计算机视觉 / 系统课时
使用 Python 启动训练
使用 Python 启动训练
这一节把 YOLO 训练参数放进一个可重复执行的 Python 脚本:明确模型、数据集、轮数、图像尺寸和输出目录,并在训练结束后打印真实产物路径,便于后续读取权重与指标。
学习目标
- 使用
YOLOPython API 加载预训练权重并启动训练。 - 用代码显式管理数据集、训练参数和实验输出目录。
- 根据终端输出确认训练是否真正完成,以及产物保存在哪里。
准备训练入口
下面以 Ultralytics YOLO 的检测训练为例。脚本依赖一个有效的数据集描述文件 data/dataset.yaml;其中应配置训练集、验证集和类别信息。模型文件使用预训练权重,首次使用官方权重名时,Ultralytics 会按当前环境能力处理模型文件。
为了让脚本在 Windows 等会启用多进程数据加载的环境中也能安全启动,训练调用放在 if __name__ == "__main__": 保护下。实验目录则显式固定为 runs/yolo-baseline/python-baseline,避免训练结束后还要猜输出位置。
from pathlib import Path
from ultralytics import YOLO
MODEL_PATH = "yolo26n.pt"
DATA_YAML = Path("data/dataset.yaml")
def main() -> None:
if not DATA_YAML.exists():
raise FileNotFoundError(
f"dataset yaml not found: {DATA_YAML.resolve()}"
)
# 从预训练权重开始,比从零训练更适合作为第一条基线。
model = YOLO(MODEL_PATH)
model.train(
data=str(DATA_YAML),
epochs=30,
imgsz=640,
batch=8,
workers=4,
project="runs/yolo-baseline",
name="python-baseline",
exist_ok=True,
)
# 使用训练器记录的真实目录,不手工拼接可能变化的路径。
save_dir = Path(model.trainer.save_dir).resolve()
print(f"training artifacts: {save_dir}")
if __name__ == "__main__":
main()预期输出
training artifacts: <PATH>/runs/yolo-baseline/python-baseline<PATH> 是当前项目所在的实际绝对路径;训练过程还会输出每轮损失、验证指标和资源信息,这些数值会随数据集、设备和随机性变化。
理解关键训练参数
data 决定训练数据来源,epochs 决定完整遍历训练集的轮数,imgsz 控制送入模型的目标图像尺寸,batch 影响显存占用与吞吐量。首次建立基线时,参数不宜频繁变化,否则很难判断后续提升究竟来自数据、模型还是超参数。
project 与 name 共同决定实验目录。这里设置 exist_ok=True,是为了重复执行同一基线脚本时继续使用固定目录;如果需要永久保留每一次实验,应改用不同的 name,不要让新结果覆盖旧实验的文件。
设备参数可以按机器调整。省略 device 时,Ultralytics 会根据可用硬件选择运行设备;确实需要固定 GPU、CPU 或 Apple Silicon 时,再显式传入相应设备值。这样脚本默认更容易在不同开发机上运行。
判断训练是否成功
不要只看到 Python 进程退出就认为训练成功。至少确认三件事:终端没有未处理异常;脚本最后打印了 training artifacts;该目录下产生了权重和训练记录。后续最常读取的是 weights/best.pt、weights/last.pt、results.csv 与 results.png。
如果报错发生在真正进入第一个 epoch 之前,优先检查 dataset.yaml 路径、图片与标签路径、类别定义以及 Python 环境是否能正常导入 ultralytics。只有训练完整跑通并留下可读取的实验目录,这次 Python API 基线才算建立完成。