广告点击场景下的 YOLO-world 模型训练失败及其解决办法
背景
我们要通过ADB指令，在局域网下控制手机行为（点击、滑动、启动app）。但要完成这样的控制，需要对于手机屏幕元素（关键文字、关键UI元素）的准确识别。文本识别，用paddleocr就不错（对比过3种ocr模型，paddleocr识别得更恰当些），能应对80%以上的场景；但不够随心所欲。
用YOLO识别UI元素，作为一种不可缺少的场景识别的补充。例如：
当我们认为 644个金币不值得点击观看广告，或，如果点击容易引导背后的算法逐步降低我们每次点击获取的金币量，我们就要点击底下这个 ×，来退出本次弹窗 。但很显然，文本识别 paddleocr 没办法认知这个 x。
类似这样的场景并不少。paddleocr无法解决，只能让yolo上。
当前面临的问题，是 YOLO-world 模型训练失败，评价参数没有值。
当前错误状态分析
日志中，验证集指标全为 0 是核心异常点，需优先排查以下问题：
1. 验证集加载失败：检查验证集路径是否正确、数据是否被正确读取（如文件路径错误、权限问题）。
2. 标注格式错误：验证集标签（如 XML、JSON、TXT）是否与模型预期格式匹配（如类别 ID 超出范围、坐标格式错误）。
3. 模型预测全错：训练初期模型参数随机，可能导致预测全错，但 mAP50 也应为 0？需检查代码中 mAP 计算逻辑是否有 Bug。
4. 数据不均衡/无目标：验证集是否全是背景类（无目标）？或目标类别与训练集不匹配？
训练指标的优化方向（当前损失未下降的潜在原因）
若验证集指标修复后仍存在“损失震荡/不下降”，可参考以下方向：
5. 学习率：学习率过高会导致损失震荡，过低则收敛慢。可尝试调整学习率策略（如余弦退火、分段下降）。
6. 数据增强：增加数据增强（如旋转、缩放、马赛克）缓解过拟合，提升泛化能力。
7. 模型结构：Backbone 过于简单（特征提取不足）或过于复杂（过拟合）都可能导致损失异常，需匹配任务难度。
8. 损失函数超参数：YOLO 的损失包含权重系数（如 box_gain、cls_gain），需确保各损失权重平衡。
综上，当前训练的核心问题是验证集指标异常（全0），需先解决数据加载/验证流程问题；其次，训练损失的震荡也需结合学习率、数据增强等方向优化。
代码
import os
from ultralytics import YOLOWorld
model = YOLOWorld('yolov8s-worldv2.pt')
# 训练
results = model.train(
data=r"./ad.yaml",
epochs=100,
imgsz=640,
lr0=0.001 # 手动设置初始学习率为 0.001
)样本标注与识别目标
标注格式用的YOLO的txt输出格式
样本构成
（1）负样本
共169张无目标图像，对应169个空的标注文件
（2）正样本
全量正样本
攒了2652张正样本，打算采取分批少量标注，训练模型后逐次自动标注，人工核对后逐步扩充样本集的半自动标注策略。
已标注正样本
目前只标注了28张
当前训练中，训练集和验证集均为28张正样本。试过添加169张负样本，训练后的模型评价一样无效。
解决思路
错误状态分析给出的思路中，个人认为问题更有可能出在如下几个点：样本少 + 不均衡、标注不正确（类别混乱）、模型参数量大小不匹配、学习率设置不当。
- 排除“标注不正确（类别混乱）”：打开labelImg重新查看标注类别和框选区域，也深入查看标注文件中的类别标注数据，看不出来有什么问题；“标注不正确”的情况 先做排除；
- 排除“模型参数量大小不匹配”
前面的模型训练代码针对的是开放世界 YOLO-world 模型，一般参数量就是大一些。所以，我们要减少参数量，首要的，是要整体上换成普通的yolo模型，我们换个参数量最小的模型试试：
yolov5n卡死无法下载(可能路径不维护了），换成yolov8n后模型可以下载了。
相应的，我们的代码修改如下：
from ultralytics import YOLO # 注意这里是 YOLO，不是 YOLOWorld
# 加载 YOLOv8n 模型（标准目标检测模型）
model = YOLO('yolov8n.pt') # 这是官方 YOLOv8n 检测模型
# 开始训练
results = model.train(
data=r"./ad.yaml", # 你的数据集配置文件
epochs=100, # 训练 100 轮
imgsz=640, # 输入图像尺寸
lr0=0.005 # 初始学习率（你可以根据需要调整）
)效果：
虽然训练结果看起来还不太稳定，但关键参数是都有了。
就这么简单？？就是参数量与样本量不匹配的问题？
回看训练过程，参数至少看起来已能达到很好的效果了。看来是对症结一抓一个准了。
增加训练到 10000 epoch，750早停了，效果较好。看来深层原因是找到了。
小结
换了一个模型后，效果已达标。所以，基本确定，本次模型训练失败的原因， 是模型结构和参数与样本数据量、复杂度不匹配的问题。
可能仍存在别的问题，但当前效果已可用，暂不做其它增强，先往下做样本的自动标注。