简介这份资源是面向深度学习视觉方向开发者与算法学习者的YOLO系列免环境训练工具包重点解决本地搭建训练环境繁琐、版本切换困难的问题。工具支持yolo3、yolo4及yolo8多版本其中yolo8需N卡显卡可训练cfg、weights、bin、param、pt等格式模型覆盖yolo8l、yolo8m、yolo8n、yolo8s、yolo8x等权重。实用功能包括自动标注、自动截图、V3-4模型转GPU以及模型训练适合想快速上手目标检测项目、减少环境配置成本的中级使用者。资源包共14个文件以txt技术解析、html说明页、jpg示意图和doc文档为主压缩包约908KB内容围绕免环境标注与训练流程展开便于按模块查阅。目前已有1132人学习下载读者可借此了解多版本YOLO训练工具的配置思路、模型转换方法与自动标注操作要点快速搭建可用的训练流程。1. 免环境训练工具为什么我劝你先别急着装 CUDA去年帮一个做视觉检测的朋友搭 YOLO 训练环境他上来就让我装 CUDA 12.1 cuDNN 8.9说网上教程都这么写。结果折腾了一下午显卡驱动版本对不上torch 编译版本又和 Python 3.11 打架最后连import torch都报错。其实他真正要的只是「把标注好的数据集丢进去跑出一个能用的权重文件」——这件事用免环境训练工具根本不需要碰 CUDA。YOLO 系列v5/v8/v11 都算的本地训练环境是深度学习里最经典的「装一次崩一次」场景。Python 版本、PyTorch 版本、CUDA 版本、显卡驱动版本四个东西互相卡脖子错一个就给你甩一屏红色报错。而免环境训练工具的思路是把 Python 解释器、PyTorch、CUDA 运行时、YOLO 源码全部打包进一个独立目录双击启动脚本就能跑不污染系统环境也不依赖你本机装了什么。这篇笔记记录的是我实际部署这套工具的完整过程——从版本选择、目录规划、标注配置到模型转换和训练验证每一步都给出可复现的命令和参数说明。如果你正在被环境问题卡住或者需要在一台没装过任何深度学习框架的机器上快速跑通 YOLO 训练这套方案值得照着走一遍。2. 版本选择与目录规划先搞清楚你要跑哪个 YOLO2.1 YOLOv5 / v8 / v11 的运行时差异免环境工具虽然把依赖打包了但不同 YOLO 版本对底层的要求并不一样。我整理了一张对照表这是部署前必须确认的第一件事YOLO 版本推荐 PythonPyTorch 最低版本标注格式模型导出格式YOLOv53.8 - 3.101.7.0YOLO txtONNX / TensorRT / CoreMLYOLOv83.8 - 3.111.8.0YOLO txtONNX / OpenVINO / TFLiteYOLOv113.9 - 3.122.0.0YOLO txtONNX / TensorRT / TFLite免环境工具通常会把每个版本做成独立的启动入口比如start_v5.bat、start_v8.bat、start_v11.bat。你不需要同时装三个 Python但需要确认工具包里的运行时是否覆盖了你用的版本。我一般会先看工具根目录下的runtime文件夹里面按版本分了子目录每个子目录里有一个python.exe和site-packages这就是独立环境的核心。注意如果你的显卡是 30 系或 40 系PyTorch 版本不要低于 1.8.0否则可能识别不到显卡。免环境工具一般已经内置了对应版本的 CUDA 运行时不需要你单独装 CUDA Toolkit。2.2 目录结构规划别把数据集和工具混在一起免环境工具解压后我建议按下面的结构重新组织目录。这不是工具强制要求的但后面标注、训练、导出模型时你会感谢自己YOLO_Toolkit/ ├── runtime/ # 工具自带的 Python 运行时不要动 │ ├── v5/ │ ├── v8/ │ └── v11/ ├── datasets/ # 所有数据集放这里 │ └── my_project/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ ├── labels/ │ │ ├── train/ │ │ └── val/ │ └── data.yaml # 数据集配置文件 ├── models/ # 预训练权重和训练输出 │ ├── pretrained/ │ └── runs/ ├── configs/ # 训练配置文件 └── scripts/ # 启动脚本这样分的好处是数据集和工具本体分离工具升级或换版本时数据集不用动训练输出统一在models/runs/下方便对比不同轮次的结果。我见过有人把数据集放在工具目录里面结果换了个工具包数据全丢了血泪经验。2.3 确认显卡驱动和显存底线免环境工具绕过了 CUDA 安装但绕不过显卡驱动。在 Windows 上打开命令行执行nvidia-smi输出里重点看两行Driver Version和CUDA Version。