color#4C72B0, linewidth1.2, labelTrain) val_y smooth(find_col(df, ALIASES[val_key]), smooth_method, window) if val_y is not None: ax.plot(epochs, val_y, color#DD8452, linewidth1.2, linestyle--, labelVal) ax.set_title(title) ax.set_xlabel(Epoch) ax.set_ylabel(Value) ax.legend(locupper right) # 第二行Precision、Recall、mAP两条曲线放一起 metric_pairs [ (precision, Precision), (recall, Recall), ] for i, (key, title) in enumerate(metric_pairs): ax axes[1, i] y smooth(find_col(df, ALIASES[key]), smooth_method, window) if y is not None: ax.plot(epochs, y, color#4C72B0, linewidth1.2, labeltitle) ax.set_title(title) ax.set_xlabel(Epoch) ax.set_ylabel(Value) ax.set_ylim(0, 1) ax.legend(loclower right) ax axes[1, 2] y50 smooth(find_col(df, ALIASES[mAP50]), smooth_method, window) y95 smooth(find_col(df, ALIASES[mAP50_95]), smooth_method, window) if y50 is not None: ax.plot(epochs, y50, color#4C72B0, linewidth1.2, labelmAP0.5) if y95 is not None: ax.plot(epochs, y95, color#DD8452, linewidth1.2, labelmAP0.5:0.95) ax.set_title(mAP) ax.set_xlabel(Epoch) ax.set_ylabel(Value) ax.set_ylim(0, 1) ax.legend(loclower right) fig.savefig(outfile, dpidpi, bbox_inchestight) print(fSaved to {outfile}) if __name__ __main__: plot_training_curves(runs/train/my_experiment/results.csv)这段脚本是核心骨架你只需要改csv路径和输出文件名。运行时如果提示缺少scipy去掉savgol参数只用ewm即可默认平滑已经够用。代码里mAP子图我特意把两条曲线都控制在0到1的纵轴范围因为mAP_0.5和mAP_0.5:0.95数值差距很大不统一y轴上下限的话低的那条mAP_0.5:0.95会被压成一条直线严重影响观感。3.3 平滑算法的参数选择与坑平滑参数是我踩过最多坑的地方。用EWM时window对应的是“span”这个控制衰减速率的概念而不是滑动窗口大小。我用在100个epoch的训练曲线上window取8到15效果比较自然如果取太小比如3曲线依然毛刺非常多如果取太大比如30曲线的上升点会被明显推后mAP看起来反而比实际涨得慢审稿人如果较真可能会质疑你的收敛速度。如果你用rolling平滑要留意centerTrue这个参数让窗口中心对齐数据点避免曲线整体向右偏移。用Savitzky-Golay滤波时window必须设成奇数而且阶数一般是3不要设置高阶否则曲线被拟合得过度平滑很多细节特征都会消失。这里贴一个不同平滑方式的对比经验在我实测里当训练了300个epoch时EWM的span设为20左右比较合适而rolling的window设为30左右当训练只有50个epoch时span设为5就够了否则曲线会滞后到面目全非。3.4 输出符合论文要求的图片细节论文投稿对图片有硬性要求我通常按一个相对通用的规格来做图片分辨率300dpi起步单栏图片宽度控制在8到9厘米双栏图片控制在15到17厘米。