常见问题与注意事项

• Ultralytics YOLO26 完整训练指南

1. 训练前检查清单

• 虚拟环境已激活
• yolo checks 验证通过
• data.yaml 路径正确（推荐绝对路径）
• images 和 labels 目录结构镜像对应
• 每个图片都有对应的 .txt 标签文件
• 标签中类别 ID 从 0 开始，与 data.yaml 中 names 顺序一致
• 标签坐标值在 0~1 范围内
• 至少有训练集和验证集

2. 常见报错及解决

问题	原因	解决方案
CUDA out of memory	显存不足	减小 batch 或 imgsz，或设置 batch=-1 自动适配
No labels found	标签路径不对	检查 labels 目录是否与 images 镜像对应
Dataset not found	data.yaml 路径错误	使用绝对路径，检查 path / train / val 是否正确
RuntimeError (Windows)	多进程问题	在脚本顶部加 if name == "main":
训练 loss 不下降	学习率不合适或数据问题	检查标注质量、调整 lr0、确认类别 ID 正确
验证 mAP 很低	数据量不足或过拟合	增加数据量、使用数据增强、减小模型尺寸
class id X out of range	标签中的类别 ID 超过 nc	确保标签 ID 范围为 0 到 nc-1

3. 性能优化建议

• 数据质量 > 数据数量：标注准确比数据多更重要
• 数据增强：小数据集时尝试更多增强策略（Mosaic、MixUp、翻转等）
• 迁移学习：永远推荐从预训练模型开始（.pt 文件），除非领域差异极大
• 多尺度训练：设置 multi_scale=0.5 让模型适应不同大小的目标
• 余弦学习率：长训练时设置 cos_lr=True，后期收敛更平稳
• 混合精度：amp=True（默认开启），减少显存占用加速训练
• 图片尺寸：640 是默认值，小目标多时可以尝试 1280

4. 数据集质量提升

• 使用 Roboflow(在线标注平台) 的数据增强功能增加样本多样性
• 确保类别均衡：标注完成后用 YOLO 的可视化功能抽检标注质量
• 标注质量：标注完成后用 YOLO 的可视化功能抽检标注质量**

  from ultralytics import YOLO
  
  model = YOLO("yolo26n.pt")
  model.train(data="data.yaml", epochs=1, plots=True)
  # 查看 runs/train/exp/ 下的 labels.jpg 和 train_batch*.jpg