年初那段时间我一直在纠结要不要认真学目标检测。说实话网上关于YOLO的教程和代码一抓一大把但多数不是默认你已经有完整的环境和基础就是讲得云里雾里、把检测框和损失函数都当成“理所当然”的东西。我自己踩了一遍坑之后决定用这篇YOLO学习笔记记录从零开始理解并跑通YOLO的全过程。这篇是第一篇主要解决“为什么选YOLO”“YOLO到底在预测什么”“怎么把预训练模型跑起来”以及“训练自己的数据前必须搞清楚的几个问题”适合刚接触目标检测、想系统动手复现的读者也欢迎有基础的朋友帮忙指正。我周围一些朋友学YOLO败就败在第一个星期环境没搭好、数据不会标、跑通代码之后不知道输出是什么意思。所以这篇笔记我故意写得“啰嗦”一点凡是当时我自己看过很多遍才明白的原理我都会用大白话再解释一遍并给出可以直接照着操作的路径。1. 为什么我建议从YOLO入手而不是先啃一堆检测理论1.1 目标检测学习的典型路径与YOLO的位置目标检测要解决的核心问题很简单图片里的物体在哪里、是什么。传统做法是滑动窗口加手工特征后来发展出两阶段检测也就是“先找出候选区域再对每个区域分类打分”精度高但速度偏慢。YOLO属于单阶段检测思路完全反着来一次性把整张图的每个位置都预测一遍直接输出一堆候选框和类别概率不需要“先找区域再判断”的中间过程。单阶段方案带来的最大优点是快而且结构足够统一。我最早读YOLO相关论文时最强烈的感受是它把“检测”这件事定义得很干净。输入图片经过网络提取特征得到一个大张量这个张量按位置切分开以后每块都对应图片上的某个区域和某个先验框。对比两阶段模型里区域提议、ROI池化、分类回归分支这些复杂流程YOLO的“网格张量”设计在理解成本上确实低很多尤其适合作为第一个吃透的检测模型。1.2 对初学者最友好的三个理由我从自己的学习体验出发觉得YOLO适合入门有三个非常实际的理由。第一生态成熟社区里的开源实现非常多而且预训练权重很容易拿到。我的做法是直接基于某个社区里使用最广的YOLO实现来学习它把数据加载、模型结构、训练流程都封装好了我不需要一开始就去重写卷积层和损失函数只要先把数据格式搞明白就行。第二可视化反馈很直观。模型训练完拿一张测试图进去输出的检测框直接画在图上。这一下就能看到“模型理解得怎么样”是漏检了、误检了还是位置偏了。对新手来说这种反馈比看loss曲线有用十倍。我训练第一轮结束就迫不及待拿测试图跑了一遍虽然效果很惨但至少明白了整个流程长什么样。第三进阶路径平滑。YOLO系列从最初版本到后来引入FPN、anchor-free、CSP结构每一步改动都有明确动机。你先学会最朴素的版本再去看改进项时会发现每个改进都是在修补前面某个具体痛点而不是天书一样的架构堆叠。这种“先会用再理解最后改进”的路线比一上来就啃各种论文复现舒服得多。1.3 学YOLO前需要哪些前置基础说实话YOLO的门槛没有传言那么高但也不是完全零基础就能直接上手。我自己认为至少要有三样东西会点Python知道怎么用张量库做基本的矩阵形状变换了解卷积、池化、全连接这些基础概念不需要推导所有梯度公式但得明白卷积网络在做“逐步提取特征”这件事最后是有耐心看数据标注格式——很多报错和烂结果都是因为标注文件写错了。如果你这三个前置都还没完全到位也不用慌。比如我当时对反向传播的理解也仅限于“梯度下降更新权重”但照样可以先把模型跑起来。真正的深度学习细节是在“跑不通—查资料—看代码—恍然大悟”的过程中补上的。这篇笔记的目的就是帮你把这条路上的关键岔路口提前标出来。2. 先理解检测的本质YOLO到底在预测什么2.1 一张图是怎么被切开的YOLO最核心的思想是“分而治之”。想象输入图片被缩放到固定尺寸比如640×640然后网络会把这张图划分成S×S个网格。