模型训练

1. 基础训练（python）

from ultralytics import YOLO

# 加载预训练模型（推荐，迁移学习收敛更快）
model = YOLO("yolo26n.pt")

# 开始训练
results = model.train(
    data="path/to/data.yaml",   # 数据集配置文件路径
    epochs=100,                  # 训练轮数
    imgsz=640,                   # 输入图片尺寸
    batch=16,                    # 批次大小
    device=0,                    # GPU 设备（0 表示第一块 GPU）
    project="runs/train",       # 输出目录
    name="my_yolo26_exp",       # 实验名称
)

2. 基础训练（命令行CLI）

yolo detect train \
    data=path/to/data.yaml \
    model=yolo26n.pt \
    epochs=100 \
    imgsz=640 \
    batch=16 \
    device=0 \
    project=runs/train \
    name=my_yolo26_exp

3. 常用训练参数

参数	默认值	说明
model		模型文件：.pt 加载预训练权重，.yaml 从头构建
data		数据集 yaml 配置文件路径
epochs	100	训练总轮数
imgsz	640	输入图像尺寸（建议 640）
batch	16	批次大小。设为 -1 可自动适配 60% 显存
device	auto	设备：0(GPU)、cpu、mps(Mac)、0,1(多 GPU)
optimizer	auto	优化器：auto 会根据数据量自动选择 MuSGD 或 AdamW
lr	0.01	初始学习率
patience	100	早停耐心值（验证指标多少轮不提升就停止）
save_period	-1	每隔多少轮保存一次模型（-1 仅保存 best 和 last）
cache	False	缓存图片到内存 True 或磁盘 disk，加速训练
workers	8	数据加载线程数
pretrained	True	是否使用预训练权重
resume	False	是否从断点继续训练
amp	True	混合精度训练，减少显存占用
cos_lr	False	余弦学习率衰减
close_mosaic	10	最后 N 轮关闭 Mosaic 增强
freeze	None	冻结前 N 层（微调时常用）

4. 进阶训练配置

4.1. 从0开始训练(不使用预训练权重)

model = YOLO("yolo26n.yaml")  # 从 YAML 配置构建模型
results = model.train(data="data.yaml", epochs=300, imgsz=640)

4.2. 使用预训练权重 + 自定义 YAML

model = YOLO("yolo26n.yaml").load("yolo26n.pt")
results = model.train(data="data.yaml", epochs=100, imgsz=640)

4.3. 冻结骨干网络微调

model = YOLO("yolo26n.pt")
results = model.train(
    data="data.yaml",
    epochs=50,
    freeze=10,      # 冻结前 10 层
    lr0=0.001,      # 微调时用较小学习率
)

4.4. 多 GPU 训练

model = YOLO("yolo26n.pt")
results = model.train(
    data="data.yaml",
    epochs=100,
    device=[0, 1],  # 使用 GPU 0 和 GPU 1
)

4.5. 断点续训

model = YOLO("runs/train/my_yolo26_exp/weights/last.pt")
results = model.train(resume=True)

4.6. macOS Apple Silicon 训练

model = YOLO("yolo26n.pt")
results = model.train(data="data.yaml", epochs=100, device="mps")

5. 训练输出目录

训练完成后，结果保存在 runs/train/my_yolo26_exp/ 目录下：

runs/train/my_yolo26_exp/
├── weights/
│   ├── best.pt             # 最佳模型权重（验证 mAP 最高时保存）
│   └── last.pt             # 最后一轮的模型权重
├── results.csv             # 每轮训练指标数据
├── results.png             # 训练曲线图
├── confusion_matrix.png    # 混淆矩阵
├── F1_curve.png            # F1 曲线
├── P_curve.png             # 精确率曲线
├── R_curve.png             # 召回率曲线
├── PR_curve.png            # PR 曲线
├── labels.jpg              # 数据集标签分布
├── train_batch*.jpg        # 训练批次可视化
├── val_batch*_pred.jpg     # 验证预测可视化
└── args.yaml               # 训练参数记录

6. 训练技巧

• 先用小模型验证流程：用 yolo26n+ 少量 epoch 跑通整个流程后，再用大模型正式训练
• batch 大小调整：显存不足时减小 batch，或设为 -1 自动适配
• 图片缓存加速：数据集不大时用 cache=True 将图片缓存到内存
• 数据增强：Ultralytics 默认开启 Mosaic、翻转等增强，通常无需额外配置
• 早停机制：patience=100 表示验证指标 100 轮不提升就停止，避免过拟合
• 学习率：使用预训练权重时建议 lr0=0.01；微调时可降到 0.001
• 训练轮数：小数据集 100-200 轮，大数据集 300+ 轮

7. 训练结果验证

使用训练好的模型验证

from ultralytics import YOLO

model = YOLO("runs/train/my_yolo26_exp/weights/best.pt")

metrics = model.val(data="path/to/data.yaml")
print(f"mAP50:    {metrics.box.map50:.4f}")
print(f"mAP50-95: {metrics.box.map:.4f}")
print(f"精确率:    {metrics.box.mp:.4f}")
print(f"召回率:    {metrics.box.mr:.4f}")

命令行方式：

yolo detect val model=runs/train/my_yolo26_exp/weights/best.pt data=path/to/data.yaml

关键指标说明

IoU：交并比，用于评估检测框与真实框的重叠程度。

指标	含义	理想值
mAP50	IoU=0.5 时的平均精度	> 0.8
mAP50-95	IoU=0.5~0.95 的平均精度	> 0.5
Precision	精确率（预测为正的正确比例）	> 0.8
Recall	召回率（实际为正被检测到的比例）	> 0.8