yolo跑通的示例代码

https://github.com/qingyaozhuozhang/jingshen/tree/main/%E6%91%84%E5%83%8F%E5%A4%B4/yolo

模型训练

将未标注的图片（训练集和测试集）分别放置在images文件夹下的train和val，将标注好的图片（训练集和测试集）分别放置在labels文件夹下的train和val

找到yolo-vbn.yaml这个配置文件
将未标注图片的路径填写入对应的位置
类别格式：序号(从0开始): 属性名称

然后使用train.py文件去训练模型

参数调节

参数名	当前值 / 示例	含义与作用	深度解析 & 建议
`data`	`'yolo-vbn.yaml'`	数据集配置文件路径	指向一个 YAML 文件，该文件核心定义了： 1. 训练集/验证集路径 (path/train/val) 2. 类别数量 (nc) 3. 类别名称 (names) 注意：`yolo-vbn` 是你的自定义文件名，请确保路径正确。
`workers`	`1`	数据加载线程数	指定用于 `DataLoader` 预读取数据的 CPU 线程数。 • 当前设置：`1` 较保守，可能导致 GPU 计算完后需等待 CPU 读图（显卡利用率跳变）。 • 建议： - Windows: 设为 `0` 或 `1`（多线程在 Win 下常报错）。 - Linux: 建议设为 `8` 或 `cpu核心数`，以喂饱 GPU。
`epochs`	`30`	训练总轮次	模型完整遍历一次数据集称为 1 个 epoch。 • 当前设置：`30` 轮属于快速验证或微调。 • 从头训练：建议 `100` - `300` 轮以保证收敛。 • 风险：过少导致欠拟合（学不会），过多导致过拟合（死记硬背）。
`batch`	`16`	批次大小	一次性送入 GPU 计算梯度的图片数量。 • 核心制约：显存大小 (VRAM)。 • 大 Batch：训练更快，梯度估算更准（走得稳）。 • 小 Batch：显存占用低，但震荡大，可能有助于跳出局部最优。 • 建议：`16` 是主流显卡（6G-8G显存）的黄金标准；高端卡可设 `32` 或 `64`。
`device`	`0` (默认为空，自动检测)	计算设备选择	指定模型运行的硬件设备。 • `device=0`：使用第 1 块 NVIDIA 显卡（最常用）。 • `device=0,1`：使用多块显卡进行分布式训练 (DDP)。 • `device='cpu'`：强制使用 CPU（极慢，仅用于调试）。 • `device='mps'`：使用 Mac (M1/M2/M3) 的 GPU 加速。注意：如果不设置，代码会自动优先寻找可用的 GPU。

model.train(data='yolo-vbn.yaml', workers=1, epochs=30, batch=16, device=0)

训练好的结果会在runs文件夹中显示
具体指标理解
- 1. Confusion Matrix (混淆矩阵)
以矩阵形式将数据集中的记录按照“真实的类别”与“分类模型预测的类别”两个标准进行汇总。
- 行：表示真实值 (True Label)
- 列：表示预测值 (Predicted Label)
#### 2. F1_curve.png

精确率和召回率的调和平均数，用于综合评估模型性能。

#### 3. P_curve.png

准确率 (Precision) 和置信度 (Confidence) 的关系图。

#### 4. arg.yaml

记录了训练时的超参数以及 train.py 运行过程中的中间参数。

#### 5. PR_curve.png

准确率 (Precision) 和召回率 (Recall) 的关系图。通常面积越大（越靠近右上角）效果越好。

#### 6. R_curve.png

召回率 (Recall) 和置信度 (Confidence) 的关系图。

#### 7. results.png (综合结果)

包含以下关键指标：
1. box: 推测损失函数均值 (Box Loss)。
2. cls: 目标检测分类损失均值 (Class Loss)。
3. dfl: 目标检测边界框回归精度的损失函数均值 (Distribution Focal Loss)。
4. precision: 精度 (查准率)。
5. recall: 召回率 (查全率)。
6. mAP: 使用 Precision 和 Recall 作图后围成的面积，m 表示平均 (mean)。
💡 Loss 分析注意事项：
- cls_loss: 当分类损失 < 0.1 时，模型分类效果较好。
- box_loss: 当数值在 0.01 - 0.1 之间时，位置回归效果较好。
训练好的模型在runs中的weights文件夹下

训练模型的调用

example.py
显示检测结果
onnx.py
将训练后的模型格式pt转成onnx（可以更广泛地被调用）

注意事项

不能只对一张图片进行训练，会“失效”
至少要找20张图片

提高阶段

roboflow规范和增加数据集

自己标注一部分数据集之后到roboflow去增加规范数据集格式以及增加数量
选择Projects然后点击右上角的New Project
选择Object Detection然后填入Project Name，完成后会自动帮你将图片以及标注信息分类好
完成后点击Versions
Resize选择640 x 640
在Augmentation中选择Flip和Rotation（默认的正负15°），接着正常生成就行
生成完成后直接Download
- Download zip to computer是下载到本地
- Show download code是下载到服务器