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_loss=1.234, cls_loss=0.567, dfl_loss=1.012, precision=0.45, recall=0.60, mAP50=0.52, mAP50-95=0.31

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, method="ewm", window=10): if series is None: return None if method == "ewm": return series.ewm(span=window, adjust=True).mean() elif method == "rolling": return series.rolling(window=window, center=True, min_periods=1).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), index=series.index) return series def plot_training_curves(csv_path, smooth_method="ewm", window=10, outfile="training_curves.png", dpi=300): 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(hspace=0.45, wspace=0.25) 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", linewidth=1.2, label="Train") 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", linewidth=1.2, linestyle="--", label="Val") ax.set_title(title) ax.set_xlabel("Epoch") ax.set_ylabel("Value") ax.legend(loc="upper 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", linewidth=1.2, label=title) ax.set_title(title) ax.set_xlabel("Epoch") ax.set_ylabel("Value") ax.set_ylim(0, 1) ax.legend(loc="lower 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", linewidth=1.2, label="mAP@0.5") if y95 is not None: ax.plot(epochs, y95, color="#DD8452", linewidth=1.2, label="mAP@0.5:0.95") ax.set_title("mAP") ax.set_xlabel("Epoch") ax.set_ylabel("Value") ax.set_ylim(0, 1) ax.legend(loc="lower right") fig.savefig(outfile, dpi=dpi, bbox_inches="tight") print(f"Saved 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center=True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_inches="tight"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。