上面脚本里figsize(12,7)是电脑屏幕看的尺寸保存时如果投期刊还要调整你可以在savefig时加上宽高参数或者直接在figsize里改成更适合论文排版的比例。字体方面英文论文里坐标轴标签和子图标题用9pt左右比较稳妥图例用8pt因为期刊排版后图片会缩小字号太大显得笨重字号太小又会糊。坐标轴刻度密度也要注意epoch数量多的时候matplotlib会自动隔几个才标一个数字这是正常的不要手动把所有epoch都塞到x轴上否则刻度会重叠成黑疙瘩。保存格式我建议PDF和PNG各存一份。PDF是矢量格式投稿时清晰度无损编辑排版也方便PNG用于日常预览和组会汇报。保存时bbox_inchestight一定要带上不然子图标题和坐标轴说明会被裁掉一部分。4. 多实验对比与组合出图4.1 封装绘图函数支持多个csv写论文经常需要对比多个实验比如你的方法对比基线、对比另一种SOTA方法。单张曲线图里放多条线时脚本就不能跟上面一样硬编码路径了。我习惯把函数扩展一下传入一个csv路径列表和对应的标签列表然后在同一个子图里循环画多条线。这样改动量很小只需要把plot_training_curves里的单条plot逻辑提出来包一层循环再把线型颜色按索引切换。画多条曲线的时候有两点需要注意一是不要所有线都用同一种颜色除非你的图是黑白印刷二是图例必须能区分每条线的实验名称建议直接在传参时用简短的下划线风格标签比如“Ours”、“Baseline”、“SOTA”避免把整个目录名都打上去图例会占掉很大空间。4.2 不同epoch总数对齐与归一化处理对比实验最容易遇到的场景是两个模型训练的epoch总数不一样A模型跑了100轮B模型跑了150轮。直接把两条曲线放在同一个x轴上B模型的曲线会比A模型多出一截往往B模型的终点mAP更高看起来似乎更优秀但这是不公平的对比。学术论文里更合理的做法是x轴统一用“相对进度”即把epoch转换成百分比0到1代表训练从开始到结束。这样不同训练长度的实验才能放在同一水平线上比较速度。实现起来也简单把epoch列归一化到1也就是用epochs / epochs.max()作为x轴。如果训练是提前终止的可能csv里只记录了前80个epoch那你需要和实验记录核对一下确认这个80是总计划100轮的提前终止还是训练本来就计划80轮。归一化之后两条曲线的收敛快慢会直观得多审稿人问你“为什么你的方法收敛得更快”时这张图就能直接支撑论点。4.3 论文黑白风格配色与线型区分有些期刊为了节省版面会要求图片转成黑白也能看懂。这时候只靠颜色区分多条曲线就不行了。我的通用做法是不同实验用不同线型基线用实线你的方法用带圆点的虚线SOTA用带方块的短划线等等。同时配合不同的灰度颜色保证彩色和黑白打印都可读。这个细节看似不起眼但很多人在投稿被拒后才知道修改图片提前做好能省很多麻烦。5. 实战中的高频问题填坑实录与排查方法5.1 列名对不上、数据缺一行不同版本、不同自定义改动results.csv的列名会有差异。最常见的是mAP相关字段有的写成metrics/mAP50(B)有的写成metrics/mAP_0.5还有的直接叫val_mAP_0.5。遇到这种情况直接改我代码里的ALIASES字典把新列名加进对应列表就行。另外还要小心pandas读取时列名首尾带空格所以我在代码里专门做了strip处理这个不要省。如果csv末尾的一行数据不完整通常是最后一次epoch还没跑完训练就被手动终止了用pd.read_csv读取时不会报错但某些字段会出现NaN绘图前务必用dropna或ffill处理。5.2 曲线毛刺太多观感很差处理毛刺是绘图中最耗时间的环节。我个人的建议是先看原始曲线再用EWM逐步加大span试每次加2到3个值观察曲线形状变化。如果加大到15以后曲线仍然剧烈跳动那说明训练过程本身就不稳定这时候不是平滑能解决的问题了需要回头检查学习率是否过大、批次大小是否过小或者数据增强是否过于激进。有一回我用了一个较大的学习率mAP_0.5曲线在0.7附近剧烈抖动把span调到20才勉强平滑后来把学习率降下来重新训练了一轮曲线自然就干净了。在论文里漂亮曲线的背后往往是一套稳健的训练配置。5.3 mAP数值异常低或跳变如果你发现mAP_0.5:0.95的曲线始终贴着0先别急着怀疑绘图脚本去验证集上跑一次模型直接看验证输出。常见原因是训练集和验证集的标注格式不一致或者验证集里没有包含某些类别的正样本。