)
目录
一：学习了pytorch一步步从无到有训练创建模型和加载使用自定义模型的过程
观后感：参考该章节其他博文 关于PyTorch与YOLO 库的思考，AI 4问
遗留问题：有待搭建环境验证和知识细节的总结吸收，后面有时间再总结吧
二：学习了调用官方提供的模型，一步步数据准备到数据标注到生成自己的best.pt模型，加载到使用的过程
观后感：参考下面AI提问：
通过YOLO创建模型有几种方式？
基于 Ultralytics YOLO (v8/v9/v10/v11) 创建模型【4 种主流方式】
方式 1：加载官方预训练权重（最常用，迁移学习首选）
方式 2：通过 yaml 配置文件【新建空白网络（随机初始化权重）】
方式 3：yaml + 预训练权重 组合（自定义结构 + 加载预训练权重）
方式 4：从已经训练完成的自定义.pt 权重加载模型
补充区分：4 种方式适用场景对照表
容易踩坑关键知识点
拓展：旧版 YOLOv5（非 ultralytics 统一库）
方式 4：从已经训练完成的自定义.pt 权重加载模型 具体流程是什么
方式 4：加载自己训练好的自定义 best.pt/last.pt 完整流程
前置说明
两大使用场景流程
场景一：加载模型直接推理（预测图片 / 视频 / 摄像头）【最常用】
完整代码流程
场景二：加载模型【增量继续训练】（断点续训、二次微调）
完整流程
⚠️ 关键硬性限制
完整分步标准化流程（文字版，便于你记笔记）
❗高频坑点整理
坑 1：混淆 resume=True 和加载 best.pt
坑 2：想修改类别数量，不能直接加载旧 pt
坑 3：pt 版本不兼容
坑 4：路径中文问题
延伸对比区分（帮你理清和另外两种加载方式差异）
额外工程拓展
best.pt 是怎么生成的，是在已有官方提供的模型生成的新的模型吗
一句话核心结论
一、完整生成链路（标准流程）
二、分步详细解释
1）起点：训练启动时，我们一般执行代码
2）训练过程发生了什么？
3）best.pt/last.pt 如何自动产出？
三、关键概念厘清（解决你的核心疑问）
问题 1：best.pt 是在官方模型基础上生成的新模型？
问题 2：有没有办法不依赖官方模型，从零训练得到 best.pt？
四、极易踩坑的认知误区
五、极简类比帮助记忆
补充延伸
一：学习了pytorch一步步从无到有训练创建模型和加载使用自定义模型的过程
观后感：参考该章节其他博文 关于PyTorch与YOLO 库的思考，AI 4问
遗留问题：有待搭建环境验证和知识细节的总结吸收，后面有时间再总结吧
二：学习了调用官方提供的模型，一步步数据准备到数据标注到生成自己的best.pt模型，加载到使用的过程
注意：最后的课程目前只看了前5个章节
观后感：参考下面AI提问：
通过YOLO创建模型有几种方式？
基于 Ultralytics YOLO (v8/v9/v10/v11) 创建模型【4 种主流方式】
先统一概念：创建模型 = 实例化 YOLO 网络结构，用于训练 / 迁移学习
注意：Darknet 原版 YOLO (v3/v4) 属于另一套体系，下面默认讲现在工业最常用的 Ultralytics YOLO
方式 1：加载官方预训练权重（最常用，迁移学习首选）
python
from ultralytics import YOLO # 自动下载预训练pt权重，构建完整YOLO网络 model = YOLO("yolov8n.pt")✅特点：
- 网络结构 + 预训练参数全部就绪
- 直接拿来训练自己数据集（迁移学习），收敛速度快
- 支持检测 / 分割 / 分类 / 姿态任务
方式 2：通过 yaml 配置文件【新建空白网络（随机初始化权重）】
python
model = YOLO("yolov8n.yaml")✅特点：
- 只搭建网络骨架，没有训练权重，参数全部随机初始化
- 相当于从零开始训练（Train from scratch）
- 可以复制 yaml 文件，自己修改通道数、深度、宽度，自定义 YOLO 结构
重点区分：
.yaml只定义网络结构，没有权重；.pt包含网络 + 权重
方式 3：yaml + 预训练权重 组合（自定义结构 + 加载预训练权重）
python
# 使用自己修改后的网络yaml，同时载入官方预训练权重 model = YOLO("custom_yolov8.yaml").load("yolov8n.pt")✅特点：自己修改网络结构（增加注意力模块、修改 neck 层），同时复用主干预训练权重；模型改造、网络创新开发最常用方案。
方式 4：从已经训练完成的自定义.pt 权重加载模型
python
# 加载你自己训练完毕保存的模型 model = YOLO("runs/train/exp/weights/best.pt")✅特点：
- 载入你训练好的成品模型，一般两种用途：
- 继续二次训练（增量训练）
- 直接推理预测图片、视频
补充区分：4 种方式适用场景对照表
表格
| 创建方式 | 命令写法 | 权重状态 | 使用场景 |
|---|---|---|---|
| 1 | YOLO("yolov8n.pt") | 自带官方预训练权重 | 常规项目、快速训练目标检测 |
| 2 | YOLO("yolov8n.yaml") | 随机初始化（空白模型） | 从零完整训练、学术实验 |
| 3 | YOLO("custom.yaml").load("xx.pt") | 自定义结构 + 载入预训练权重 | 修改网络、创新算法 |
| 4 | YOLO("best.pt") | 载入自己训练完成权重 | 增量续训 / 部署推理 |
容易踩坑关键知识点
YOLO("xxx.yaml")只是创建网络，没有权重，直接推理完全不能用，必须先训练！YOLO("xxx.pt")文件内部同时保存【网络结构 + 参数权重】- 如果你只有权重文件，没有 yaml，依然可以直接加载 pt 文件创建模型；
- 必须依赖 PyTorch 底层！ 没有 torch，以上所有写法全部报错。