YOLO数据集训练
首页文章工具搜索

YOLO数据集训练

2026.08.27 [YOLO] [数据集] [机器视觉] 137 浏览


前言

训练一个属于自己的数据集才是YOLO的"灵魂"所在，在Ultralytics框架下，训练过程十分标准化，核心就是 准备好数据集 和 敲一行指令 。

准备数据集

YOLO训练需要特定的目录结构和标签格式，以训练纸钞为例：

  1. 整理图片：将所有图片（.jpg）放在一个文件夹里。
  2. 生成标签：每张图片对应一个同名的.txt文件，里面存放标注信息。格式为：class_id x_center y_center width height（所有坐标都是归一化后的0~1浮点数）。例如，图片"Money-0001.jpg"对应的"Money-0001.txt"的内容为："0 0.5 0.5 0.3 0.4"（表示类别0的物体位于图片中心，宽高占30%和40%），具体标注工具推荐，技巧以及注意事项等请阅读YOLO数据集标注。
  3. 划分训练集和验证集：假设项目目录为"A:/YOLO/Money/"，建立以下文件夹结构
    A:/YOLO/Money/ └── my_dataset/ 　　　├── images/ 　　　│　　├── train/ (存放80%的图片) 　　　│　　└── val/ (存放20%的图片) 　　　└── labels/ 　　　　　　├── train/ (存放对应train图片的txt标签) 　　　　　　└── val/ (存放对应val图片的txt标签)

编写数据集配置文件

在"A:/YOLO/Money/"下新建一个文本文档，命名为"my_data.yaml"，使用记事本打开，写入以下内容：

# 训练集和验证集的图片路径(注意:Windows下建议使用绝对路径或相对路径,这里用绝对路径最稳妥) path: A:/YOLO/Money/my_dataset# 数据集根目录(注意用斜杠 / 而不是反斜杠 \) train: images/train # 训练图片相对于path的路径 val: images/val # 验证图片相对于path的路径 # 类别名称（按顺序，id从0开始） names: 0: 100YUAN 1: 10YUAN 2: 1YUAN 3: 5YUAN 4: 20YUAN 5: 50YUAN
严重警告：YAML文件内严禁Tab缩进，只能用空格；路径请用 / ，以避免Windows中 \ 转义符问题。

执行训练命令

激活环境，在终端输入以下命令：

yolo train model=yolov8n.pt data=A:/YOLO/Money/my_data.yaml epochs=100 imgsz=640 batch=16

参数解释：

  • model=yolov8n.pt : 使用轻量级v8n预训练权重(如果显存足够大，可以更换成yolov8s.pt或者yolov8m.pt)
  • data=A:/YOLO/Money/my_data.yaml : 刚才创建的配置文件。
  • epochs=100 : 训练100轮(可以根据数据量进行调整)
  • imgsz=640 : 输入图片缩放尺寸(显存不足可以适当调小)
  • batch=16 : 每次喂入16张图片。
  • workers=0 : Windows设备可选项，如果训练时出现进度条卡死或者报BrokenPipeError请添加。
  • device=cpu : 可选项，需要使用CPU训练请添加(速度奇慢)

监控训练与导出结果

实时看进度：训练时终端会打印每一轮的 mAP50 和 Loss 数值。同时，环境根目录下会自动生成 runs/detect/train 文件夹(如果之前有训练过，会生成 train-2， train-3...)。

看曲线图：打开 runs/detect/train/ 文件夹，里面会有 results.png 和 confusion_matrix.png，清晰展示了模型的收敛情况。

验证模型效果：训练完成后，使用一张新的图片，执行以下命令测试效果：

yolo predict model=runs/detect/train/weights/best.pt source=D:/测试图片路径
注意：建议使用best.pt(验证集效果最好的模型)，而非last.pt(最后一轮的模型)

关于常见情况的解释说明

cv2.error: OpenCV(5.0.0) D:\a\opencv-python\opencv-python\opencv\modules\core\src\alloc.cpp:73: error: (-4:Insufficient memory) Failed to allocate 74649600 bytes in function 'cv::OutOfMemoryError'

训练时内存不足：

  • 将model切换为轻量模型，若使用yolov8s.pt或yolov8m.pt切换为yolov8n.pt
  • 适当减少imgsz的数值，例如从640降为512
  • 适当扩充虚拟内存(Windows)，修改目路径为"系统属性 > 高级 > 性能设置 > 高级 > 虚拟内存更改"，在C盘上设置虚拟内存为 16~32GB
train: A:\YOLO\Money\my_dataset\images\train\1.jpg: corrupt JPEG restored and saved

图像文件轻微损坏，并且OpenCV自动修复成功：

  • 若零星出现(十几条)可以忽略不管，因为OpenCV已经自动修复并写入内存缓存，后续训练均使用的是修复后的数据。
  • 若大量出现(几十甚至上百条)虽然也不影响训练，但是会拖慢训练速度(因为每次都需要花费几毫秒进行修复)。所以建议进行批量修复，可以使用本站的批量图像修复工具进行修复(图像数据均在本地处理，不会上传服务器)。
... EarlyStopping: Training stopped early as no improvement observed in last 100 epochs. Best results observed at epoch 141, best model saved as best.pt.

早停：

  • 早停是一种防止过拟合和节省时间的训练策略，属于正常现象。这里不建议禁用早停。
  • 如果数据量极小时，建议patience=200或300。小数据集收敛慢且波动大，使用默认预设可能因指标抖动被误判为"无提升"而过早触发早停。
  • 如果需要停用早停机制请确保命令行内的 patience 大于 epochs 的数值。
相关推荐