如果曲线初期上升很快然后突然下降到0后又回升多半是某个epoch的验证过程出了问题比如验证集图片损坏导致那一轮的评估失效。这种情况不能简单平滑掉应该在画图时把异常epoch的数据直接剔除并写清楚剔除原因。5.4 训练提前终止导致曲线不完整很多训练任务用早停策略也就是当验证损失连续多个epoch不再下降时自动停止。这时候results.csv会只有一部分epoch数据曲线图看起来就像被截断一样。我的处理方法是如果论文需要展示“完整训练过程”就保持截断状态并在图注里说明“early stopping at epoch 80”如果你只是想展示最终收敛结果也可以只画到实际训练的最后一个epoch不需要强行补足。无论哪种方案都要保证坐标轴范围与数据范围匹配不要留出大片空白。5.5 matplotlib中文乱码与字体问题如果你要在图里加中文注释matplotlib默认字体通常不支持会显示成方框。我建议尽量用英文标签写论文图因为绝大多数SCI期刊都是英文。如果确有必要用中文可以指定一个支持中文的字体比如在Windows下用SimHei在Linux服务器上需要额外安装中文字体文件或者用文泉驿系列字体。服务器上经常没有中文字体会导致出图失败最简单的方案就是绘图前统一用英文把中文需求放到正文里说明。整个流程走下来你会发现绘制训练曲线这件事真正花心思的地方其实不在画图本身而是前期的数据组织、训练状态的判断、以及为满足论文规范做的各种细节调整。每次拿到一组新实验结果我都会先把results.csv打开看一遍确认损失曲线真的收敛了、mAP正常抬升了再让绘图脚本跑图。这样可以避免辛辛苦苦画了一组完美的曲线结果发现实验本身就有问题白费功夫。 
长河君 · 2026/10/18 10:28:26 · 阅读 1.2k YOLO训练曲线绘制指南：从指标含义到论文级图表输出
写论文的时候最容易被审稿人一眼盯住的图就是训练过程的指标曲线。无论你的模型在测试集上取得了多好的mAP如果没有一组规范的训练曲线支撑论文的说服力都会大打折扣。尤其是做目标检测方向绘制YOLO模型训练过程中的精准率、召回率、mAP_0.5、mAP_0.5:0.95以及各类损失变化曲线几乎是每篇论文的标配工作。这篇内容就是围绕这个需求来的我会从指标含义、数据准备、绘图脚本、多实验对比到避坑细节完整走一遍实操流程帮你在写论文时能直接产出一张达到期刊投稿要求的曲线图。1. 为什么论文里离不开这组曲线指标与损失怎么讲才专业1.1 四类核心指标的物理含义与论文表达先别急着写脚本你首先要能回答“这四条曲线在论文里到底想证明什么”。精准率Precision回答的是“模型检测出来的目标里有多少是真正正确的”召回率Recall回答的是“图像中真实存在的目标模型到底找回了多少”。这两个指标天然是一对矛盾体你提高了精准率召回率往往就会掉下来所以论文里通常会同时展示两条曲线让审稿人看到模型在两者之间做到了怎样的平衡。mAP_0.5指的是在IoU阈值取0.5时计算得到的平均精度均值它更贴近日常理解的“框得差不多就算检测对”而mAP_0.5:0.95则是在0.5到0.95区间内以0.05为步长逐个阈值计算mAP后再取平均数值通常比mAP_0.5低不少但更能反映模型框得“够不够精细”。写论文表达实验结果时这两组曲线分开画是基础要求因为它们的数值区间差别很大硬塞在同一个纵轴刻度里会互相压缩看起来很不专业。1.2 损失曲线要怎么看判断训练是否正常损失曲线里YOLO模型通常包含三类损失box_loss是边界框回归损失负责测量预测框和真实框的位置误差cls_loss是分类损失衡量类别判断的对错dfl_loss是分布聚焦损失用来优化框的分布质量。再加上对应的验证集损失你就能从曲线形态判断训练状态了。我的习惯是先看训练损失是否持续下降且最终收敛到平台期再看验证损失是否有明显回升。如果验证集上的损失在某个epoch之后一路向上而训练损失还在下降那就是过拟合的典型信号。写论文时审稿人很喜欢问“你的模型收敛是否充分”“有没有过拟合迹象”这组损失曲线就是你最直接的答辩材料。所以绘图时训练集和验证集的曲线尽量分开用不同线型表示别混成一条线。2. 训练阶段就把数据留好results.csv里的秘密2.1 默认日志机制训练完成自动产出现在做YOLO系列训练大多数人是基于ultralytics这个开源训练框架来跑的。训练结束之后你会在weights目录下发现一个自动生成的results.csv文件这是整套绘图工作最关键的数据来源。