Driver Version 建议不低于 470CUDA Version 显示的是驱动支持的最高 CUDA 版本不是你必须装的版本。免环境工具内置的 PyTorch 会自带 CUDA 运行时只要驱动版本够新就行。显存方面YOLOv8n 训练至少 4GBYOLOv8m 建议 8GB 以上。如果显存不够训练时会报CUDA out of memory这时候要么换小模型要么把batch参数降到 4 或 2。我一般会在训练前先用--batch 4跑一个 epoch 试试水确认不爆显存再往上加。3. 标注与数据准备从图片到 YOLO 格式的完整链路3.1 自动标注工具的使用和修正免环境工具里通常集成了一个标注模块支持自动标注和手动修正。自动标注的原理是用一个预训练模型先跑一遍推理把检测框预填到图片上你只需要删掉误检、补上漏检。这比从零画框快很多尤其是类别少、目标明显的场景。启动标注工具的典型命令是cd YOLO_Toolkit/scripts ./start_label.bat --model models/pretrained/yolov8n.pt --source datasets/my_project/images/train --conf 0.25参数说明--model指定用于自动标注的预训练权重--source指定待标注图片目录--conf是置信度阈值低于这个值的检测框不会显示。我一般会把--conf设成 0.25 左右宁可多显示一些候选框也不要漏掉目标。自动标注完成后工具会生成 YOLO 格式的 txt 文件每行格式是class_id x_center y_center width height坐标都是归一化到 0-1 的值。注意自动标注的结果一定要人工过一遍。我遇到过预训练模型把相似类别搞混的情况比如把「安全帽」标成「人头」这种错误如果直接拿去训练模型会越学越偏。3.2 data.yaml 的写法与常见错误YOLO 训练依赖一个data.yaml文件来指定数据集路径和类别信息。一个标准的写法是这样的# datasets/my_project/data.yaml path: ./datasets/my_project # 数据集根目录 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 nc: 3 # 类别数量 names: # 类别名称顺序必须和标注时的 class_id 对应 0: helmet 1: vest 2: person这里最容易翻车的地方是path的写法。如果你用绝对路径换一台机器就要改如果用相对路径要确认训练脚本的工作目录在哪里。我一般会在训练命令里显式指定--data的绝对路径避免歧义。另一个坑是names的顺序标注时 class_id 0 对应什么类别这里就必须一致否则训练出来的模型会把类别搞反。3.3 数据集划分和格式检查在开始训练之前建议跑一个格式检查脚本确认图片和标注文件一一对应没有缺失或多余的文件。免环境工具一般会带一个check_dataset.py用法如下python scripts/check_dataset.py --data datasets/my_project/data.yaml这个脚本会输出训练集和验证集的图片数量、标注文件数量、类别分布统计、以及是否存在没有标注文件的图片。如果输出里出现missing label或empty label就要回去检查标注环节。我习惯在每次训练前都跑一遍这个检查花不了几秒钟但能避免训练到一半才发现数据有问题。4. 训练配置与启动参数怎么设、日志怎么看4.1 训练命令的完整参数拆解免环境工具的训练入口通常是一个封装好的脚本但底层还是调用 YOLO 官方的训练接口。一个典型的训练命令如下python train.py \ --data datasets/my_project/data.yaml \ --weights models/pretrained/yolov8n.pt \ --epochs 100 \ --batch 8 \ --imgsz 640 \ --device 0 \ --project models/runs \ --name exp_001 \ --exist-ok逐个参数说明--data指向数据集配置文件--weights指定预训练权重用预训练权重比从零训练收敛快很多--epochs是训练轮数小数据集 100 轮起步大数据集可以到 300--batch是批大小受显存限制--imgsz是输入图片尺寸YOLO 默认 640如果你的目标很小可以调到 1280但显存占用会翻倍--device 0指定用第一块显卡多卡可以用0,1--project和--name决定输出目录--exist-ok表示如果目录已存在就覆盖不加这个参数会报错。注意--imgsz必须是 32 的倍数这是 YOLO 网络下采样的要求。设成 650 会报错设成 640 或 672 都可以。