每个网格负责预测物体中心落在该网格内的目标。这就是它叫“You Only Look Once”的原因只看一次全图各区域同时给出预测而不是反复看。我当初有个误解以为网格切分之后就固定了每个格子只能检测一个物体。实际上网格只是为了给“中心点”做归属一个目标如果中心落在第i行第j列的格子就由这个格子负责预测。一个格子可以预测多个框因为每个格子会配若干个锚框也叫先验框每个锚框输出一组预测。这样设计的好处是让网络每个位置只需处理局部信息输出空间被结构化了。2.2 每个网格要输出的信息是什么我们来看每个格子的输出内容。假设每格子配B个锚框类别数是C。那么每个格子的预测向量长度就是B×(5C)。其中5指的是中心坐标偏移tx、ty相对格子左上角宽高缩放tw、th相对锚框以及一个置信度代表这个框里是否真的有物体、且标记得准不准。C个值则是每个类别的概率。举个例子如果检测类别有80类每个格子配3个锚框那单个格子的输出长度就是3×(580)255。这张图如果是7×7网格最后一层特征图的通道数就是7×7×255。我第一次看这个数字第一反应是“怎么会这么大”后来想明白了它就是纯结构化的预测没有经过任何隐含编码每个通道位置的内容都有明确含义这也是YOLO容易理解的原因之一。2.3 从预测张量解码出真实框网络输出的并不是真实的像素坐标而是一组经过归一化的相对值所以必须解码。以经典YOLO的坐标解码方式为例不同版本细节略有差异但整体思想一致中心坐标先对tx、ty做sigmoid得到0到1之间的偏移比例然后加上所在网格的左上角坐标cx、cy再乘以每个网格的边长就得到中心点在原图中的坐标。宽高把tw、th做指数运算再乘以锚框的原始宽高pw、ph就得到预测框的宽高。置信度通常也过sigmoid变成0到1之间的概率值代表“这个框里有目标的把握有多大”。解码之后图上会得到大量候选框。这些框里有大量重叠和低置信度的预测需要两步后处理先用置信度阈值把明显不靠谱的框去掉再对剩下的框做非极大值抑制NMS。NMS的做法是先按置信度从高到低排序保留最高分框然后删除与它交并比超过阈值的其他框循环直到所有框都被处理完。交并比就是两个框重叠面积除以合并面积直观理解就是“两个框更像不像”。这个后处理直接决定了最终可视化结果干不干净我在后面跑Demo时会具体展示阈值怎么影响输出。3. 本地跑通第一个推理Demo的完整过程3.1 环境准备先别急着装一堆东西我当时犯的错就是一上来照着网上的命令把各种依赖全都装了一遍结果版本冲突搞了一下午。后来总结出一个相对稳妥的顺序先创建一个独立的Python环境把GPU版本的深度学习框架装好确认GPU能被识别之后再安装YOLO的代码包和相关依赖。安装GPU版本框架时最容易翻车的是CUDA版本和深度学习框架版本对不上。我的建议是先查清楚自己的显卡驱动支持哪个CUDA版本然后优先选择与该版本匹配的框架发行版。不要盲目装最新版稳定比新功能重要。装完之后在Python里跑两行测试代码确认能正常加载GPU设备并跑一个小矩阵运算环境就算基本通了。没有独立显卡也没关系CPU版也能跑推理只是训练会慢几个数量级。3.2 用预训练权重跑一张测试图环境搞定之后我先拿官方预训练权重跑推理。这一步主要验证三件事模型能不能被正确加载输入图片能不能走完前向传播输出能不能被正确解码和画框。我的操作流程是这样的准备好一张测试图最好是网上随便下的街景图或者含明显大物体的照片调用代码包里的模型加载接口指定使用预训练权重把图片路径传进去让模型把检测框、类别、置信度画出来并保存到本地。第一次跑通时看到图片上被框出好几辆车、几个人说实话那种成就感是“论文读一百遍都换不来的”。如果你跑完发现图片上框很多很乱或者完全没框大概率不是模型坏了而是后处理阈值的问题。