跳转至

修改时间: 2026.3.21

参与者: 刘志钰 胡杨

yolov8部署及训练结果分析

下载yolov8

1.在github上打开ultralytics/ultralytics: Ultralytics YOLO 🚀

2.点击code下载zip，或者克隆仓库

配置环境

1.创建虚拟环境

conda create -n yolov8 python=3.9

2.激活虚拟环境

conda activate yolov8

3.安装依赖

进入代码文件目录然后pip

cd  yolo文件所在路径
pip install 所有需要的依赖模块（报错了再安装）

训练模型

1.选择虚拟环境解释器

image-20260320160959652

2.放入标记好的数据集

  • image-20260320161535438
  • 将未标注的图片（训练集和测试集）分别放置在images文件夹下的train和val，将标注好的图片（训练集和测试集）分别放置在labels文件夹下的train和val

3.写配置文件

  • 在图中文件夹下新建一个yaml文件

image-20260320161317945

image-20260320162108028

train: C:\Users\ASUS\Desktop\ultralytics-main\my_date_all\images\train 
val: C:\Users\ASUS\Desktop\ultralytics-main\my_date_all\images\val
test: C:\Users\ASUS\Desktop\ultralytics-main\my_date_all\test 

# Classes
names:
# 类的名字
  0 : 
  1 :
  • 将未标注图片的路径填写入对应的位置
  • 类别格式：序号(从0开始): 属性名称

4.下载pt文件

https://github.com/ultralytics/assets/releases/download/v8.4.0/yolov8n.pt

image-20260320165131956

5.训练参数调节

  • 参数调节示例
yolo train data=配置文件所在地址 model=yolov8n.pt文件所在地址 epochs=100 imgsz=640 batch=16 device=0
  • 参数名 当前值 / 示例 含义与作用 深度解析 & 建议
    data 'yolo-vbn.yaml' 数据集配置文件路径 指向一个 YAML 文件，该文件核心定义了： 1. 训练集/验证集路径 (path/train/val) 2. 类别数量 (nc) 3. 类别名称 (names) 注意：yolo-vbn 是你的自定义文件名，请确保路径正确。
    workers 1 数据加载线程数 指定用于 DataLoader 预读取数据的 CPU 线程数。 • 当前设置：1 较保守，可能导致 GPU 计算完后需等待 CPU 读图（显卡利用率跳变）。 • 建议： - Windows: 设为 0 或 1（多线程在 Win 下常报错）。 - Linux: 建议设为 8 或 cpu核心数，以喂饱 GPU。
    epochs 30 训练总轮次 模型完整遍历一次数据集称为 1 个 epoch。 • 当前设置：30 轮属于快速验证或微调。 • 从头训练：建议 100 - 300 轮以保证收敛。 • 风险：过少导致欠拟合（学不会），过多导致过拟合（死记硬背）。
    batch 16 批次大小 一次性送入 GPU 计算梯度的图片数量。 • 核心制约：显存大小 (VRAM)。 • 大 Batch：训练更快，梯度估算更准（走得稳）。 • 小 Batch：显存占用低，但震荡大，可能有助于跳出局部最优。 • 建议：16 是主流显卡（6G-8G显存）的黄金标准；高端卡可设 32 或 64。
    device 0 (默认为空，自动检测) 计算设备选择 指定模型运行的硬件设备。 • device=0：使用第 1 块 NVIDIA 显卡（最常用）。 • device=0,1：使用多块显卡进行分布式训练 (DDP)。 • device='cpu'：强制使用 CPU（极慢，仅用于调试）。 • device='mps'：使用 Mac (M1/M2/M3) 的 GPU 加速。 注意：如果不设置，代码会自动优先寻找可用的 GPU。
  • model.train(data='yolo-vbn.yaml', workers=1, epochs=30, batch=16, device=0)

6.训练结果分析

a. result分析

1.box_loss全称是bounding box loss，表示边界框损失。它表明AI通过训练和学习之后，对于边界框的预测和标准答案之间的损失

2.cla_loss它叫分类损失，全称为classification loss。它衡量的是预测类别和真实类别之间的差异

如何判断效果

3.dfl_loss全称是Distribution Focal Loss，中文名称为“分布式焦点损失”。 它辅助box_loss，提供额外的信息，通过对边界框位置的概率分布进行优化，进一步提高模型对边界框位置的细化和准确度、4.metrics/mAP50(B)

mean Average Precision at IoU=0.5：在 IoU 阈值为 0.5 的标准下，综合评估模型的检测精度这是目标检测最常用的核心指标之一，数值越接近 1，说明模型在宽松定位要求下的整体性能越好