4.2 训练日志里的关键指标训练启动后控制台会滚动输出每个 epoch 的指标。重点看这几个box_loss边界框回归损失越小说明框的位置越准cls_loss分类损失越小说明类别判断越准mAP0.5IoU 阈值为 0.5 时的平均精度这是最直观的指标mAP0.5:0.95更严格的指标一般比 mAP0.5 低不少我一般会关注mAP0.5是否在持续上升如果连续 10 个 epoch 都不涨甚至下降可能是过拟合了可以提前停止。免环境工具通常会在models/runs/exp_001/下生成results.csv和weights/目录weights/best.pt是验证集上表现最好的权重weights/last.pt是最后一轮的权重。部署时用best.pt继续训练时用last.pt。4.3 中断后恢复训练训练到一半断电或者手动停了不用从头再来。YOLO 支持从last.pt恢复python train.py \ --data datasets/my_project/data.yaml \ --weights models/runs/exp_001/weights/last.pt \ --epochs 100 \ --batch 8 \ --imgsz 640 \ --device 0 \ --project models/runs \ --name exp_001_resume \ --resume关键是--resume参数它会读取last.pt里保存的优化器状态和 epoch 数从断点继续。注意--epochs要设成和原来一样的总数否则恢复后的训练轮数会不对。我一般会在训练脚本里加一个自动保存last.pt的逻辑免环境工具默认已经做了这件事每轮结束都会更新last.pt。5. 模型转换与导出ONNX、TensorRT 怎么选5.1 导出 ONNX 的步骤和验证训练完成后如果要在其他推理框架里用通常需要导出成 ONNX 格式。免环境工具一般会带一个导出脚本python export.py \ --weights models/runs/exp_001/weights/best.pt \ --format onnx \ --imgsz 640 \ --batch 1 \ --simplify--format onnx指定导出格式--imgsz要和训练时一致--batch 1表示导出的模型支持单张推理--simplify会对计算图做简化减小模型体积。导出完成后会在权重同目录下生成best.onnx。验证 ONNX 模型是否正常可以用onnxruntime跑一个随机输入import onnxruntime as ort import numpy as np session ort.InferenceSession(best.onnx) input_name session.get_inputs()[0].name dummy np.random.randn(1, 3, 640, 640).astype(np.float32) output session.run(None, {input_name: dummy}) print(output[0].shape) # 应该是 (1, 84, 8400) 之类的形状如果输出形状正常说明 ONNX 导出成功。如果报错大概率是--imgsz和训练时不一致或者--simplify和某些算子不兼容去掉--simplify再试一次。5.2 TensorRT 导出的硬件限制TensorRT 导出只能在 NVIDIA 显卡上做而且导出后的模型和显卡架构绑定。比如在 3080 上导出的 TensorRT 引擎拿到 4090 上可能跑不了。导出命令python export.py \ --weights models/runs/exp_001/weights/best.pt \ --format engine \ --imgsz 640 \ --batch 1 \ --device 0 \ --half--format engine指定 TensorRT--half表示用 FP16 精度速度比 FP32 快不少精度损失通常在可接受范围内。导出过程可能需要几分钟因为 TensorRT 要做算子融合和内核自动调优。导出完成后会生成best.engine这个文件只能在导出时用的那块显卡或同架构显卡上使用。注意TensorRT 导出对 CUDA 版本和 TensorRT 版本有要求免环境工具内置的版本组合是经过测试的不要自己升级 TensorRT否则可能导出失败。5.3 不同导出格式的适用场景格式适用场景优点缺点ONNX跨平台推理、CPU 推理通用性好支持多种推理引擎速度不如 TensorRTTensorRTNVIDIA 显卡部署速度最快显存占用低绑定显卡架构不可移植OpenVINOIntel CPU / 核显CPU 上速度快需要额外安装 OpenVINOTFLite移动端 / 嵌入式体积小功耗低精度有损失我一般会同时导出 ONNX 和 TensorRT 两个版本ONNX 用于备份和跨平台测试TensorRT 用于最终部署。