YOLOv9推理结果可视化：seaborn/matplotlib绘图实战

你有没有遇到过这种情况：YOLOv9模型跑完了推理，生成了一堆检测框和类别信息，但除了看几张带框的图片外，根本不知道模型到底“看见”了什么？比如哪些类别最容易被识别？哪些图像里目标最多？误检集中在哪些场景？

别急——这正是我们今天要解决的问题。本文不讲训练、不谈部署，专注一个实用又常被忽略的环节：如何用matplotlib和seaborn把 YOLOv9 的推理结果变成清晰直观的图表，让你一眼看懂模型的表现。

我们将基于官方镜像环境，从实际输出文件出发，一步步带你解析检测日志、提取关键数据，并绘制出柱状图、热力图、置信度分布图等常见可视化图表，真正实现“让数据说话”。

1. 镜像环境说明

本镜像基于 YOLOv9 官方代码库构建，预装了完整的深度学习开发环境，集成了训练、推理及评估所需的所有依赖，开箱即用。

核心框架: pytorch==1.10.0
CUDA版本: 12.1
Python版本: 3.8.5
主要依赖: torchvision==0.11.0，torchaudio==0.10.0，cudatoolkit=11.3, numpy, opencv-python, pandas, matplotlib, tqdm, seaborn 等
代码位置:/root/yolov9

这些常用的数据分析与可视化库（尤其是pandas+matplotlib+seaborn）已经默认安装，省去了手动配置的麻烦，让我们可以直接进入数据分析阶段。

2. 推理结果结构解析

2.1 输出目录结构

当你运行如下命令进行推理：

python detect_dual.py --source './data/images/horses.jpg' --img 640 --device 0 --weights './yolov9-s.pt' --name yolov9_s_640_detect

系统会在项目根目录下生成一个路径为runs/detect/yolov9_s_640_detect的文件夹，其中包含：

horses.jpg：原始图像
labels/：对应.txt标注文件（每行格式：class_id center_x center_y width height conf）
labels_with_names/：如果启用了命名功能，则会保存含类名的文本
日志或控制台输出中可能还会打印每张图的检测统计信息

我们要做的第一件事，就是把这些分散的.txt文件读取进来，整理成结构化数据。

2.2 检测结果字段含义

每个检测行由6个数值组成：

class_id x_center y_center width height confidence

例如：

0 0.45 0.67 0.2 0.3 0.93

表示：

类别是0（假设为 'person'）
中心点位于图像水平方向 45%、垂直方向 67%
占据图像宽度的 20%，高度的 30%
模型对该预测的置信度为 93%

我们的目标是从大量这样的记录中提取出可分析的信息。

3. 数据准备：从文本到DataFrame

3.1 批量读取检测结果

我们先写一段脚本，遍历labels/目录下的所有.txt文件，将它们合并成一个统一的pandas.DataFrame。

import os import pandas as pd # 定义类别映射（COCO数据集前10类为例） class_names = { 0: 'person', 1: 'bicycle', 2: 'car', 3: 'motorcycle', 4: 'airplane', 5: 'bus', 6: 'train', 7: 'truck', 8: 'boat', 9: 'traffic light' } def load_detection_results(label_dir): data = [] for file_name in os.listdir(label_dir): if not file_name.endswith('.txt'): continue image_name = file_name.replace('.txt', '') file_path = os.path.join(label_dir, file_name) with open(file_path, 'r') as f: for line in f.readlines(): parts = line.strip().split() if len(parts) == 6: cls_id, cx, cy, w, h, conf = map(float, parts) data.append({ 'image': image_name, 'class_id': int(cls_id), 'class_name': class_names.get(int(cls_id), 'unknown'), 'confidence': conf, 'bbox_area_ratio': w * h # 归一化面积比例 }) return pd.DataFrame(data) # 加载数据 df = load_detection_results('/root/yolov9/runs/detect/yolov9_s_640_detect/labels') print(f"共加载 {len(df)} 条检测记录")

这样我们就得到了一个结构化的数据表，可以开始做各种统计和绘图了。

4. 可视化实战：五种经典图表

4.1 图表一：各类别检测数量柱状图

想知道模型最常识别出哪些物体？这个图告诉你答案。

import matplotlib.pyplot as plt import seaborn as sns plt.figure(figsize=(10, 6)) sns.countplot(data=df, x='class_name', order=df['class_name'].value_counts().index) plt.title('各类别检测频次统计', fontsize=16) plt.xlabel('类别名称') plt.ylabel('检测次数') plt.xticks(rotation=45) plt.tight_layout() plt.savefig('class_distribution.png', dpi=300) plt.show()

提示：使用seaborn.countplot()能自动排序并美化颜色，比原生matplotlib.bar()更简洁专业。

4.2 图表二：置信度分布直方图

模型有多“自信”？看看置信度的整体分布就知道了。

plt.figure(figsize=(10, 6)) sns.histplot(df['confidence'], bins=50, kde=True, color='skyblue') plt.title('检测结果置信度分布', fontsize=16) plt.xlabel('置信度') plt.ylabel('频次') plt.axvline(df['confidence'].mean(), color='red', linestyle='--', label=f'平均值: {df["confidence"].mean():.2f}') plt.legend() plt.tight_layout() plt.savefig('confidence_hist.png', dpi=300) plt.show()