它会按epoch记录所有核心指标包括train/box_loss、train/cls_loss、train/dfl_loss、metrics/precision(B)、metrics/recall(B)、metrics/mAP50(B)、metrics/mAP50-95(B)以及对应验证集的val/box_loss、val/cls_loss、val/dfl_loss还有学习率变化参数等。这个文件就是论文曲线的“原材料仓库”不需要你额外写任何打点代码。所以我的建议是训练启动之前先确认训练目录命名清晰比如用“模型名_数据集_输入尺寸”这种格式这样后面归档和绘图时能一眼找到对应的csv文件。有些人训练完之后直接把整个目录打包扔到网盘里过几天就忘了哪个csv对应哪组实验等写论文时再翻就非常痛苦。2.2 没有csv文件怎么办从命令行日志兜底解析有时候你用的是别人封装的训练脚本或者框架版本不同导致没有自动生成csv这时候就只能从终端输出里把指标捞出来。常见训练日志长这样Epoch 1/100: box_loss1.234, cls_loss0.567, dfl_loss1.012, precision0.45, recall0.60, mAP500.52, mAP50-950.31这种文本用Python正则就能非常快地提取成DataFrame。每行找一个epoch号再用re.findall把需要的关键字后面的数值抓出来逐行append到列表里最后转换成pandas的DataFrame。没有csv时这是最省事的兜底方案。写脚本的时候我会把正则模式写得稍微宽松一些避免训练过程中日志格式发生微小变化导致整行匹配失败。2.3 多组实验的数据组织建议如果你做的是消融实验比如对比加不加注意力模块、对比不同损失权重那数据组织就格外重要。不要把所有csv都堆在一个目录里否则后面多曲线对比时会分不清谁是谁。我自己的做法是每个实验单独一个文件夹文件夹名直接带参数版本号比如“baseline_640”、“w_attention_640”、“w_dfl_weight_640”这样绘图时只要在脚本里维护一个路径列表就能快速出对比图。3. 绘图脚本实战一张论文级六合一训练曲线图3.1 绘图前的三个核心设计决策画图之前先想清楚版面我个人推荐六合一布局第一行放三个损失曲线box_loss、cls_loss、dfl_loss第二行放三个指标曲线precision、recall、mAP其中mAP子图里同时画mAP_0.5和mAP_0.5:0.95两条线。这个布局在目标检测论文里最常见审稿人一眼就能看全训练状态。第二个决策是统一x轴所有子图都使用epoch作为横轴。采用与训练日志一致的epoch编号不要自作聪明去换算成iteration或者step因为论文里大家默认看epoch。第三个决策是平滑策略。原始训练曲线通常抖动非常大特别是mAP_0.5:0.95这种指标100个epoch画出来像心电图一样上下跳直接放论文里会显得训练很不稳定。所以要引入平滑但平滑参数不能拍脑袋定需要结合epoch总数来选择这个我在3.3节详细说。3.2 完整代码读数据、平滑、画子图我直接给你一段可以跑通的脚本。它已兼容不同版本的列名差异自动查找对应字段支持EWM、滚动平均和Savitzky-Golay三种平滑方式。import pandas as pd import matplotlib.pyplot as plt ALIASES { box_loss: [train/box_loss], cls_loss: [train/cls_loss], dfl_loss: [train/dfl_loss], val_box_loss: [val/box_loss], val_cls_loss: [val/cls_loss], val_dfl_loss: [val/dfl_loss], precision: [metrics/precision(B), metrics/precision], recall: [metrics/recall(B), metrics/recall], mAP50: [metrics/mAP50(B), metrics/mAP_0.5, metrics/mAP50], mAP50_95: [metrics/mAP50-95(B), metrics/mAP_0.5:0.95, metrics/mAP50-95], } def find_col(df, alias): for col in alias: if col in df.columns: return