计算机视觉 / 系统课时
配置基础训练参数
配置基础训练参数
这一课把一组数据集变成可复现的 YOLO 基线训练配置:明确训练轮数、批大小、输入尺寸、计算设备和输出目录,并先用短跑验证参数组合,避免长训练开始后才发现显存或路径问题。
学习目标
- 理解
epochs、batch、imgsz、device对训练过程的直接影响 - 用
project与name固定基线实验的输出位置 - 通过 1 个 epoch 的冒烟训练验证参数、数据和设备能否正常工作
把参数分成训练、资源和输出三类
基础训练参数不需要一开始就追求“最优”,先保证可运行、可比较。epochs 决定最多完整遍历训练集多少次;batch 决定一次送入模型多少张图;imgsz 决定训练时的输入尺寸,尺寸越大通常越占显存、计算也越慢。
device 指定训练设备。单张 NVIDIA GPU 常用 device=0,没有可用 CUDA GPU 时可改成 device=cpu。project 和 name 共同决定实验输出目录,建议每次基线训练都显式设置,便于后续查找权重和指标。
先得到一套保守基线
下面是一组适合作为起点的示例,不代表所有数据集的最佳值。
| 参数 | 示例值 | 配置目的 |
|---|---|---|
epochs |
100 |
给模型足够的完整训练轮次 |
batch |
16 |
在训练速度与显存占用之间取一个常见起点 |
imgsz |
640 |
使用统一输入尺寸建立可比较基线 |
device |
0 |
使用第 1 张 CUDA GPU |
project |
<PATH>/runs |
固定实验根目录 |
name |
baseline |
固定本次实验名称 |
如果训练刚开始就出现显存不足,优先降低 batch,例如从 16 调到 8 或 4;只有目标很小、图像细节确实不足时,再考虑增大 imgsz。基线阶段不要同时改动多个主要参数,否则很难判断结果变化来自哪里。
用 1 个 epoch 做参数冒烟验证
正式训练前先执行一个 1 epoch 版本,确认数据集配置、模型权重、设备选择和输出目录都能被 Ultralytics 正常解析。请先把 <PATH> 替换成你的真实路径。
yolo detect train model=yolo11n.pt data="<PATH>/data.yaml" epochs=1 batch=16 imgsz=640 device=0 project="<PATH>/runs" name=baseline-smoke预期输出
Ultralytics <VERSION> ...
...
1 epochs completed in <TIME>.
Results saved to <PATH>/runs/baseline-smoke实际日志会随 Ultralytics 版本、硬件和数据量变化,<VERSION>、<TIME> 等值也会不同。只要命令进入训练、完成 1 个 epoch,并把结果写入指定实验目录,就说明这组基础参数已经通过最小验证。
固定基线后再逐项调整
进入正式实验后,先保持数据划分、模型和随机条件不变,再一次只修改一个主变量。显存紧张先改 batch,目标尺度不合适再评估 imgsz,训练明显未收敛再考虑增加 epochs。这样得到的每次结果才具有可解释的对比意义。
基础参数配置的目标不是一次猜中最佳组合,而是先建立一套能稳定复现的起点;下一次训练只要沿用同一组参数与输出命名,就能把模型变化与训练配置变化区分开。