如果目标机器没有 NVIDIA 显卡就只用 ONNX。6. 避坑与排查训练失败时先看这五条6.1 报错CUDA out of memory现象训练启动后几秒钟就报显存不足进程被 kill。原因通常是batch设得太大或者imgsz太高。解决方法是先把--batch降到 4 甚至 2如果还不行就把--imgsz从 640 降到 416。另外训练前关掉其他占显存的程序浏览器看视频也会占显存。6.2 报错No labels found现象训练启动时报找不到标注文件。原因一般是data.yaml里的路径写错了或者标注文件的后缀不是.txt。检查方法是手动打开datasets/my_project/labels/train/目录确认里面有和图片同名的.txt文件。如果标注工具导出的是.xml或.json需要先转换成 YOLO 格式。6.3 训练 loss 不下降现象训练了 50 个 epochbox_loss和cls_loss几乎没变化。原因可能是学习率设得太低或者预训练权重和数据集类别差异太大。解决方法是把学习率从默认的 0.01 调到 0.001 试试或者换一个更接近你数据集的预训练权重。如果数据集很小几百张图可以冻结 backbone 只训练检测头。6.4 导出 ONNX 后推理结果不对现象PyTorch 模型推理正常导出 ONNX 后检测框全乱。原因通常是导出时的--imgsz和推理时的输入尺寸不一致或者预处理方式不同。YOLO 的预处理包括归一化和通道顺序调整BGR 转 RGBONNX 推理时也要做同样的处理。我一般会写一个对比脚本用同一张图分别跑 PyTorch 和 ONNX看输出差异。6.5 免环境工具启动报python not found现象双击启动脚本后闪退命令行提示找不到 Python。原因是工具包解压路径里有中文或空格导致脚本里的相对路径失效。解决方法很简单把工具包解压到一个纯英文、无空格的路径下比如D:\YOLO_Toolkit。这个问题我踩过两次第一次以为是工具坏了重装了一遍才发现是路径问题。7. 装完怎么验证用一张图跑通推理链路工具装好、模型训练完、导出也做完了最后一步是验证整条链路能不能跑通。我习惯用一张训练时没见过的图片从 PyTorch 推理开始再到 ONNX 推理最后对比两者的输出是否一致。这一步能同时验证模型文件、推理脚本和预处理逻辑。先跑 PyTorch 推理python detect.py \ --weights models/runs/exp_001/weights/best.pt \ --source datasets/my_project/images/val/ \ --conf 0.4 \ --save-txt \ --project models/runs/verify--conf 0.4是置信度阈值--save-txt会把检测结果保存成 txt 文件--project指定输出目录。跑完后打开models/runs/verify/里面应该有标注了检测框的图片和对应的 txt 文件。检查一下检测框的位置是否合理类别是否正确。然后跑 ONNX 推理用同样的图片和阈值import cv2 import numpy as np import onnxruntime as ort session ort.InferenceSession(best.onnx) img cv2.imread(datasets/my_project/images/val/test.jpg) img cv2.resize(img, (640, 640)) img img[:, :, ::-1].transpose(2, 0, 1) # BGR 转 RGBHWC 转 CHW img np.expand_dims(img, axis0).astype(np.float32) / 255.0 outputs session.run(None, {session.get_inputs()[0].name: img}) # outputs[0] 的形状是 (1, 84, 8400)需要做 NMS 后处理 print(outputs[0].shape)如果 ONNX 输出的形状和 PyTorch 推理的检测框数量大致吻合说明导出没问题。如果差异很大回去检查导出时的--imgsz和预处理代码。最后一步把验证通过的模型和推理脚本打包放到目标机器上跑一遍。目标机器不需要装 Python、不需要装 CUDA只需要有对应的显卡驱动。我一般会在目标机器上跑一个verify.bat里面就一行命令双击就能看到检测结果。从那以后我每次部署完都会强制走一遍这个验证流程——PyTorch 推理、ONNX 推理、目标机器推理三步都过了才算装完。希望这套流程能帮你少走点弯路。本文还有配套的精品资源点击获取 
