全部文档
当前文档

暂无内容

如果没有找到您期望的内容,请尝试其他搜索词

文档中心

YOLO 目标检测模型训练实践

最近更新时间:2026-11-12 16:49:27

背景信息

本文介绍如何在星泓训推平台准备目标检测数据,通过一键启动创建 YOLO 训练任务,并查看验证指标和检测结果。

项目

本文配置

Ultralytics

8.3.221

模型

YOLO11n

数据集

COCO8

训练资源

单节点、单 GPU

COCO8 为小规模示例数据。使用自有数据时,按步骤六配置训练集、验证集和类别。

准备工作

计算资源与运行要求

  1. 登录星泓训推平台,准备可用的资源组和队列。

  2. 确保账号具有开发任务、训练任务及对应资源和存储的使用权限。

  3. 准备包含 GPU 节点的资源组和可用队列,训练与验证使用 1 张 GPU。仅准备数据和配置文件时可使用 CPU 开发任务。下载示例数据和权重需要访问 GitHub。

本文命令在 Linux 开发环境的 Bash 终端执行。

配置持久化存储

  1. 在“公共资产管理 → 存储配置”中,新建或选择可读写的存储配置。

  2. 核对存储根目录、访问权限和挂载路径。本文使用 /mnt/data,任务创建时需在“挂载配置”中选择该存储。

  3. 本文文件放在 /mnt/data/yolo。如果修改挂载路径,后续命令中的路径也需同步修改。

使用文件存储 KPFS 时,选择对应目录作为存储根目录。使用 KS3 上传本地数据或模型时:

  1. 在本地准备文件并解压数据集,保留原目录结构。

  2. 登录对象存储控制台,选择“存储空间”,打开目标空间。

  3. 选择“内容管理 → 上传文件”,上传数据或模型。

  4. 回到平台的“存储配置”,选择该 KS3 实例及对应的 KS 路径。

挂载后的文件路径由存储根目录决定。例如,需要 /mnt/data/yolo/models 时,所选根目录内应包含 yolo/models,避免重复嵌套目录。直接在容器内创建 /mnt/data 不会自动形成持久化挂载。

操作步骤

步骤一:创建并连接数据准备环境

  1. 进入平台“开发任务”页面,点击“新建”。

  2. 填写任务名称,镜像类型选择“官方镜像”,选择 Ultralytics 8.3.221 的 YOLO 镜像。

  3. 选择可用的资源组、队列及 CPU 资源,将前文的可读写存储挂载到 /mnt/data,点击“确定”。

  4. 等待开发任务显示“运行中”,在操作列点击“连接”,选择 WebIDE → Jupyter Notebook。

  5. 进入 JupyterLab 后,选择 Other → Terminal,打开终端。

图中名称和资源配置为入口示意,按本文的资源要求选择实际配置。

步骤二:准备数据、权重和配置文件

先核对任务详情中的挂载配置,再检查目录和可用容量:

ls -ld /mnt/data
df -h /mnt/data

示例目录统一放在 /mnt/data/yolo:

/mnt/data/yolo/
├── dataset.yaml
├── datasets/coco8/
│   ├── images/train/
│   ├── images/val/
│   ├── labels/train/
│   └── labels/val/
├── models/yolo11n.pt
└── runs/

可在本地下载 COCO8 数据 和 YOLO11n 权重,在本地解压 COCO8,连同权重上传至平台存储,并按上述结构放置。上传时选择前文准备的存储根目录,按上方目录结构放置文件。

在已连接的开发终端中检查运行环境:

python - <<'PY'
from importlib.metadata import version
import torch
print("Ultralytics:", version("ultralytics"))
print("PyTorch:", torch.__version__)
print("CUDA:", torch.cuda.is_available())
assert version("ultralytics") == "8.3.221", "镜像中的 Ultralytics 版本与本例不符"
PY

Ultralytics 应为 8.3.221。用于训练或验证的 GPU 任务中,CUDA 应返回 True;仅下载数据和生成 YAML 可使用 CPU 开发任务。需要在线准备示例时,先下载并解压数据和模型:

python - <<'PY'
from pathlib import Path
import urllib.request
import zipfile

base = Path("/mnt/data/yolo")
for name in ("datasets", "models", "runs"):
    (base / name).mkdir(parents=True, exist_ok=True)
archive = base / "datasets/coco8.zip"
urllib.request.urlretrieve(
    "https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip",
    archive,
)
with zipfile.ZipFile(archive) as dataset_zip:
    dataset_zip.extractall(base / "datasets")
urllib.request.urlretrieve(
    "https://github.com/ultralytics/assets/releases/download/v8.3.0/yolo11n.pt",
    base / "models/yolo11n.pt",
)
PY

完成本地上传或在线下载后,在当前开发终端中生成 dataset.yaml。这一步不需要联网:

python - <<'PY'
from pathlib import Path
import yaml
import ultralytics

base = Path("/mnt/data/yolo")
for relative in ("images/train", "images/val", "labels/train", "labels/val"):
    assert (base / "datasets/coco8" / relative).is_dir(), f"数据目录缺失:{relative}"
assert (base / "models/yolo11n.pt").is_file(), "请先准备初始权重"
sample_yaml = Path(ultralytics.__file__).parent / "cfg/datasets/coco8.yaml"
data = yaml.safe_load(sample_yaml.read_text())
data["path"] = str(base / "datasets/coco8")
data.pop("download", None)
(base / "dataset.yaml").write_text(
    yaml.safe_dump(data, allow_unicode=True), encoding="utf-8"
)
print((base / "dataset.yaml").read_text())
PY