不同代码包的默认阈值不一样有的置信度默认0.25有的默认0.5。我后面把置信度从0.25调到0.5框数立刻少了一大半画面瞬间清爽很多。3.3 读懂输出张量shape、置信度、类别索引推理完成后我做的事和大多数人不一样我专门把模型输出张量的shape打印出来看了一眼。不看不知道看完才发现很多教程讲的“输出格式”放到实际代码里是另一种排列方式。以我用的这套实现为例模型直接输出的是一个二维张量第一维是检测框的编号第二维长度是6内容是x1、y1、x2、y2四个角点坐标然后是置信度最后是类别索引。换句话说代码包已经在内部帮我把“网格锚框解码”和NMS都做完了我拿到的已经是最终框的像素坐标。这和我前面讲的“预测张量解码”过程形成了很好的对照底层仍然是网格和锚框只是被封装得看不见了。如果你也想确认这一点建议去翻一翻代码包里后处理那个函数。我后来打开看了一下发现里面就是先解码、再过阈值、再做NMS只是每一步都用张量操作进行了批量加速。看懂这一层你就不会觉得“输出结果”了而是知道这个最终框经过了哪些数学变换。4. 从推理到训练准备自己的数据集并跑一轮迁移学习4.1 数据标注格式与目录结构推理跑通只是热身真正学YOLO得用自己的数据训练一遍。我最开始以为标数据很难实际上就是要做到“图片和标注文件一一对应”。多数YOLO工具包用的标注格式是一行一个目标内容是“类别序号 中心点x坐标 中心点y坐标 框宽度 框高度”坐标值全部归一到0~1之间。比如一张1000×800的图上有个目标真实中心在(500, 400)框大小是(200, 100)那标注就是“0 0.5 0.5 0.2 0.125”。目录结构方面我强烈建议从一开始就养成分开存放的习惯图片放一个目录标注文件放另一个目录再按训练集、验证集分开。我当时偷懒只建了一个目录后面写数据配置文件时路径全乱了浪费了半天时间。正确做法应该是images/train、images/val 存放图片labels/train、labels/val 存放对应的txt标注文件图片名与标注文件名必须完全一致只是后缀不同4.2 配置文件里的关键参数与选择理由数据准备完接下来是训练配置。不同代码包的配置形式不一样但核心参数大同小异。我把自己踩过坑的几个参数列出来说一下类别数量必须和你的标注文件里的类别序号对应。我一开始漏改这个模型训练时loss爆炸后来排查才发现类别数比实际多了好几倍。输入尺寸多数情况下设640。输入尺寸越大能看清的小目标越多但显存占用也越大。如果显卡不够力先降到512甚至416模型也能跑只是小目标效果会变差。批次大小显存不够就把批次调小。这个参数直接影响训练稳定性和速度不要为了“看起来快”硬上大batch新手宁可用小batch先跑通。训练轮数我第一轮设了100轮实际在几十轮时验证集指标基本就不涨了。迁移学习场景下在一张显卡上完成一次训练也就是几十分钟的事多跑几轮无所谓关键是学会看验证指标。还有一个很多人忽略的点预训练权重。我建议新手不要从随机初始化开始训练而是加载在大型公开数据集上预训练过的权重再在自己的小数据集上微调。这个做法的名字叫迁移学习本质是让模型先具备通用的特征提取能力比如“边缘”“颜色块”“纹理”都已经被预训练权重学会了我们只需在最后几层和输出头上微调让它学会区分我们自己定义的类别。从零训练不仅慢而且在小数据集上很容易过拟合效果远不如微调。4.3 训练后评估的3个常见误区训练完代码包会输出一堆指标很多人看到mAP就完事了。我根据自己的教训总结出三个常见误区新手特别容易掉进去。第一只看mAP0.5不看mAP0.5:0.95。mAP是“平均精度均值”mAP0.5只计算交并比阈值0.5时的精度要求比较宽松mAP0.5:0.95则是把0.5到0.95区间取多个阈值平均对框的定位精度要求更高。