长河君 · 2026/10/16 3:59:43 · 阅读 1.2k 免环境YOLO训练工具部署指南：从环境配置到模型导出全流程
简介这份资源是面向深度学习视觉方向开发者与算法学习者的YOLO系列免环境训练工具包重点解决本地搭建训练环境繁琐、版本切换困难的问题。工具支持yolo3、yolo4及yolo8多版本其中yolo8需N卡显卡可训练cfg、weights、bin、param、pt等格式模型覆盖yolo8l、yolo8m、yolo8n、yolo8s、yolo8x等权重。实用功能包括自动标注、自动截图、V3-4模型转GPU以及模型训练适合想快速上手目标检测项目、减少环境配置成本的中级使用者。资源包共14个文件以txt技术解析、html说明页、jpg示意图和doc文档为主压缩包约908KB内容围绕免环境标注与训练流程展开便于按模块查阅。目前已有1132人学习下载读者可借此了解多版本YOLO训练工具的配置思路、模型转换方法与自动标注操作要点快速搭建可用的训练流程。1. 免环境训练工具为什么我劝你先别急着装 CUDA去年帮一个做视觉检测的朋友搭 YOLO 训练环境他上来就让我装 CUDA 12.1 cuDNN 8.9说网上教程都这么写。结果折腾了一下午显卡驱动版本对不上torch 编译版本又和 Python 3.11 打架最后连import torch都报错。其实他真正要的只是「把标注好的数据集丢进去跑出一个能用的权重文件」——这件事用免环境训练工具根本不需要碰 CUDA。YOLO 系列v5/v8/v11 都算的本地训练环境是深度学习里最经典的「装一次崩一次」场景。Python 版本、PyTorch 版本、CUDA 版本、显卡驱动版本四个东西互相卡脖子错一个就给你甩一屏红色报错。而免环境训练工具的思路是把 Python 解释器、PyTorch、CUDA 运行时、YOLO 源码全部打包进一个独立目录双击启动脚本就能跑不污染系统环境也不依赖你本机装了什么。这篇笔记记录的是我实际部署这套工具的完整过程——从版本选择、目录规划、标注配置到模型转换和训练验证每一步都给出可复现的命令和参数说明。如果你正在被环境问题卡住或者需要在一台没装过任何深度学习框架的机器上快速跑通 YOLO 训练这套方案值得照着走一遍。2. 版本选择与目录规划先搞清楚你要跑哪个 YOLO2.1 YOLOv5 / v8 / v11 的运行时差异免环境工具虽然把依赖打包了但不同 YOLO 版本对底层的要求并不一样。我整理了一张对照表这是部署前必须确认的第一件事YOLO 版本推荐 PythonPyTorch 最低版本标注格式模型导出格式YOLOv53.8 - 3.101.7.0YOLO txtONNX / TensorRT / CoreMLYOLOv83.8 - 3.111.8.0YOLO txtONNX / OpenVINO / TFLiteYOLOv113.9 - 3.122.0.0YOLO txtONNX / TensorRT / TFLite免环境工具通常会把每个版本做成独立的启动入口比如start_v5.bat、start_v8.bat、start_v11.bat。你不需要同时装三个 Python但需要确认工具包里的运行时是否覆盖了你用的版本。我一般会先看工具根目录下的runtime文件夹里面按版本分了子目录每个子目录里有一个python.exe和site-packages这就是独立环境的核心。注意如果你的显卡是 30 系或 40 系PyTorch 版本不要低于 1.8.0否则可能识别不到显卡。免环境工具一般已经内置了对应版本的 CUDA 运行时不需要你单独装 CUDA Toolkit。2.2 目录结构规划别把数据集和工具混在一起免环境工具解压后我建议按下面的结构重新组织目录。这不是工具强制要求的但后面标注、训练、导出模型时你会感谢自己YOLO_Toolkit/ ├── runtime/ # 工具自带的 Python 运行时不要动 │ ├── v5/ │ ├── v8/ │ └── v11/ ├── datasets/ # 所有数据集放这里 │ └── my_project/ │ ├── images/ │ │ ├── train/ │ │ └── val/ │ ├── labels/ │ │ ├── train/ │ │ └── val/ │ └── data.yaml # 数据集配置文件 ├── models/ # 预训练权重和训练输出 │ ├── pretrained/ │ └── runs/ ├── configs/ # 训练配置文件 └── scripts/ # 启动脚本这样分的好处是数据集和工具本体分离工具升级或换版本时数据集不用动训练输出统一在models/runs/下方便对比不同轮次的结果。我见过有人把数据集放在工具目录里面结果换了个工具包数据全丢了血泪经验。2.3 确认显卡驱动和显存底线免环境工具绕过了 CUDA 安装但绕不过显卡驱动。