5.metrics/mAP50-95(B)

mean Average Precision across IoU thresholds 0.5 to 0.95:在多个严格 IoU 阈值下，综合评估模型更精细的检测 + 定位能力

results

loss图像（左六张）只要是从高位快速下降，并且后期趋势稳定没有出现反弹等现象，说明训练过程没出大问题

B图像（右四张）只要趋势是上升，且无限接近上限就没问题

loss：

观察点 正常表现 异常问题 & 原因
训练损失 vs 验证损失趋势 两者都持续下降并趋于平稳，且数值接近 - 训练损失持续降、验证损失后期上升 → 过拟合- 两者都居高不下且不下降 → 欠拟合 / 学习率太低 / 训练不足- 剧烈上下抖动 → 学习率太高 / 数据批次太小 / 数据噪声大
单条损失曲线形态 初期快速下降，后期平缓收敛 - 完全不下降 → 模型结构 / 初始化 / 优化器问题- 下降后突然飙升 → 学习率爆炸、数据损坏或梯度爆炸
不同损失项的相对变化 box/cls/dfl 三类损失同步下降 - 某一项损失始终很高 → 对应模块问题（如 cls_loss 高 → 分类头学习困难）

B：

观察点 正常表现 异常问题 & 原因
整体趋势 快速上升后趋于平稳 - 指标长期停滞不涨 → 模型容量不足 / 数据质量差 / 任务太难- 指标先升后降 → 过拟合或训练后期优化方向跑偏
precision vs recall 平衡 两者同步上升，最终都处于高位 - precision 高、recall 低 → 模型太 “保守”，漏检多（阈值太高）- recall 高、precision 低 → 模型误报多，置信度阈值太低
mAP50 vs mAP50-95 两者同步上升，mAP50 通常高于 mAP50-95 - mAP50 高但 mAP50-95 低 → 框定位不准，只在低 IoU 阈值下表现好- 两者都低 → 整体性能差，需从数据 / 模型 / 训练策略排查

b.准确率和召回率

精确率precision和recall都越高越好，但又很难同时很高（0.9代表很高，0.7代表中等，0.3代表很低）

准确率：模型预测为“正”的样本中，有多少真的是正

召回率：所有真正的“正”样本中，模型找出了多少

​ （正类为置信度大于阈值的类）

怎么看这两个指标：根据你的任务目的确定

confusion_matrix_normalized

根据你的目标调整阈值使模型匹配

  • 阈值提高：预测为正的门槛变高 → 更少样本被预测为正 → 准确率一般升高（因为留下的更可靠），召回率下降（漏掉更多正类）。
  • 阈值降低：更多样本被预测为正 → 召回率升高，准确率下降（引入更多误报）。

BoxP_curve

BoxR_curve

  • 下面来说明如何进行阈值调整

    • 调整阈值是训练完成后在验证集上进行的后处理步骤，目的是根据准确率（Precision）和召回率（Recall）的权衡，找到一个最适合业务需求的分类决策点。这个过程不会改变模型本身的参数，但能显著提升最终效果。
    • F1 是准确率和召回率的调和平均，能兼顾两者，在没有明确任务需求时候通常用F1改阈值

BoxF1_curve

  • 找到F1最高的置信度阈值作为你的阈值效果最好，如这里的阈值定位0.61最好
  • 如何判断效果：如果长期忽高忽低，或者一直不明显收敛，那说明训练存在问题。如果box_loss的损失不断降低，而后持续稳定，则说明训练没有问题，也没有必要再投入资源训练了

c.混淆矩阵：

  • 行代表真实类别，列代表预测类别，单元格的值代表：在“真实为A类”的样本中，有多少比例被预测为了B类

confusion_matrix_normalized

  • 第一列的数据代表，模型有0.01的fists识别成了hands
  • 从左上角到右下角为1排列，代表效果很好
  • 如果某个标签识别效果不好可以多加一些这个标签的数据集，或者增强数据集

9.导出onnx文件

from ultralytics import YOLO

model =YOLO(model="模型路径")

model.export(format="onnx")
  • 可以把onnx部署在xanylabeling上，观察检测效果如何，从而判断onnx文件是否有问题
  • 模型“训练得好”并不等同于“实际效果（应用效果）好”
    • 输入格式的裁剪方式也会影响最终效果（可以采用官方给的程序来显示识别效果）
    • 官方程序