如果你的框位置经常偏mAP0.5可能还凑合但mAP0.5:0.95会很低。所以一定要两个一起看。第二训练集loss降了、验证集指标反而差这是过拟合信号。解决办法很简单加数据增强、增加训练数据量、降低模型复杂度。我第一轮训练就出现过这种情况后来把轮数减少、加了一点增强操作验证集指标明显回升。第三只在训练集上挑几张图看效果。这样做的问题在于模型在训练数据上可能已经“背”下来了看起来效果很好但换一张环境完全不同的图就现原形。我习惯训练结束后专门准备一批模型没见过的场景图比如不同角度、不同光照、不同尺寸的目标用这些图来判断模型有没有学到通用特征而不仅仅是“记住”训练样本。5. 我踩过的坑与后续学习路线5.1 五个高频报错及排查链路跑YOLO这段时间我整理了几个出现频率最高的报错每个都附上自己完整的排查链路。第一个是“CUDA out of memory”。遇到这个我第一反应不是换更大显存而是看自己batch size设了多少、输入尺寸是不是640。先把batch降到4或2再把图片尺寸降到512问题基本解决。如果还不行就检查后台是不是有其他进程占用了显存。第二个是训练刚开始就出现NaN loss。当时我第一反应是数据有问题后来逐个图片排查发现有张图片对应的标注框宽度或高度被写成了0。YOLO的loss计算里要对宽高做对数变换0或负数会直接导致数值溢出。解决方案是写一个小脚本把标注文件里所有宽高为零的框过滤掉问题立刻消失。第三个是“FileNotFoundError: No such file or directory”。这个乍看是路径问题但我花了好长时间才意识到是大小写不匹配。Linux环境下路径是区分大小写的图片叫“IMG_001.jpg”标注文件却叫“img_001.txt”那就找不到。后来我写了一个脚本把全部文件名统一改成小写并输出对比检查一次性解决。第四个是数据加载特别慢或者训练时CPU占用100%。根因是图片尺寸不统一数据加载流程每张图都要做额外的缩放和填充操作。YOLO训练前通常会把图片统一成正方形做法是letterbox保持原始宽高比缩放然后在四周填充灰边。这个操作在CPU上做比较费时如果图片本身尺寸五花八门预处理时间就会明显变长。我的解决办法是先对训练集做一次统一的resize预处理或者直接在数据加载器里启用缓存。第五个是推理时检测框全图乱蹦同一目标被框好几个。这个不止是阈值低更可能是NMS阈值设得太高。NMS阈值是“两个框重叠多少才算重复”默认通常0.45~0.7。如果设成0.9那几乎只有完全重叠的框才会被删除必然一堆重复框。我把NMS阈值降回0.45再配合置信度0.25输出干净多了。5.2 系列笔记的下一步计划这篇笔记主要解决了“从零跑通YOLO”这件事。写的过程中我也发现真正需要深入理解的地方是底层的loss函数以及模型结构里的每个模块对最终效果的影响。接下来第二篇我计划把训练过程中的损失曲线、学习率策略、数据增强策略逐个拆开讲重点是怎么根据曲线判断模型运行状态。另外我也打算做一次完整的“标注到部署”闭环把推理代码打包成一个小服务接口让别人可以通过网络上传图片、拿到检测结果。到这个阶段YOLO才算是真正能放到实际场景里用起来。最后说一点个人体会学YOLO这段时间我最大的感受是这个领域“看懂的错觉”特别多。你看十篇原理文章不如自己跑一次代码、标十张图、训练一个烂模型、再把它调好。只要把“网格锚框解码NMS”这条主线理清楚YOLO系列再出来多少个版本你也能很快抓住一个版本的改进点。下篇笔记里我会把这些改进点逐个对照代码分析希望能给同样在坑里的朋友一些帮助。 