在 Windows 上打开命令行执行nvidia-smi输出里重点看两行Driver Version和CUDA Version。Driver Version 建议不低于 470CUDA Version 显示的是驱动支持的最高 CUDA 版本不是你必须装的版本。免环境工具内置的 PyTorch 会自带 CUDA 运行时只要驱动版本够新就行。显存方面YOLOv8n 训练至少 4GBYOLOv8m 建议 8GB 以上。如果显存不够训练时会报CUDA out of memory这时候要么换小模型要么把batch参数降到 4 或 2。我一般会在训练前先用--batch 4跑一个 epoch 试试水确认不爆显存再往上加。3. 标注与数据准备从图片到 YOLO 格式的完整链路3.1 自动标注工具的使用和修正免环境工具里通常集成了一个标注模块支持自动标注和手动修正。自动标注的原理是用一个预训练模型先跑一遍推理把检测框预填到图片上你只需要删掉误检、补上漏检。这比从零画框快很多尤其是类别少、目标明显的场景。启动标注工具的典型命令是cd YOLO_Toolkit/scripts ./start_label.bat --model models/pretrained/yolov8n.pt --source datasets/my_project/images/train --conf 0.25参数说明--model指定用于自动标注的预训练权重--source指定待标注图片目录--conf是置信度阈值低于这个值的检测框不会显示。我一般会把--conf设成 0.25 左右宁可多显示一些候选框也不要漏掉目标。自动标注完成后工具会生成 YOLO 格式的 txt 文件每行格式是class_id x_center y_center width height坐标都是归一化到 0-1 的值。注意自动标注的结果一定要人工过一遍。我遇到过预训练模型把相似类别搞混的情况比如把「安全帽」标成「人头」这种错误如果直接拿去训练模型会越学越偏。3.2 data.yaml 的写法与常见错误YOLO 训练依赖一个data.yaml文件来指定数据集路径和类别信息。一个标准的写法是这样的# datasets/my_project/data.yaml path: ./datasets/my_project # 数据集根目录 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 nc: 3 # 类别数量 names: # 类别名称顺序必须和标注时的 class_id 对应 0: helmet 1: vest 2: person这里最容易翻车的地方是path的写法。如果你用绝对路径换一台机器就要改如果用相对路径要确认训练脚本的工作目录在哪里。我一般会在训练命令里显式指定--data的绝对路径避免歧义。另一个坑是names的顺序标注时 class_id 0 对应什么类别这里就必须一致否则训练出来的模型会把类别搞反。3.3 数据集划分和格式检查在开始训练之前建议跑一个格式检查脚本确认图片和标注文件一一对应没有缺失或多余的文件。免环境工具一般会带一个check_dataset.py用法如下python scripts/check_dataset.py --data datasets/my_project/data.yaml这个脚本会输出训练集和验证集的图片数量、标注文件数量、类别分布统计、以及是否存在没有标注文件的图片。如果输出里出现missing label或empty label就要回去检查标注环节。我习惯在每次训练前都跑一遍这个检查花不了几秒钟但能避免训练到一半才发现数据有问题。4. 训练配置与启动参数怎么设、日志怎么看4.1 训练命令的完整参数拆解免环境工具的训练入口通常是一个封装好的脚本但底层还是调用 YOLO 官方的训练接口。一个典型的训练命令如下python train.py \ --data datasets/my_project/data.yaml \ --weights models/pretrained/yolov8n.pt \ --epochs 100 \ --batch 8 \ --imgsz 640 \ --device 0 \ --project models/runs \ --name exp_001 \ --exist-ok逐个参数说明--data指向数据集配置文件--weights指定预训练权重用预训练权重比从零训练收敛快很多--epochs是训练轮数小数据集 100 轮起步大数据集可以到 300--batch是批大小受显存限制--imgsz是输入图片尺寸YOLO 默认 640如果你的目标很小可以调到 1280但显存占用会翻倍--device 0指定用第一块显卡多卡可以用0,1--project和--name决定输出目录--exist-ok表示如果目录已存在就覆盖不加这个参数会报错。注意--imgsz必须是 32 的倍数这是 YOLO 网络下采样的要求。