df[col] return None def smooth(series, methodewm, window10): if series is None: return None if method ewm: return series.ewm(spanwindow, adjustTrue).mean() elif method rolling: return series.rolling(windowwindow, centerTrue, min_periods1).mean() elif method savgol: from scipy.signal import savgol_filter w window if window % 2 1 else window 1 return pd.Series(savgol_filter(series, w, 3), indexseries.index) return series def plot_training_curves(csv_path, smooth_methodewm, window10, outfiletraining_curves.png, dpi300): df pd.read_csv(csv_path) df.columns [c.strip() for c in df.columns] if epoch in df.columns: epochs df[epoch] else: epochs range(1, len(df) 1) fig, axes plt.subplots(2, 3, figsize(12, 7)) fig.subplots_adjust(hspace0.45, wspace0.25) plt.rcParams.update({ font.size: 9, axes.linewidth: 0.8, axes.grid: True, grid.alpha: 0.25, legend.fontsize: 8, }) # 第一行三个训练损失验证损失用虚线叠上去 loss_pairs [ (box_loss, val_box_loss, Box Loss), (cls_loss, val_cls_loss, Cls Loss), (dfl_loss, val_dfl_loss, DFL Loss), ] for i, (train_key, val_key, title) in enumerate(loss_pairs): ax axes[0, i] train_y smooth(find_col(df, ALIASES[train_key]), smooth_method, window) if train_y is not None: ax.plot(epochs, train_y, color#4C72B0, linewidth1.2, labelTrain) val_y smooth(find_col(df, ALIASES[val_key]), smooth_method, window) if val_y is not None: ax.plot(epochs, val_y, color#DD8452, linewidth1.2, linestyle--, labelVal) ax.set_title(title) ax.set_xlabel(Epoch) ax.set_ylabel(Value) ax.legend(locupper right) # 第二行Precision、Recall、mAP两条曲线放一起 metric_pairs [ (precision, Precision), (recall, Recall), ] for i, (key, title) in enumerate(metric_pairs): ax axes[1, i] y smooth(find_col(df, ALIASES[key]), smooth_method, window) if y is not None: ax.plot(epochs, y, color#4C72B0, linewidth1.2, labeltitle) ax.set_title(title) ax.set_xlabel(Epoch) ax.set_ylabel(Value) ax.set_ylim(0, 1) ax.legend(loclower right) ax