yolo模型微调训练

一、训练脚本

from ultralytics import YOLO def main(): model = YOLO("yolo26n.pt") model.train( data="E:/vision_code/yolo_wt/data/data.yaml", imgsz=640, epochs=100, batch=15, device=0, workers=0, save_period=10 ) if __name__ == "__main__": main()

二、训练参数含义

三、输出参数含义

四、TensorBoard 查看 YOLO 训练过程

1. 安装 TensorBoard

pip install -U tensorboard

确认能启动：

tensorboard --version

2. 开启 Ultralytics 的 TensorBoard 日志

查看当前设置：

yolo settings

如果看到：

tensorboard: False

执行：

yolo settings tensorboard=True

再次确认：

yolo settings

确保是：

tensorboard: True

3. 开始训练

命令行训练示例：

yolo detect train model=yolo26n.pt data=E:/vision_code/yolo_wt/data/data.yaml imgsz=640 epochs=50 batch=4 device=0 workers=0 project=E:/vision_code/yolo_wt/train_wt/runs name=helmet_yolo26n

Python 脚本训练示例：

from ultralytics import YOLO def main(): model = YOLO("yolo26n.pt") model.train( data="E:/vision_code/yolo_wt/data/data.yaml", imgsz=640, epochs=50, batch=4, device=0, workers=0, project="E:/vision_code/yolo_wt/train_wt/runs", name="helmet_yolo26n", plots=True, ) if __name__ == "__main__": main()

4. 确认是否生成 TensorBoard 日志

训练开始后或训练结束后，执行：

Get-ChildItem -Recurse E:\vision_code\yolo_wt\train_wt\runs -Filter "events.out.tfevents*"

如果能看到类似：

events.out.tfevents.171xxxx

说明 TensorBoard 日志生成成功。

5. 启动 TensorBoard

推荐指向总的runs目录：

tensorboard --logdir E:\vision_code\yolo_wt\train_wt\runs

如果只想看某一次训练：

tensorboard --logdir E:\vision_code\yolo_wt\train_wt\runs\helmet_yolo26n

浏览器打开：

http://localhost:6006

6. 在 TensorBoard 里看什么

主要看Scalars页面：

五、相关结果图片说明

1.不同置信度阈值下，模型的综合检测效果怎么样。

F1 分数，它综合了：

Precision：预测出来的框有多少是真的，误检少不少
Recall：真实目标有没有都找出来，漏检少不

all classes 0.80 at 0.393：

当置信度阈值大约设为 0.393 时，F1 最高，大约是 0.80

2.Precision-Confidence Curve，意思是：不同置信度阈值下，模型预测结果的“准确率”变化。

横轴：Confidence，置信度阈值。阈值越高，模型越严格，只保留更有把握的框。

纵轴：Precision，精确率，可以理解为：模型预测出来的 helmet 里面，有多少是真的 helmet

all classes 1.00 at 0.987，当置信度阈值设到 0.987 左右时，Precision 可以达到 1.00

3.Precision-Recall Curve，简称PR 曲线，用来看模型在“少误检”和“少漏检”之间的整体表现。

横轴：Recall，召回率，表示真实的安全帽里，模型找出来了多少。
Recall 高 = 漏检少

纵轴：Precision，精确率，表示模型预测出来的安全帽里，有多少是真的安全帽。
Precision 高 = 误检少

all classes 0.838 mAP@0.5，意思是：这个模型在 IoU=0.5 标准下，mAP 是 0.838

IoU 是预测框和真实标注框的重叠比例

mAP=0.838 是整体检测得分

判断模型整体好不好，看的是整条 PR 曲线和 mAP

4.Recall-Confidence Curve，意思是：不同置信度阈值下，模型的召回率怎么变化。

横轴：Confidence，置信度阈值。阈值越高，模型越严格，只保留更有把握的检测框。

纵轴：Recall，召回率，表示真实存在的安全帽里，模型找出来了多少。

Recall 高 = 漏检少，Recall 低 = 漏检多

all classes 0.95 at 0.000，意思是：当 conf 接近 0 时，Recall 最高，大约 0.95，也就是在非常宽松的情况下，模型最多能找出约 95% 的真实安全帽。

5.混淆矩阵 Confusion Matrix，用来看模型“预测对了多少、漏检多少、误检多少”。

横轴 True：真实类别

纵轴 Predicted：模型预测类别

正确检测：191 个

漏检：28 个

误检：72 个

6.归一化混淆矩阵 Confusion Matrix Normalized。上图同一个意思，只是把数量换成了比例。

六、分布式训练

支持单机多卡， 多机单卡