计算机视觉 / 系统课时
读取训练输出
读取训练输出
训练结束后的价值不只是一份权重文件。要判断基线是否可用,需要同时分清最佳权重、最后权重、逐轮指标和验证图。下面用一个 Python 脚本检查核心产物,并从 results.csv 读取真实记录。
学习目标
- 区分
best.pt与last.pt的用途,避免拿错权重。 - 从
results.csv和results.png判断训练过程是否稳定。 - 识别验证结果文件,并知道哪些文件会随任务类型或版本变化。
先认清核心产物
假设某次训练输出目录为 runs/yolo-baseline/python-baseline。检测训练中最值得先看的文件如下;不同 YOLO 任务、Ultralytics 版本和绘图配置可能额外生成其他文件,因此不要把完整文件清单写死。
| 产物 | 主要用途 | 读取重点 |
|---|---|---|
weights/best.pt |
保存训练过程中综合验证表现最好的检查点 | 用于后续验证、推理或导出 |
weights/last.pt |
保存最后一个训练 epoch 的检查点 | 中断恢复或继续训练时优先使用 |
results.csv |
保存逐 epoch 的损失、学习率和验证指标 | 找最佳区间、观察收敛与过拟合 |
results.png |
将训练 CSV 中的关键曲线绘制成图 | 快速观察损失与指标趋势 |
best.pt 的“best”由训练器的验证评价逻辑决定,不等同于“训练损失最低”。如果最后几轮验证性能回落,best.pt 可能来自更早的 epoch,而 last.pt 仍然代表训练结束时的状态。
用 Python 检查目录
下面的脚本不假设指标列名完全固定。它先检查四个核心文件,再读取 results.csv 的最后一行,并自动找出以 metrics/ 开头的指标列;最后列出目录中名称含 curve 或 confusion_matrix 的验证图。
from csv import DictReader
from pathlib import Path
RUN_DIR = Path("runs/yolo-baseline/python-baseline")
def main() -> None:
core_files = [
RUN_DIR / "weights" / "best.pt",
RUN_DIR / "weights" / "last.pt",
RUN_DIR / "results.csv",
RUN_DIR / "results.png",
]
for path in core_files:
status = "OK" if path.exists() else "MISSING"
print(f"{path.name}: {status}")
csv_path = RUN_DIR / "results.csv"
if not csv_path.exists():
raise FileNotFoundError(f"results.csv not found: {csv_path.resolve()}")
with csv_path.open("r", encoding="utf-8", newline="") as file:
rows = list(DictReader(file))
if not rows:
raise RuntimeError("results.csv contains no epoch records")
last_row = rows[-1]
metric_keys = [key for key in last_row if key.startswith("metrics/")]
print(f"epochs recorded: {len(rows)}")
print("metric columns:", ", ".join(metric_keys) or "<none>")
plot_names = sorted(
path.name
for path in RUN_DIR.glob("*.png")
if "curve" in path.name.lower()
or "confusion_matrix" in path.name.lower()
)
print("validation plots:", ", ".join(plot_names) or "<none>")
if __name__ == "__main__":
main()预期输出
best.pt: OK
last.pt: OK
results.csv: OK
results.png: OK
epochs recorded: <VALUE>
metric columns: <VALUE>
validation plots: <VALUE><VALUE> 取决于实际训练轮数、任务类型和当前 Ultralytics 生成的指标与图表名称。若核心文件显示 MISSING,应先确认 RUN_DIR 是否指向正确实验,而不是立即判断训练失败。
读取曲线时看什么
先看训练损失是否总体下降,再看验证指标是否同步改善。如果训练损失持续变好,但验证指标在某个阶段后停滞甚至下降,通常意味着继续增加 epoch 已经不能带来同等泛化收益,此时应回到 best.pt 对应的最佳阶段分析,而不是只使用最后权重。
results.png 是 results.csv 的可视化结果,适合快速看趋势;需要精确比较两个实验时,应以 CSV 中同名指标列为准。图像曲线受坐标范围影响,肉眼看起来差异很大,并不代表数值差异同样大。
检测任务还常见混淆矩阵、PR/F1/P/R 曲线以及验证批次预测图。它们更适合回答“哪个类别错得多”“阈值变化如何影响精确率和召回率”等问题;分割、姿态或分类任务的验证产物会不同,因此应按实际目录读取,而不是套用检测任务的固定文件名。
什么时候用 best,什么时候用 last
准备做独立验证、推理或模型导出时,通常从 best.pt 开始,因为它对应训练期间表现最好的验证检查点。要从中断位置恢复训练,则优先使用 last.pt 并按框架的 resume 方式继续,这样才能延续上一轮训练状态。
真正可比较的基线应同时保留权重、results.csv、训练参数和验证图。只保存一份 best.pt 会丢掉“它为什么最好”的训练过程证据,也会让后续实验很难判断提升来自数据变化、训练时长还是超参数调整。