计算机视觉 / 系统课时

训练与迭代模型

训练与迭代模型

本课完成一次可复现的 YOLOv8 基线训练,并建立“看指标、查错例、改数据或参数、重新对比”的迭代闭环。最终你将得到可追溯的实验记录,以及能够进入应用交付阶段的最佳权重文件。

学习目标

  • 使用固定配置完成基线训练并保存关键产物
  • 根据验证指标和错误样本判断主要瓶颈
  • 只改变少量变量完成可对比的模型迭代

建立可复现的基线

基线不是“先随便跑一次”,而是一组以后能够重复执行的固定条件。训练前应确认数据配置文件可用、类别编号连续、训练集与验证集互不混用,并记录模型、图像尺寸、批次、轮数、随机种子和软件版本。

下面的命令安装固定大版本的 Ultralytics,并启动一个命名明确的基线实验。batch 需要根据显存调整;显存不足时先降低批次,不要同时修改图像尺寸和模型规模。

bash
python -m pip install "ultralytics>=8.2,<9"
yolo detect train model=yolov8n.pt data=config/dataset.yaml epochs=50 imgsz=640 batch=16 seed=42 deterministic=True project=runs/yolo-project name=baseline

预期结果:

text
训练正常完成,结果目录为 runs/yolo-project/baseline
关键文件包括:
runs/yolo-project/baseline/results.csv
runs/yolo-project/baseline/weights/best.pt
runs/yolo-project/baseline/weights/last.pt

实际训练日志中的耗时、显存占用和指标数值会随设备与数据集变化。后续比较统一使用 best.pt,因为它对应验证阶段表现最好的轮次,而不是最后一轮。

读懂指标而不是只看一个分数

目标检测需要同时关注 Precision、Recall、mAP50 和 mAP50-95。Precision 低通常意味着误检较多,Recall 低通常意味着漏检较多;mAP50-95 对定位精度更敏感,更适合判断边界框是否稳定。

不要只比较最终一行指标,还要查看训练曲线。若训练损失持续下降而验证指标停滞或回落,通常说明模型开始过拟合;若训练与验证指标都较低,则应优先检查标注质量、样本覆盖和类别设计,而不是盲目增加轮数。

用错误样本驱动下一轮修改

验证指标只能告诉你“效果有多好”,错误样本才能解释“为什么不好”。建议从验证集推理结果中分别收集漏检、误检、类别混淆和框偏移样本,再按共同特征归类,例如小目标、遮挡、暗光、背景相似或标注不一致。

模型训练迭代闭环

现象 优先检查 合理动作
小目标漏检多 目标像素尺寸、远景样本数量 增加小目标样本,必要时提高 imgsz
背景误检多 负样本是否缺失、类别边界是否模糊 补充无目标背景图和困难负样本
类别互相混淆 类别定义、标注一致性、外观相似度 合并不必要类别或补充区分性样本
框位置不稳定 框是否过松、截断目标标注规则 统一标注规范并复查异常框

一次迭代只解决一个主要问题。若同时更换模型、提高图像尺寸、调整增强并补充数据,即使指标提升,也无法判断真正有效的因素。

记录并比较每轮实验

每轮实验至少记录实验名称、唯一改动、核心指标、错误样本结论和权重路径。可以使用表格、CSV 或实验平台,但字段必须固定,避免只凭记忆挑选模型。

实验 唯一改动 mAP50-95 主要错例 结论
baseline 固定基线 <METRIC> 小目标漏检 保留为对照
exp-small-object 补充小目标样本 <METRIC> 漏检减少 指标提升后进入候选
exp-confusion 清理混淆标注 <METRIC> 类别混淆减少 与候选继续比较

选择最佳模型时,应同时满足总体指标、关键类别指标和业务样例验收。若新模型只提高整体 mAP,却让核心类别 Recall 明显下降,不应直接替换基线。

完成迭代验收

迭代结束前,用独立测试样例再次推理,确认训练集外的数据仍然稳定。最终交付目录至少保留 best.pt、数据配置、训练命令、软件依赖和实验记录,并明确本轮模型的已知限制。

验收可以采用三条硬标准:训练过程可复现;最佳模型优于基线且关键类别没有明显退化;典型错误样本已经复测。只有三项都通过,模型才适合进入推理应用。

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

训练与迭代模型

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