从产线误检说起上周产线上有个案子：同一个工件，光照稍微偏一点，YOLO模型一会儿报0.92的置信度，一会儿报0.87。质检组长拿着报告过来问：“到底信哪个？阈值到底设0.85还是0.9？”——这问题直接戳到目标检测的痛处：我们平时看的那个置信度分数，真的可靠吗？传统YOLO输出的置信度，本质是模型对“这个框里有所需类别”的确定性估计。但它有个致命问题：模型对自己的错误往往也很“自信”。你遇到过模型把背景噪点识别成缺陷，还给出0.95的高分吗？这就是典型的“过度自信”问题。今天要聊的不确定性估计，就是要给模型的预测加上一个“可信度标签”。置信度≠不确定性先厘清概念。YOLOv11默认输出的置信度（confidence score）是单一数值，它混合了两种信息：物体存在的概率，以及边界框位置的质量。但这个数值没有区分“认知不确定性”和“偶然不确定性”。举个例子：模型没见过夜间红外图像，这时候它应该表现出高度不确定性（认知不确定性）；但在白天光照良好的场景下，某个物体被部分遮挡，这时候的不确定性属于数据本身的模糊性（偶然不确定性）。传统置信度分数无法区分这两者。# 常规YOLO推理输出boxes,scores,classes