设成 650 会报错设成 640 或 672 都可以。4.2 训练日志里的关键指标训练启动后控制台会滚动输出每个 epoch 的指标。重点看这几个box_loss边界框回归损失越小说明框的位置越准cls_loss分类损失越小说明类别判断越准mAP0.5IoU 阈值为 0.5 时的平均精度这是最直观的指标mAP0.5:0.95更严格的指标一般比 mAP0.5 低不少我一般会关注mAP0.5是否在持续上升如果连续 10 个 epoch 都不涨甚至下降可能是过拟合了可以提前停止。免环境工具通常会在models/runs/exp_001/下生成results.csv和weights/目录weights/best.pt是验证集上表现最好的权重weights/last.pt是最后一轮的权重。部署时用best.pt继续训练时用last.pt。4.3 中断后恢复训练训练到一半断电或者手动停了不用从头再来。YOLO 支持从last.pt恢复python train.py \ --data datasets/my_project/data.yaml \ --weights models/runs/exp_001/weights/last.pt \ --epochs 100 \ --batch 8 \ --imgsz 640 \ --device 0 \ --project models/runs \ --name exp_001_resume \ --resume关键是--resume参数它会读取last.pt里保存的优化器状态和 epoch 数从断点继续。注意--epochs要设成和原来一样的总数否则恢复后的训练轮数会不对。我一般会在训练脚本里加一个自动保存last.pt的逻辑免环境工具默认已经做了这件事每轮结束都会更新last.pt。5. 模型转换与导出ONNX、TensorRT 怎么选5.1 导出 ONNX 的步骤和验证训练完成后如果要在其他推理框架里用通常需要导出成 ONNX 格式。免环境工具一般会带一个导出脚本python export.py \ --weights models/runs/exp_001/weights/best.pt \ --format onnx \ --imgsz 640 \ --batch 1 \ --simplify--format onnx指定导出格式--imgsz要和训练时一致--batch 1表示导出的模型支持单张推理--simplify会对计算图做简化减小模型体积。导出完成后会在权重同目录下生成best.onnx。验证 ONNX 模型是否正常可以用onnxruntime跑一个随机输入import onnxruntime as ort import numpy as np session ort.InferenceSession(best.onnx) input_name session.get_inputs()[0].name dummy np.random.randn(1, 3, 640, 640).astype(np.float32) output session.run(None, {input_name: dummy}) print(output[0].shape) # 应该是 (1, 84, 8400) 之类的形状如果输出形状正常说明 ONNX 导出成功。如果报错大概率是--imgsz和训练时不一致或者--simplify和某些算子不兼容去掉--simplify再试一次。5.2 TensorRT 导出的硬件限制TensorRT 导出只能在 NVIDIA 显卡上做而且导出后的模型和显卡架构绑定。比如在 3080 上导出的 TensorRT 引擎拿到 4090 上可能跑不了。导出命令python export.py \ --weights models/runs/exp_001/weights/best.pt \ --format engine \ --imgsz 640 \ --batch 1 \ --device 0 \ --half--format engine指定 TensorRT--half表示用 FP16 精度速度比 FP32 快不少精度损失通常在可接受范围内。导出过程可能需要几分钟因为 TensorRT 要做算子融合和内核自动调优。导出完成后会生成best.engine这个文件只能在导出时用的那块显卡或同架构显卡上使用。注意TensorRT 导出对 CUDA 版本和 TensorRT 版本有要求免环境工具内置的版本组合是经过测试的不要自己升级 TensorRT否则可能导出失败。5.3 不同导出格式的适用场景格式适用场景优点缺点ONNX跨平台推理、CPU 推理通用性好支持多种推理引擎速度不如 TensorRTTensorRTNVIDIA 显卡部署速度最快显存占用低绑定显卡架构不可移植OpenVINOIntel CPU / 核显CPU 上速度快需要额外安装 OpenVINOTFLite移动端 / 嵌入式体积小功耗低精度有损失我一般会同时导出 ONNX 和 TensorRT 两个版本ONNX 用于备份和跨平台测试TensorRT 用于最终部署。