完成后检查 /mnt/data/yolo/dataset.yaml 的 path、train、val 与实际目录一致。没有外网时使用提前上传的数据和权重,执行上面的配置生成步骤即可。

以上完成数据与配置准备;完整离线训练还要求镜像内的字体、依赖和 AMP 检查用模型齐全。默认 AMP 检查会按名称查找 yolo11n.pt,不一定沿用 model 的绝对路径。离线运行时可在启动命令前加一行 cd /mnt/data/yolo/models,让该检查使用已上传的权重。离线环境需预先准备字体等配套资产。

确认数据、权重和 dataset.yaml 已写入挂载存储后,在开发任务列表停止数据准备任务。后续训练任务继续挂载同一存储。

步骤三:创建训练任务

进入“快速上手 → 一键启动”,点击“YOLO目标检测模型训练”的“立即前往”。

配置项

本例设置

训练框架

pytorch

镜像类型

官方镜像

镜像

模板预选的 YOLO 官方镜像(Ultralytics 8.3.221)

节点与 GPU

单节点、单 GPU;Master 1、Worker 0

存储

挂载准备数据时使用的存储,路径保持 /mnt/data

输出

确保 /mnt/data/yolo/runs 可写

模板预填的启动命令:

yolo detect train \
  model=/mnt/data/yolo/models/yolo11n.pt \
  data=/mnt/data/yolo/dataset.yaml \
  epochs=10 \
  imgsz=640 \
  batch=4 \
  device=0 \
  workers=0 \
  project=/mnt/data/yolo/runs \
  name=train01

参数

说明

model

初始权重路径

data

数据 YAML 路径

epochs

训练轮数

imgsz

输入图像尺寸

batch

每批样本数,显存不足时调小

project/name

输出目录及运行名称

按实际挂载修改路径,选择资源组、队列和资源后提交。再次训练时修改 name,便于区分结果;已有同名输出时,实际目录以任务日志为准。

步骤四:查看日志与模型产物

  1. 在训练任务列表点击本次任务名称,进入详情,查看状态及“日志”页签。

  2. 在概览页的实例区域,查看唯一 Master 实例的“日志”;运行中也可点击“进入容器”检查挂载和文件。

  3. 确认日志显示数据扫描、每轮训练、验证指标及保存位置。结束后同时检查任务状态和模型产物;“运行中”只说明任务已经启动。

本例通过训练日志、CSV 和曲线图片查看指标。

首次运行按上述命令输出:

/mnt/data/yolo/runs/train01/
├── weights/best.pt
├── weights/last.pt
├── results.csv
└── results.png

last.pt 为最后一轮权重;results.csv 和曲线图用于查看损失及验证指标。COCO8 很小,本例结果只说明流程是否可用。

步骤五:验证并查看检测效果

按步骤一创建或启动使用同一 YOLO 官方镜像的开发任务,此次分配 1 张 GPU,并挂载相同存储。任务运行后,点击“连接”,选择 WebIDE → Jupyter Notebook,通过 Other → Terminal 打开终端。

确认 CUDA 可用:

python -c 'import torch; assert torch.cuda.is_available(), "验证与推理需要 CUDA GPU"; print(torch.cuda.get_device_name(0))'

执行验证与预测。若训练输出目录变化,同步修改下面的权重路径:

yolo detect val \
  model=/mnt/data/yolo/runs/train01/weights/best.pt \
  data=/mnt/data/yolo/dataset.yaml device=0 batch=4 \
  project=/mnt/data/yolo/runs name=val01

yolo detect predict \
  model=/mnt/data/yolo/runs/train01/weights/best.pt \
  source=/mnt/data/yolo/datasets/coco8/images/val \
  device=0 save=True project=/mnt/data/yolo/runs name=predict01

在日志打印的结果目录中查看带检测框的图片。数据、模型和结果均通过持久化存储保留。

步骤六:替换为自己的检测数据

训练集和验证集分别包含图像及同名 .txt 标签。每个目标一行:

class_id x_center y_center width height

类别 ID 从 0 开始;中心坐标、宽高按图像尺寸归一化至 0~1。YAML 指定数据根目录、训练集、验证集和类别名称。自有数据配置示例:

path: /mnt/data/yolo/datasets/my_dataset
train: images/train
val: images/val
names:
  0: part
  1: box

使用其他标注格式时先转换为目标检测标签。保留独立验证集,训练前检查图像、标签及类别 ID 对应关系。将自有配置保存为 /mnt/data/yolo/dataset.yaml;如果保存为其他文件,需同步修改训练和验证命令的 data 参数。

步骤七:保存结果与释放资源

数据、配置文件、权重、CSV 和检测图片保存在 /mnt/data/yolo,由挂载存储保留。后续任务挂载同一存储即可读取。

如修改镜像内的代码或依赖,可在开发任务列表选择“更多 → 保存镜像”保存环境;挂载数据不随镜像一起备份。确认训练、验证和预测脚本结束,结果文件已保存后,停止不再使用的任务。

文档导读
纯净模式常规模式

纯净模式

点击可全屏预览文档内容
文档反馈