yolov8同yolov5大致一样，区别是二者的存储文件发生了变化，yolov5通常保存在runs/train/中，而v8为runs/detect/目录，训练完成后依然以文件夹形式给出结果分析，如下图所示

对比于v5来说，v8多了一张confusion_marix图，根据图中内容得知，图中表达的内容主要是预测的对象和真实对象的对比数量。

以grass为例：

grass预测为grass的数量为30个

grass预测为other tree的数量为1个

grass预测为tree的数量为0个

grass预测为background为3个。

其他结果图片所表达的内容基本与v5一致，具体信息可参考v5分析的另一篇论坛，下面会加入链接可供参考。

在result图对比中，v8多了一项数值，为dfl值

dfl值指的是 Distribution Focal Loss（分布焦点损失），它是一种用于边界框回归损失的高级方法，目的是让模型在预测目标框的位置时更精确、更鲁棒。

传统的边界框回归方法通常是：直接预测一个连续值（比如框的中心点 x、y 或宽度 w、高度 h）

而 DFL 的做法是：不直接预测一个精确的小数，而是预测一个“离散概率分布”，然后通过加权平均得到最终的连续坐标。

DFL 让 YOLOv8 不再“猜一个数”，而是“猜这个数更接近哪两个整数，各占多少比例”，从而实现更精细、更稳定的边界框回归。

可以看到v8loss损失曲线的纵坐标值对比于v5来说大了10倍左右，这不是代表模型训练的差，而是v8引入的是Distribution Focal Loss，这个损失值本身就会比传统的IoU损失数值大，因此会大出一个数量级。

所以不要跨版本比较损失绝对值，要在各自版本内部观察损失下降趋势，用验证集指标(mAP)作为最终评判标准，如果V8的mAP指标更好，即使损失值更大也是成功的。

就像不能比较摄氏度和华氏度的数值大小一样，不同损失函数的数值没有直接可比性。

【金山文档 | WPS云文档】 yolov5目标检测result结果图分析https://www.kdocs.cn/l/clZoTCuTpsew