计算机视觉 / 系统课时

启动命令行训练

启动命令行训练

这一课完成从“参数已经确定”到“训练真正跑起来”的最后一步:用 Ultralytics CLI 启动 YOLO 检测训练,读取实时日志判断训练是否正常推进,并在结束后确认权重和结果文件确实写入目标目录。

学习目标

  • 使用一条完整的 yolo detect train 命令启动基线训练
  • 从实时日志中识别 epoch 进度、显存占用和主要损失项
  • 在训练结束后检查 best.pt、last.pt 等关键产物

启动前确认输入条件

正式启动前确认三件事:data.yaml 路径可访问,预训练模型名称或本地权重路径正确,device 与当前机器一致。若上一课的 1 epoch 冒烟训练已经成功,通常可以直接复用同一组参数,只把 epochs 和实验名称改为正式值。

输出目录也应提前固定。示例使用 <PATH>/runs/baseline,这样训练日志、指标文件和权重会集中在同一次实验目录中,后续验证和对比更容易。

启动正式训练

下面以 YOLO 检测任务为例启动 100 个 epoch 的基线训练。执行前把 <PATH> 替换为数据集和实验目录的真实路径。

bash
yolo detect train model=yolo11n.pt data="<PATH>/data.yaml" epochs=100 batch=16 imgsz=640 device=0 project="<PATH>/runs" name=baseline

预期输出

text
Ultralytics <VERSION> ...
engine/trainer: ... epochs=100, batch=16, imgsz=640, device=0 ...
Epoch    GPU_mem    box_loss    cls_loss    dfl_loss    Instances    Size
1/100    <VALUE>    <VALUE>     <VALUE>     <VALUE>     <VALUE>      640
...

不同版本的列名和顺序可能略有差异,但正常情况都会持续打印训练进度和当前指标。若命令在读取数据或加载模型阶段立即退出,应先处理报错,而不是反复重启训练。

读懂实时日志

观察实时日志时,不需要盯住每一个数字,先看三个层面。第一是 epoch 是否持续递增;第二是 GPU 显存和运行速度是否稳定,没有频繁中断或明显异常;第三是 box_loss、cls_loss、dfl_loss 等训练损失是否能在多个 epoch 的尺度上形成合理趋势,而不是只比较相邻两行。

验证阶段还会输出检测指标。单个 epoch 的升降可能来自采样和优化波动,基线训练更应该关注一段时间内的整体变化。如果日志出现 CUDA out of memory,应先降低 batch;如果数据文件、标签或类别配置有问题,则按报错路径修正数据后重新启动。

确认训练产物

训练正常结束后,检查实验目录中的权重文件。Ultralytics 通常会在本次运行目录下生成 weights 子目录,其中保留最佳权重和最后一个 epoch 的权重。

bash
ls "<PATH>/runs/baseline/weights"

预期输出

text
best.pt
last.pt

如果看到这两个文件,说明本次训练至少已经完成权重落盘。实际实验目录里还可能包含结果表格、曲线或配置记录,具体文件会随版本变化;后续评估时优先使用 best.pt,而 last.pt 更适合继续训练或排查训练中断前的最终状态。

一次合格的命令行训练应同时满足三点:进程能够稳定跑完、实时日志没有未处理的异常、目标目录中存在可用权重。只有这三项都成立,基线结果才适合进入下一步评估。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

启动命令行训练

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通