计算机视觉 / 系统课时
运行首个训练示例
运行首个训练示例
这一课用官方小型示例数据集跑通一次完整训练,不追求模型精度,而是确认数据下载、训练循环、权重保存和结果目录都能正常工作。完成后,你应该能找到最佳权重、最后权重和训练指标,并知道它们分别用于什么。
学习目标
- 使用 COCO8 启动一次最小目标检测训练
- 根据终端日志判断训练是否正常完成
- 识别训练目录中的核心产物及其用途
启动一个最小训练任务
使用预训练权重可以把重点放在训练流程本身。下面把训练轮数压到 3 个 epoch,并显式指定输出目录,方便之后定位文件。首次运行通常需要联网下载 yolo26n.pt 和 COCO8 数据。
bash
yolo detect train model=yolo26n.pt data=coco8.yaml epochs=3 imgsz=640 project=runs/tutorial name=first-train exist_ok=True预期输出(设备、耗时和指标数值会因环境而不同):
text
<VALUE>
3 epochs completed in <TIME>.
Results saved to <PATH>/runs/tutorial/first-train只要训练循环跑完并打印结果保存位置,就说明最小训练链路已经贯通。若机器没有可用 GPU,框架可以退回 CPU,但耗时会明显增加;首次下载模型或数据集时也可能比后续运行慢。
看懂训练目录
训练结束后,重点不是把目录里的每张图都看一遍,而是先认识几个会反复使用的文件。
| 产物 | 作用 |
|---|---|
weights/best.pt |
验证表现最佳时保存的权重,通常优先用于后续验证、推理或导出 |
weights/last.pt |
最后一个 epoch 的权重,常用于断点续训或保留最终训练状态 |
results.csv |
逐 epoch 记录损失和评估指标,适合后续分析 |
results.png |
将主要训练曲线汇总成图,便于快速观察趋势 |
args.yaml |
保存本次训练实际使用的参数,便于复现实验 |
不同版本还可能生成训练批次、标签分布、混淆矩阵等诊断图片;这些属于辅助产物,不影响本课对训练是否成功的判断。
用最佳权重做一次验证
训练成功后,再用刚生成的 best.pt 做验证,可以同时确认权重文件可加载、数据配置仍可读取,并让训练产物真正进入下一步流程。
bash
yolo detect val model=runs/tutorial/first-train/weights/best.pt data=coco8.yaml预期输出:
text
<VALIDATION_METRICS>
Results saved to <PATH>COCO8 只有极少量图片,适合做流程烟雾测试,不适合据此判断真实业务精度。这里应关注命令能否完成、权重能否加载和验证流程能否运行,而不是追求某个固定的 mAP 数值。
训练失败时先查什么
如果命令没有进入 epoch 循环,先区分失败发生在下载、数据读取还是设备初始化。下载失败优先检查网络;找不到数据配置时检查 data 参数;显存不足时可以减小 batch 或 imgsz,也可以临时改用 CPU 验证流程。
按自己的节奏,确认真正理解。