长河君 · 2026/10/16 21:08:09 · 阅读 1.2k YOLO目标检测入门：从零理解原理到跑通训练全流程
年初那段时间我一直在纠结要不要认真学目标检测。说实话网上关于YOLO的教程和代码一抓一大把但多数不是默认你已经有完整的环境和基础就是讲得云里雾里、把检测框和损失函数都当成“理所当然”的东西。我自己踩了一遍坑之后决定用这篇YOLO学习笔记记录从零开始理解并跑通YOLO的全过程。这篇是第一篇主要解决“为什么选YOLO”“YOLO到底在预测什么”“怎么把预训练模型跑起来”以及“训练自己的数据前必须搞清楚的几个问题”适合刚接触目标检测、想系统动手复现的读者也欢迎有基础的朋友帮忙指正。我周围一些朋友学YOLO败就败在第一个星期环境没搭好、数据不会标、跑通代码之后不知道输出是什么意思。所以这篇笔记我故意写得“啰嗦”一点凡是当时我自己看过很多遍才明白的原理我都会用大白话再解释一遍并给出可以直接照着操作的路径。1. 为什么我建议从YOLO入手而不是先啃一堆检测理论1.1 目标检测学习的典型路径与YOLO的位置目标检测要解决的核心问题很简单图片里的物体在哪里、是什么。传统做法是滑动窗口加手工特征后来发展出两阶段检测也就是“先找出候选区域再对每个区域分类打分”精度高但速度偏慢。YOLO属于单阶段检测思路完全反着来一次性把整张图的每个位置都预测一遍直接输出一堆候选框和类别概率不需要“先找区域再判断”的中间过程。单阶段方案带来的最大优点是快而且结构足够统一。我最早读YOLO相关论文时最强烈的感受是它把“检测”这件事定义得很干净。输入图片经过网络提取特征得到一个大张量这个张量按位置切分开以后每块都对应图片上的某个区域和某个先验框。对比两阶段模型里区域提议、ROI池化、分类回归分支这些复杂流程YOLO的“网格张量”设计在理解成本上确实低很多尤其适合作为第一个吃透的检测模型。1.2 对初学者最友好的三个理由我从自己的学习体验出发觉得YOLO适合入门有三个非常实际的理由。第一生态成熟社区里的开源实现非常多而且预训练权重很容易拿到。我的做法是直接基于某个社区里使用最广的YOLO实现来学习它把数据加载、模型结构、训练流程都封装好了我不需要一开始就去重写卷积层和损失函数只要先把数据格式搞明白就行。第二可视化反馈很直观。模型训练完拿一张测试图进去输出的检测框直接画在图上。这一下就能看到“模型理解得怎么样”是漏检了、误检了还是位置偏了。对新手来说这种反馈比看loss曲线有用十倍。我训练第一轮结束就迫不及待拿测试图跑了一遍虽然效果很惨但至少明白了整个流程长什么样。第三进阶路径平滑。YOLO系列从最初版本到后来引入FPN、anchor-free、CSP结构每一步改动都有明确动机。你先学会最朴素的版本再去看改进项时会发现每个改进都是在修补前面某个具体痛点而不是天书一样的架构堆叠。这种“先会用再理解最后改进”的路线比一上来就啃各种论文复现舒服得多。1.3 学YOLO前需要哪些前置基础说实话YOLO的门槛没有传言那么高但也不是完全零基础就能直接上手。我自己认为至少要有三样东西会点Python知道怎么用张量库做基本的矩阵形状变换了解卷积、池化、全连接这些基础概念不需要推导所有梯度公式但得明白卷积网络在做“逐步提取特征”这件事最后是有耐心看数据标注格式——很多报错和烂结果都是因为标注文件写错了。如果你这三个前置都还没完全到位也不用慌。比如我当时对反向传播的理解也仅限于“梯度下降更新权重”但照样可以先把模型跑起来。真正的深度学习细节是在“跑不通—查资料—看代码—恍然大悟”的过程中补上的。这篇笔记的目的就是帮你把这条路上的关键岔路口提前标出来。2. 先理解检测的本质YOLO到底在预测什么2.1 一张图是怎么被切开的YOLO最核心的思想是“分而治之”。