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。
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
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。
ls "<PATH>/runs/baseline/weights"预期输出
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。