YOLOv8 模型訓練不能只看 loss 是否下降，還要同時解讀 IoU、mAP50、mAP50-95、Precision 與 Recall。這些指標分別回答定位準不準、整體偵測好不好、誤報多不多，以及漏檢是否嚴重。
YOLOv8 如何開始訓練自訂資料集？
YOLOv8 訓練自訂資料集通常從預訓練權重開始。載入 `yolov8n.pt` 這類權重後，再用自己的 dataset YAML 微調，是最常見的遷移學習流程。
```python
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
results = model.train(data='custom_dataset.yaml', epochs=100, imgsz=640)
```
Ultralytics 官方 Python 用法文件提供 `YOLO(...)`、`train()`、`val()`、`predict()` 等流程（Ultralytics，存取日期：2026-08-27）。若資料量不大，從預訓練模型開始通常比從 YAML 隨機初始化更穩定。
YOLOv8 模型大小怎麼選？
YOLOv8 模型大小通常在速度、記憶體與準確率之間取捨。YOLOv8n 最小最快，YOLOv8x 最大最慢但容量較高。
| 模型 | 適合情境 |
|---|---|
| YOLOv8n | 邊緣裝置、快速原型、即時性優先 |
| YOLOv8s | 一般輕量部署 |
| YOLOv8m | 準確率與速度平衡 |
| YOLOv8l | 準確率優先 |
| YOLOv8x | 資源充足、追求較高容量 |
實務資訊增益：模型選型不要只看驗證集 mAP。若部署環境是 CPU 或邊緣 GPU，推論延遲與記憶體峰值常比 mAP 小數點差異更重要。
IoU、Precision 和 Recall 怎麼解讀？
IoU 衡量預測框與真實框的重疊程度，Precision 衡量預測框有多少是正確的，Recall 衡量真實目標有多少被找出來。三個指標要一起看。
| 指標 | 回答的問題 |
|---|---|
| IoU | 框的位置準不準 |
| Precision | 誤報多不多 |
| Recall | 漏檢多不多 |
若 Precision 高但 Recall 低，模型可能很保守，只偵測最有把握的目標。若 Recall 高但 Precision 低，模型可能框出很多錯誤物件。
mAP50 和 mAP50-95 差在哪？
mAP50 是在 IoU 0.50 門檻下計算平均精度，mAP50-95 則跨 0.50 到 0.95 多個 IoU 門檻取平均。mAP50-95 對定位品質要求更高。
Ultralytics 指標文件把 precision、recall、mAP50 與 mAP50-95 列為 YOLO 評估重點（Ultralytics，存取日期：2026-08-27）。若 mAP50 不錯但 mAP50-95 明顯偏低，代表模型大致找得到物件，但框的位置不夠精準。
如何用 TensorBoard 監控訓練？
TensorBoard 適合觀察 YOLOv8 訓練過程中的 loss 與驗證指標。監控曲線可以幫助判斷模型是否過擬合、欠擬合或需要調整資料。
```python
results = model.train(
data='custom_dataset.yaml',
epochs=100,
imgsz=640,
project='YOLOv8_training',
name='experiment1',
)
```
優化策略：
- validation 指標停滯時，先檢查標註品質。
- recall 偏低時，補充漏檢場景資料。
- precision 偏低時，檢查類別定義與背景誤標。
- mAP50-95 偏低時，提升標註框一致性與輸入解析度。
常見問題
YOLOv8 一定要從預訓練模型開始嗎？
YOLOv8 不一定要從預訓練模型開始，但自訂資料集通常建議使用預訓練權重微調。從零訓練需要更多資料、時間與算力。
mAP50 高就代表模型很好嗎？
mAP50 高只代表 IoU 0.50 門檻下表現不錯。若任務要求精準定位，還要看 mAP50-95 與實際錯誤案例。
Precision 和 Recall 哪個比較重要？
Precision 和 Recall 的重要性取決於任務成本。誤報成本高時重視 Precision，漏檢成本高時重視 Recall。
YOLOv8n 和 YOLOv8x 怎麼選？
即時部署或硬體有限時先選 YOLOv8n 或 YOLOv8s。資料充足且準確率優先時，再評估 YOLOv8l 或 YOLOv8x。
訓練 loss 下降但 mAP 沒提升怎麼辦？
loss 下降但 mAP 沒提升時，應檢查驗證集標註、類別分布、資料切分與輸入解析度。這種情況常代表模型在學訓練資料，但泛化沒有改善。
參考資料
- Ultralytics，〈YOLO Python Usage〉，存取日期：2026-08-27。
- Ultralytics，〈YOLO Performance Metrics〉，存取日期：2026-08-27。
最後更新
2026-08-27
延伸閱讀
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2023-08-16