想象输入图片被缩放到固定尺寸比如640×640然后网络会把这张图划分成S×S个网格。每个网格负责预测物体中心落在该网格内的目标。这就是它叫“You Only Look Once”的原因只看一次全图各区域同时给出预测而不是反复看。我当初有个误解以为网格切分之后就固定了每个格子只能检测一个物体。实际上网格只是为了给“中心点”做归属一个目标如果中心落在第i行第j列的格子就由这个格子负责预测。一个格子可以预测多个框因为每个格子会配若干个锚框也叫先验框每个锚框输出一组预测。这样设计的好处是让网络每个位置只需处理局部信息输出空间被结构化了。2.2 每个网格要输出的信息是什么我们来看每个格子的输出内容。假设每格子配B个锚框类别数是C。那么每个格子的预测向量长度就是B×(5C)。其中5指的是中心坐标偏移tx、ty相对格子左上角宽高缩放tw、th相对锚框以及一个置信度代表这个框里是否真的有物体、且标记得准不准。C个值则是每个类别的概率。举个例子如果检测类别有80类每个格子配3个锚框那单个格子的输出长度就是3×(580)255。这张图如果是7×7网格最后一层特征图的通道数就是7×7×255。我第一次看这个数字第一反应是“怎么会这么大”后来想明白了它就是纯结构化的预测没有经过任何隐含编码每个通道位置的内容都有明确含义这也是YOLO容易理解的原因之一。2.3 从预测张量解码出真实框网络输出的并不是真实的像素坐标而是一组经过归一化的相对值所以必须解码。以经典YOLO的坐标解码方式为例不同版本细节略有差异但整体思想一致中心坐标先对tx、ty做sigmoid得到0到1之间的偏移比例然后加上所在网格的左上角坐标cx、cy再乘以每个网格的边长就得到中心点在原图中的坐标。宽高把tw、th做指数运算再乘以锚框的原始宽高pw、ph就得到预测框的宽高。置信度通常也过sigmoid变成0到1之间的概率值代表“这个框里有目标的把握有多大”。解码之后图上会得到大量候选框。这些框里有大量重叠和低置信度的预测需要两步后处理先用置信度阈值把明显不靠谱的框去掉再对剩下的框做非极大值抑制NMS。NMS的做法是先按置信度从高到低排序保留最高分框然后删除与它交并比超过阈值的其他框循环直到所有框都被处理完。交并比就是两个框重叠面积除以合并面积直观理解就是“两个框更像不像”。这个后处理直接决定了最终可视化结果干不干净我在后面跑Demo时会具体展示阈值怎么影响输出。3. 本地跑通第一个推理Demo的完整过程3.1 环境准备先别急着装一堆东西我当时犯的错就是一上来照着网上的命令把各种依赖全都装了一遍结果版本冲突搞了一下午。后来总结出一个相对稳妥的顺序先创建一个独立的Python环境把GPU版本的深度学习框架装好确认GPU能被识别之后再安装YOLO的代码包和相关依赖。安装GPU版本框架时最容易翻车的是CUDA版本和深度学习框架版本对不上。我的建议是先查清楚自己的显卡驱动支持哪个CUDA版本然后优先选择与该版本匹配的框架发行版。不要盲目装最新版稳定比新功能重要。装完之后在Python里跑两行测试代码确认能正常加载GPU设备并跑一个小矩阵运算环境就算基本通了。没有独立显卡也没关系CPU版也能跑推理只是训练会慢几个数量级。3.2 用预训练权重跑一张测试图环境搞定之后我先拿官方预训练权重跑推理。这一步主要验证三件事模型能不能被正确加载输入图片能不能走完前向传播输出能不能被正确解码和画框。我的操作流程是这样的准备好一张测试图最好是网上随便下的街景图或者含明显大物体的照片调用代码包里的模型加载接口指定使用预训练权重把图片路径传进去让模型把检测框、类别、置信度画出来并保存到本地。第一次跑通时看到图片上被框出好几辆车、几个人说实话那种成就感是“论文读一百遍都换不来的”。