首页/资讯中心/详情

小白动手实践mindYOLO微调模型

小白动手实践mindYOLO微调模型
📅 发布时间：2026/6/23 13:03:41

参考链接

mindYOLO github库安全帽检测：https://github.com/mindspore-lab/mindyolo/tree/master/examples/finetune_SHWD
SHWD数据集：https://github.com/njvisionpower/Safety-Helmet-Wearing-Dataset/tree/master
厨房检测项目 gitcode（仅参考）：https://gitcode.com/TT_TT__/HuaWei/tree/main/2 目标检测/2-04-Yolov10智能厨房检测（ModelArts）

项目概述

环境：mindspore 2.6.0、mindyolo 0.5.0、python 3.9.23、Jupyter Notebook、windows笔记本、模型为YOLO v10n（基于COCO80预训练）
概述：作为小白，在初步学习了YOLO后，曾尝试成功用mindYOLO的纯COCO预训练权重实现推理，下一步计划动手实践mindYOLO的微调。项目选择上，一开始计划复现gitcode上一个厨房检测项目，但是发现数据集数据特别少，需要大量自定义，比较耗时，所以改为从github mindYOLO的examples中选取，初期选择了车辆检测，但数据集太大等原因，最终决定复现安全帽检测示例。实践过程中慢慢摸索YOLO数据集格式、YOLO的训练推理流程、yaml文件的相互关联，还踩了一些mindspore版本与YOLO版本的坑，最终使用SHWD数据集+YOLO v10n走通了微调+推理全过程。

操作步骤

项目文件夹内容：
描述文字

操作步骤请主要参考mindYOLO示例说明，这里简单梳理：

  • 转换数据集格式，github头盔检测示例中已经写好了convert_shwd2yolo.py。代码为：!python ./dataset_SHWD/convert_shwd2yolo.py --root_dir ./dataset_SHWD/00_SHWD_original
    • SHWD数据集并不能直接用于YOLO训练，因为它的label的.xml需要改为.txt，文件夹结构也不满足YOLO要求，还需要将图片名都改为数字（由于MindYOLO在验证阶段选用图片名称作为image_id，因此图片名称只能为数值类型）。
    • 补充对SHWD数据集介绍：VOC2028数据集(SHWD)，其中包括正类hat，负类person；图片中有部分是来自SCUT-HEAD数据集的图片：PartA共2000张来自教室摄像头，PartB共2405张来自网络（未带头盔）；其他数字开头的和part2开头的似乎都是戴头盔的。
  • 从仓库中下载configs文件夹，其中包含了coco.yaml和yolov10中的yolov10n.yaml（或许也可以从pip install mindyolo时下载到本地的包内找到coonfigs，暂未尝试）
  • 从仓库中下载train.py、mindyolo/demo中的predict.py，用于训练和推理直接调用
  • 从仓库benchmark_results.md中的链接下载预训练的权重文件（不用下载.yaml文件，因为configs文件夹中已有）
  • 按照仓库中的说明，新建yolov10n_shwd.yaml文件（自定义命名，train.py、predict.py运行时需要关联），并修改其中内容
    • 需要修改的大致有3处5行：1. __BASE__中改为'./configs/yolov10/yolov10n.yaml'，指向yolov10n.yaml文件；2. weight中填写./yolov10n_500e_mAP383-c973023d.ckpt；3. train_set改为数据集的train.txt（里面是所有训练用的图片路径，文件由convert_shwd2yolo.py自动生成）路径，val_set和test_set都改为数据集的val.txt路径
    • 个人后续运行train.py时遇到过gbk相关报错，删除yolov10n_shwd.yaml中的中文注释即可
  • 运行训练代码：!python ./train.py --config ./yolov10n_shwd.yaml --device_target CPU --epochs 1（时间考虑这里epochs设比较小）
  • 从./runs下可以找到训练的log，其中读出所存储的.ckpt权重文件名及其路径，在推理时候需要用到该微调后的权重
  • 选好要测试图片后，运行推理代码：!python ./predict.py --config ./yolov10n_shwd.yaml --device_target CPU --weight ./runs/2025.11.20-17.28.11/weights/yolov10n_shwd-1_379.ckpt --image_path ./000239.jpg
  • 测试图推理效果，注意需要从未参与训练的图里选择（其实很多推理的结果很差，可能epoch过少原因，至少出现hat不是原coco数据集类别已经表示整体流程打通）
    描述文字
  • 在runs_infer中即可找到推理的记录，里面包含推理完成的图片等

其他细节及troubleshooting

  • 关于yaml文件的关联链：train.py和predict.py → yolov10n_shwd.yaml → yolov10n.yaml(configs/yolov10) → coco.yaml/hyp.scratch.low.yaml，其中的yaml文件只需要修改yolov10n_shwd.yaml，其它不改动（yolov10n.yaml中保持分类数量nc为80，而yolov10n_shwd.yaml中nc为2，此时由于strict_load是False，所以分类数不同仍然可以正常使用）。
  • 报错yaml文件有gbk相关错误，解决方法：删除中文备注
  • 由于在自己笔记本CPU训练，训练时自行将epochs设置为了1（默认300），但由于训练集庞大，仍然用了100min，但如果要推理效果好，还是建议增加epochs
  • 报错: module 'mindspore' has no attribute 'set_recursion_limit'，原因是mindspore不同版本的属性发生变化。解决方法：copy了环境将mindspore从2.4.1改为2.6.0(官网有专门代码安装指定版本)，重启notebook
  • 报错: train() got an unexpected keyword argument 'run_eval_interval'，原因未深究。解决方法：直接把train.py里三处出现run_eval_interval的语句屏蔽了（由于run_eval默认False，所以暂时不会用到run_eval_interval变量）。
  • 运行predict.py，报错[mindspore\device_context\ascend\device.py:70] CPU device is not supported. Please use correct device，原因未知，毕竟device_target接口已经设置为CPU，可能mindYOLO的yolo版本与CPU适配问题（当前mindspore为2.6.0，尝试换为2.4.1会报错无set_recursion_limit属性，尝试换2.7.1仍然报错CPU不支持）。解决方法：改用YOLO v10n模型，匹配上mindspore2.6.0

2025.11.20