如果目标机器没有 NVIDIA 显卡就只用 ONNX。6. 避坑与排查训练失败时先看这五条6.1 报错CUDA out of memory现象训练启动后几秒钟就报显存不足进程被 kill。原因通常是batch设得太大或者imgsz太高。解决方法是先把--batch降到 4 甚至 2如果还不行就把--imgsz从 640 降到 416。另外训练前关掉其他占显存的程序浏览器看视频也会占显存。6.2 报错No labels found现象训练启动时报找不到标注文件。原因一般是data.yaml里的路径写错了或者标注文件的后缀不是.txt。检查方法是手动打开datasets/my_project/labels/train/目录确认里面有和图片同名的.txt文件。如果标注工具导出的是.xml或.json需要先转换成 YOLO 格式。6.3 训练 loss 不下降现象训练了 50 个 epochbox_loss和cls_loss几乎没变化。原因可能是学习率设得太低或者预训练权重和数据集类别差异太大。解决方法是把学习率从默认的 0.01 调到 0.001 试试或者换一个更接近你数据集的预训练权重。如果数据集很小几百张图可以冻结 backbone 只训练检测头。6.4 导出 ONNX 后推理结果不对现象PyTorch 模型推理正常导出 ONNX 后检测框全乱。原因通常是导出时的--imgsz和推理时的输入尺寸不一致或者预处理方式不同。YOLO 的预处理包括归一化和通道顺序调整BGR 转 RGBONNX 推理时也要做同样的处理。我一般会写一个对比脚本用同一张图分别跑 PyTorch 和 ONNX看输出差异。6.5 免环境工具启动报python not found现象双击启动脚本后闪退命令行提示找不到 Python。原因是工具包解压路径里有中文或空格导致脚本里的相对路径失效。解决方法很简单把工具包解压到一个纯英文、无空格的路径下比如D:\YOLO_Toolkit。这个问题我踩过两次第一次以为是工具坏了重装了一遍才发现是路径问题。7. 装完怎么验证用一张图跑通推理链路工具装好、模型训练完、导出也做完了最后一步是验证整条链路能不能跑通。我习惯用一张训练时没见过的图片从 PyTorch 推理开始再到 ONNX 推理最后对比两者的输出是否一致。这一步能同时验证模型文件、推理脚本和预处理逻辑。先跑 PyTorch 推理python detect.py \ --weights models/runs/exp_001/weights/best.pt \ --source datasets/my_project/images/val/ \ --conf 0.4 \ --save-txt \ --project models/runs/verify--conf 0.4是置信度阈值--save-txt会把检测结果保存成 txt 文件--project指定输出目录。跑完后打开models/runs/verify/里面应该有标注了检测框的图片和对应的 txt 文件。检查一下检测框的位置是否合理类别是否正确。然后跑 ONNX 推理用同样的图片和阈值import cv2 import numpy as np import onnxruntime as ort session ort.InferenceSession(best.onnx) img cv2.imread(datasets/my_project/images/val/test.jpg) img cv2.resize(img, (640, 640)) img img[:, :, ::-1].transpose(2, 0, 1) # BGR 转 RGBHWC 转 CHW img np.expand_dims(img, axis0).astype(np.float32) / 255.0 outputs session.run(None, {session.get_inputs()[0].name: img}) # outputs[0] 的形状是 (1, 84, 8400)需要做 NMS 后处理 print(outputs[0].shape)如果 ONNX 输出的形状和 PyTorch 推理的检测框数量大致吻合说明导出没问题。如果差异很大回去检查导出时的--imgsz和预处理代码。最后一步把验证通过的模型和推理脚本打包放到目标机器上跑一遍。目标机器不需要装 Python、不需要装 CUDA只需要有对应的显卡驱动。我一般会在目标机器上跑一个verify.bat里面就一行命令双击就能看到检测结果。从那以后我每次部署完都会强制走一遍这个验证流程——PyTorch 推理、ONNX 推理、目标机器推理三步都过了才算装完。希望这套流程能帮你少走点弯路。本文还有配套的精品资源点击获取