如果你跑完发现图片上框很多很乱或者完全没框大概率不是模型坏了而是后处理阈值的问题。不同代码包的默认阈值不一样有的置信度默认0.25有的默认0.5。我后面把置信度从0.25调到0.5框数立刻少了一大半画面瞬间清爽很多。3.3 读懂输出张量shape、置信度、类别索引推理完成后我做的事和大多数人不一样我专门把模型输出张量的shape打印出来看了一眼。不看不知道看完才发现很多教程讲的“输出格式”放到实际代码里是另一种排列方式。以我用的这套实现为例模型直接输出的是一个二维张量第一维是检测框的编号第二维长度是6内容是x1、y1、x2、y2四个角点坐标然后是置信度最后是类别索引。换句话说代码包已经在内部帮我把“网格锚框解码”和NMS都做完了我拿到的已经是最终框的像素坐标。这和我前面讲的“预测张量解码”过程形成了很好的对照底层仍然是网格和锚框只是被封装得看不见了。如果你也想确认这一点建议去翻一翻代码包里后处理那个函数。我后来打开看了一下发现里面就是先解码、再过阈值、再做NMS只是每一步都用张量操作进行了批量加速。看懂这一层你就不会觉得“输出结果”了而是知道这个最终框经过了哪些数学变换。4. 从推理到训练准备自己的数据集并跑一轮迁移学习4.1 数据标注格式与目录结构推理跑通只是热身真正学YOLO得用自己的数据训练一遍。我最开始以为标数据很难实际上就是要做到“图片和标注文件一一对应”。多数YOLO工具包用的标注格式是一行一个目标内容是“类别序号 中心点x坐标 中心点y坐标 框宽度 框高度”坐标值全部归一到0~1之间。比如一张1000×800的图上有个目标真实中心在(500, 400)框大小是(200, 100)那标注就是“0 0.5 0.5 0.2 0.125”。目录结构方面我强烈建议从一开始就养成分开存放的习惯图片放一个目录标注文件放另一个目录再按训练集、验证集分开。我当时偷懒只建了一个目录后面写数据配置文件时路径全乱了浪费了半天时间。正确做法应该是images/train、images/val 存放图片labels/train、labels/val 存放对应的txt标注文件图片名与标注文件名必须完全一致只是后缀不同4.2 配置文件里的关键参数与选择理由数据准备完接下来是训练配置。不同代码包的配置形式不一样但核心参数大同小异。我把自己踩过坑的几个参数列出来说一下类别数量必须和你的标注文件里的类别序号对应。我一开始漏改这个模型训练时loss爆炸后来排查才发现类别数比实际多了好几倍。输入尺寸多数情况下设640。输入尺寸越大能看清的小目标越多但显存占用也越大。如果显卡不够力先降到512甚至416模型也能跑只是小目标效果会变差。批次大小显存不够就把批次调小。这个参数直接影响训练稳定性和速度不要为了“看起来快”硬上大batch新手宁可用小batch先跑通。训练轮数我第一轮设了100轮实际在几十轮时验证集指标基本就不涨了。迁移学习场景下在一张显卡上完成一次训练也就是几十分钟的事多跑几轮无所谓关键是学会看验证指标。还有一个很多人忽略的点预训练权重。我建议新手不要从随机初始化开始训练而是加载在大型公开数据集上预训练过的权重再在自己的小数据集上微调。这个做法的名字叫迁移学习本质是让模型先具备通用的特征提取能力比如“边缘”“颜色块”“纹理”都已经被预训练权重学会了我们只需在最后几层和输出头上微调让它学会区分我们自己定义的类别。从零训练不仅慢而且在小数据集上很容易过拟合效果远不如微调。4.3 训练后评估的3个常见误区训练完代码包会输出一堆指标很多人看到mAP就完事了。我根据自己的教训总结出三个常见误区新手特别容易掉进去。第一只看mAP0.5不看mAP0.5:0.95。