你会发现大多数高置信度集中在 0.7~0.9 区间，低于 0.3 的可能是噪声或误检。

4.3 图表三：不同图像中的目标数量对比

哪张图最“热闹”？我们可以统计每张图检测到的目标总数。

img_counts = df.groupby('image').size().reset_index(name='detection_count') plt.figure(figsize=(10, 6)) sns.barplot(data=img_counts, x='image', y='detection_count', palette='viridis') plt.title('各图像中检测到的目标数量', fontsize=16) plt.xlabel('图像名称') plt.ylabel('目标数量') plt.xticks(rotation=45) plt.tight_layout() plt.savefig('per_image_count.png', dpi=300) plt.show()

这对判断复杂场景下的模型表现很有帮助，比如是否在密集场景漏检严重。

4.4 图表四：类别与置信度箱线图

不同类别的置信度稳定性如何？是否存在某些类别总是低分？

plt.figure(figsize=(12, 6)) sns.boxplot(data=df, x='class_name', y='confidence') plt.title('各类别检测置信度分布（箱线图）', fontsize=16) plt.xlabel('类别') plt.ylabel('置信度') plt.xticks(rotation=45) plt.ylim(0, 1) plt.tight_layout() plt.savefig('confidence_boxplot.png', dpi=300) plt.show()

通过箱体和须线可以看出：

分布集中程度（稳定性）
是否存在大量低分异常值（如 'traffic light' 经常低置信）

4.5 图表五：类别共现热力图（同一图像中同时出现的频率）

两个物体经常一起出现吗？比如“人”和“自行车”，“车”和“红绿灯”。

from collections import defaultdict import numpy as np # 构建图像内类别组合 pair_counter = defaultdict(int) for img in df['image'].unique(): classes_in_img = df[df['image'] == img]['class_id'].tolist() for i in range(len(classes_in_img)): for j in range(i+1, len(classes_in_img)): a, b = sorted([classes_in_img[i], classes_in_img[j]]) pair_counter[(a, b)] += 1 # 创建共现矩阵 classes = sorted(class_names.keys()) co_matrix = np.zeros((len(classes), len(classes))) for (i, j), count in pair_counter.items(): if i in classes and j in classes: co_matrix[i][j] += count co_matrix[j][i] += count # 对称 # 绘图 plt.figure(figsize=(10, 8)) sns.heatmap(co_matrix, annot=True, fmt='g', xticklabels=[class_names[c] for c in classes], yticklabels=[class_names[c] for c in classes], cmap='Blues') plt.title('类别共现热力图', fontsize=16) plt.xlabel('类别') plt.ylabel('类别') plt.tight_layout() plt.savefig('co_occurrence_heatmap.png', dpi=300) plt.show()

这张图能帮你发现潜在的应用逻辑，比如：

“人”和“自行车”高频共现 → 可用于骑行行为分析
“车”和“红绿灯”关联强 → 适合交通监控场景

5. 进阶技巧：动态更新与批量处理

5.1 自动化脚本封装

你可以把上述流程打包成一个脚本，在每次推理后自动执行：

#!/bin/bash # run_visualization.sh cd /root/yolov9 python detect_dual.py --source ./data/images --weights yolov9-s.pt --name latest_run python visualize_results.py --run_name latest_run

配合定时任务或CI/CD流程，实现全自动分析。

5.2 添加过滤条件提升洞察力

比如只关注高置信度（>0.7）的结果，或者排除小目标（bbox_area_ratio < 0.01），可以让图表更聚焦真实有效信息。

filtered_df = df[(df['confidence'] > 0.7) & (df['bbox_area_ratio'] >= 0.01)]

再基于filtered_df做图，避免被噪声干扰。

5.3 导出统计报告

最后别忘了导出一份 CSV 报告，方便团队共享：

summary = df.groupby(['class_name']).agg( detection_count=('confidence', 'size'), avg_confidence=('confidence', 'mean'), min_confidence=('confidence', 'min'), max_confidence=('confidence', 'max') ).round(3) summary.to_csv('detection_summary.csv') print(summary)

6. 总结

6.1 关键收获回顾

本文带你完成了从 YOLOv9 推理结果到数据可视化的完整闭环：

解析了detect_dual.py输出的文本格式
使用pandas将非结构化检测结果转为结构化数据
利用matplotlib和seaborn实现了五类核心图表：
- 类别频次柱状图
- 置信度分布直方图
- 每图目标数对比图
- 类别置信度箱线图
- 类别共现热力图
提供了自动化脚本思路和进阶优化建议

这些图表不仅能帮助你快速评估模型表现，还能作为项目汇报中的有力支撑材料。