axes[1, 2] y50 smooth(find_col(df, ALIASES[mAP50]), smooth_method, window) y95 smooth(find_col(df, ALIASES[mAP50_95]), smooth_method, window) if y50 is not None: ax.plot(epochs, y50, color#4C72B0, linewidth1.2, labelmAP0.5) if y95 is not None: ax.plot(epochs, y95, color#DD8452, linewidth1.2, labelmAP0.5:0.95) ax.set_title(mAP) ax.set_xlabel(Epoch) ax.set_ylabel(Value) ax.set_ylim(0, 1) ax.legend(loclower right) fig.savefig(outfile, dpidpi, bbox_inchestight) print(fSaved to {outfile}) if __name__ __main__: plot_training_curves(runs/train/my_experiment/results.csv)这段脚本是核心骨架你只需要改csv路径和输出文件名。运行时如果提示缺少scipy去掉savgol参数只用ewm即可默认平滑已经够用。代码里mAP子图我特意把两条曲线都控制在0到1的纵轴范围因为mAP_0.5和mAP_0.5:0.95数值差距很大不统一y轴上下限的话低的那条mAP_0.5:0.95会被压成一条直线严重影响观感。3.3 平滑算法的参数选择与坑平滑参数是我踩过最多坑的地方。用EWM时window对应的是“span”这个控制衰减速率的概念而不是滑动窗口大小。我用在100个epoch的训练曲线上window取8到15效果比较自然如果取太小比如3曲线依然毛刺非常多如果取太大比如30曲线的上升点会被明显推后mAP看起来反而比实际涨得慢审稿人如果较真可能会质疑你的收敛速度。如果你用rolling平滑要留意centerTrue这个参数让窗口中心对齐数据点避免曲线整体向右偏移。用Savitzky-Golay滤波时window必须设成奇数而且阶数一般是3不要设置高阶否则曲线被拟合得过度平滑很多细节特征都会消失。这里贴一个不同平滑方式的对比经验在我实测里当训练了300个epoch时EWM的span设为20左右比较合适而rolling的window设为30左右当训练只有50个epoch时span设为5就够了否则曲线会滞后到面目全非。3.4 输出符合论文要求的图片细节论文投稿对图片有硬性要求我通常按一个相对通用的规格来做图片分辨率300dpi起步单栏图片宽度控制在8到9厘米双栏图片控制在15到17厘米。上面脚本里figsize(12,7)是电脑屏幕看的尺寸保存时如果投期刊还要调整你可以在savefig时加上宽高参数或者直接在figsize里改成更适合论文排版的比例。字体方面英文论文里坐标轴标签和子图标题用9pt左右比较稳妥图例用8pt因为期刊排版后图片会缩小字号太大显得笨重字号太小又会糊。坐标轴刻度密度也要注意epoch数量多的时候matplotlib会自动隔几个才标一个数字这是正常的不要手动把所有epoch都塞到x轴上否则刻度会重叠成黑疙瘩。保存格式我建议PDF和PNG各存一份。PDF是矢量格式投稿时清晰度无损编辑排版也方便PNG用于日常预览和组会汇报。保存时bbox_inchestight一定要带上不然子图标题和坐标轴说明会被裁掉一部分。4. 多实验对比与组合出图4.1 封装绘图函数支持多个csv写论文经常需要对比多个实验比如你的方法对比基线、对比另一种SOTA方法。单张曲线图里放多条线时脚本就不能跟上面一样硬编码路径了。我习惯把函数扩展一下传入一个csv路径列表和对应的标签列表然后在同一个子图里循环画多条线。这样改动量很小只需要把plot_training_curves里的单条plot逻辑提出来包一层循环再把线型颜色按索引切换。画多条曲线的时候有两点需要注意一是不要所有线都用同一种颜色除非你的图是黑白印刷二是图例必须能区分每条线的实验名称建议直接在传参时用简短的下划线风格标签比如“Ours”、“Baseline”、“SOTA”避免把整个目录名都打上去图例会占掉很大空间。