mAP是“平均精度均值”mAP0.5只计算交并比阈值0.5时的精度要求比较宽松mAP0.5:0.95则是把0.5到0.95区间取多个阈值平均对框的定位精度要求更高。如果你的框位置经常偏mAP0.5可能还凑合但mAP0.5:0.95会很低。所以一定要两个一起看。第二训练集loss降了、验证集指标反而差这是过拟合信号。解决办法很简单加数据增强、增加训练数据量、降低模型复杂度。我第一轮训练就出现过这种情况后来把轮数减少、加了一点增强操作验证集指标明显回升。第三只在训练集上挑几张图看效果。这样做的问题在于模型在训练数据上可能已经“背”下来了看起来效果很好但换一张环境完全不同的图就现原形。我习惯训练结束后专门准备一批模型没见过的场景图比如不同角度、不同光照、不同尺寸的目标用这些图来判断模型有没有学到通用特征而不仅仅是“记住”训练样本。5. 我踩过的坑与后续学习路线5.1 五个高频报错及排查链路跑YOLO这段时间我整理了几个出现频率最高的报错每个都附上自己完整的排查链路。第一个是“CUDA out of memory”。遇到这个我第一反应不是换更大显存而是看自己batch size设了多少、输入尺寸是不是640。先把batch降到4或2再把图片尺寸降到512问题基本解决。如果还不行就检查后台是不是有其他进程占用了显存。第二个是训练刚开始就出现NaN loss。当时我第一反应是数据有问题后来逐个图片排查发现有张图片对应的标注框宽度或高度被写成了0。YOLO的loss计算里要对宽高做对数变换0或负数会直接导致数值溢出。解决方案是写一个小脚本把标注文件里所有宽高为零的框过滤掉问题立刻消失。第三个是“FileNotFoundError: No such file or directory”。这个乍看是路径问题但我花了好长时间才意识到是大小写不匹配。Linux环境下路径是区分大小写的图片叫“IMG_001.jpg”标注文件却叫“img_001.txt”那就找不到。后来我写了一个脚本把全部文件名统一改成小写并输出对比检查一次性解决。第四个是数据加载特别慢或者训练时CPU占用100%。根因是图片尺寸不统一数据加载流程每张图都要做额外的缩放和填充操作。YOLO训练前通常会把图片统一成正方形做法是letterbox保持原始宽高比缩放然后在四周填充灰边。这个操作在CPU上做比较费时如果图片本身尺寸五花八门预处理时间就会明显变长。我的解决办法是先对训练集做一次统一的resize预处理或者直接在数据加载器里启用缓存。第五个是推理时检测框全图乱蹦同一目标被框好几个。这个不止是阈值低更可能是NMS阈值设得太高。NMS阈值是“两个框重叠多少才算重复”默认通常0.45~0.7。如果设成0.9那几乎只有完全重叠的框才会被删除必然一堆重复框。我把NMS阈值降回0.45再配合置信度0.25输出干净多了。5.2 系列笔记的下一步计划这篇笔记主要解决了“从零跑通YOLO”这件事。写的过程中我也发现真正需要深入理解的地方是底层的loss函数以及模型结构里的每个模块对最终效果的影响。接下来第二篇我计划把训练过程中的损失曲线、学习率策略、数据增强策略逐个拆开讲重点是怎么根据曲线判断模型运行状态。另外我也打算做一次完整的“标注到部署”闭环把推理代码打包成一个小服务接口让别人可以通过网络上传图片、拿到检测结果。到这个阶段YOLO才算是真正能放到实际场景里用起来。最后说一点个人体会学YOLO这段时间我最大的感受是这个领域“看懂的错觉”特别多。你看十篇原理文章不如自己跑一次代码、标十张图、训练一个烂模型、再把它调好。只要把“网格锚框解码NMS”这条主线理清楚YOLO系列再出来多少个版本你也能很快抓住一个版本的改进点。下篇笔记里我会把这些改进点逐个对照代码分析希望能给同样在坑里的朋友一些帮助。