4.2 不同epoch总数对齐与归一化处理对比实验最容易遇到的场景是两个模型训练的epoch总数不一样A模型跑了100轮B模型跑了150轮。直接把两条曲线放在同一个x轴上B模型的曲线会比A模型多出一截往往B模型的终点mAP更高看起来似乎更优秀但这是不公平的对比。学术论文里更合理的做法是x轴统一用“相对进度”即把epoch转换成百分比0到1代表训练从开始到结束。这样不同训练长度的实验才能放在同一水平线上比较速度。实现起来也简单把epoch列归一化到1也就是用epochs / epochs.max()作为x轴。如果训练是提前终止的可能csv里只记录了前80个epoch那你需要和实验记录核对一下确认这个80是总计划100轮的提前终止还是训练本来就计划80轮。归一化之后两条曲线的收敛快慢会直观得多审稿人问你“为什么你的方法收敛得更快”时这张图就能直接支撑论点。4.3 论文黑白风格配色与线型区分有些期刊为了节省版面会要求图片转成黑白也能看懂。这时候只靠颜色区分多条曲线就不行了。我的通用做法是不同实验用不同线型基线用实线你的方法用带圆点的虚线SOTA用带方块的短划线等等。同时配合不同的灰度颜色保证彩色和黑白打印都可读。这个细节看似不起眼但很多人在投稿被拒后才知道修改图片提前做好能省很多麻烦。5. 实战中的高频问题填坑实录与排查方法5.1 列名对不上、数据缺一行不同版本、不同自定义改动results.csv的列名会有差异。最常见的是mAP相关字段有的写成metrics/mAP50(B)有的写成metrics/mAP_0.5还有的直接叫val_mAP_0.5。遇到这种情况直接改我代码里的ALIASES字典把新列名加进对应列表就行。另外还要小心pandas读取时列名首尾带空格所以我在代码里专门做了strip处理这个不要省。如果csv末尾的一行数据不完整通常是最后一次epoch还没跑完训练就被手动终止了用pd.read_csv读取时不会报错但某些字段会出现NaN绘图前务必用dropna或ffill处理。5.2 曲线毛刺太多观感很差处理毛刺是绘图中最耗时间的环节。我个人的建议是先看原始曲线再用EWM逐步加大span试每次加2到3个值观察曲线形状变化。如果加大到15以后曲线仍然剧烈跳动那说明训练过程本身就不稳定这时候不是平滑能解决的问题了需要回头检查学习率是否过大、批次大小是否过小或者数据增强是否过于激进。有一回我用了一个较大的学习率mAP_0.5曲线在0.7附近剧烈抖动把span调到20才勉强平滑后来把学习率降下来重新训练了一轮曲线自然就干净了。在论文里漂亮曲线的背后往往是一套稳健的训练配置。5.3 mAP数值异常低或跳变如果你发现mAP_0.5:0.95的曲线始终贴着0先别急着怀疑绘图脚本去验证集上跑一次模型直接看验证输出。常见原因是训练集和验证集的标注格式不一致或者验证集里没有包含某些类别的正样本。如果曲线初期上升很快然后突然下降到0后又回升多半是某个epoch的验证过程出了问题比如验证集图片损坏导致那一轮的评估失效。这种情况不能简单平滑掉应该在画图时把异常epoch的数据直接剔除并写清楚剔除原因。5.4 训练提前终止导致曲线不完整很多训练任务用早停策略也就是当验证损失连续多个epoch不再下降时自动停止。这时候results.csv会只有一部分epoch数据曲线图看起来就像被截断一样。我的处理方法是如果论文需要展示“完整训练过程”就保持截断状态并在图注里说明“early stopping at epoch 80”如果你只是想展示最终收敛结果也可以只画到实际训练的最后一个epoch不需要强行补足。无论哪种方案都要保证坐标轴范围与数据范围匹配不要留出大片空白。5.5 matplotlib中文乱码与字体问题如果你要在图里加中文注释matplotlib默认字体通常不支持会显示成方框。我建议尽量用英文标签写论文图因为绝大多数SCI期刊都是英文。如果确有必要用中文可以指定一个支持中文的字体比如在Windows下用SimHei在Linux服务器上需要额外安装中文字体文件或者用文泉驿系列字体。服务器上经常没有中文字体会导致出图失败最简单的方案就是绘图前统一用英文把中文需求放到正文里说明。整个流程走下来你会发现绘制训练曲线这件事真正花心思的地方其实不在画图本身而是前期的数据组织、训练状态的判断、以及为满足论文规范做的各种细节调整。每次拿到一组新实验结果我都会先把results.csv打开看一遍确认损失曲线真的收敛了、mAP正常抬升了再让绘图脚本跑图。这样可以避免辛辛苦苦画了一组完美的曲线结果发现实验本身就有问题白费功夫。