YOLO 训练流程（COCO128 入门实战）

📌 关键要点

本文记录用 COCO128 数据集完整跑通一次 YOLOv8 训练的过程，适合第一次接触训练的新手。

• 训练本质 = 图片 + 标注 → 调整模型参数 → 输出权重文件 .pt
• 用预训练权重 yolov8n.pt 做起点（迁移学习），几分钟即可出效果
• 训练成果是 runs/detect/train/weights/ 下的 best.pt 与 last.pt

一、数据准备

COCO128：COCO 官方前 128 张图，YOLO 教程标配，约 7MB。

1. 下载：https://ultralytics.com/assets/coco128.zip
2. 解压后目录结构（coco128.yaml 中 path: coco128 表示相对当前目录找 coco128 文件夹）：

test\coco\                  ← 命令在此目录执行
   ├── coco128\
   │   ├── images\train2017\   128 张 jpg
   │   └── labels\train2017\   128 个 txt 标注
   ├── yolov8n.pt              预训练权重（首次运行自动下载）
   └── runs\                   训练结果输出目录

标注文件格式：每行 类别id x_center y_center width height（归一化坐标）

0 0.52 0.55 0.4 0.6    ← 类别0(人)，位于图中心偏下，宽40%高60%

💡 说明：coco128.yaml 不需要自己创建，内置在 ultralytics 包内，yolo train 会自动找到。

二、训练命令逐参数解析

yolo train data=coco128.yaml model=yolov8n.pt epochs=5 imgsz=640

输入 vs 输出模型（易混淆点）：

迁移学习：从预训练模型继续微调，几百张图就能出效果；从零训练（model=yolov8n.yaml）需要海量数据，不推荐。

三、训练日志解读

1. 模型加载

Model summary: 130 layers, 3,157,200 parameters, 8.9 GFLOPs
Transferred 355/355 items from pretrained weights

• 130 层 / 315 万参数：YOLOv8n 是最小版本（nano）
• Transferred 355/355：预训练权重全部继承成功，不用从头学

2. 优化器

optimizer: AdamW(lr=0.000119, momentum=0.9)

optimizer=auto 自动选择 AdamW 并确定学习率，无需手动设置。

3. 每轮训练输出

Epoch    box_loss   cls_loss   dfl_loss   Instances
  1/5       1.183      1.523      1.224         16
Class     Images  Instances  P      R     mAP50  mAP50-95
 all        128        929  0.662  0.531  0.608  0.454

4. 本机 5 轮实测结果

5 轮共耗时约 3 分钟（CPU，i9-13900H）。指标随轮数上升，说明模型在持续学习。

四、训练产物

runs\detect\train\
   ├── weights\
   │   ├── best.pt        ← 最好模型（mAP 最高的一轮）
   │   └── last.pt        ← 最后一轮模型
   ├── results.png        ← 训练曲线图（损失 / mAP 随轮数变化）
   ├── labels.jpg         ← 标注可视化（数据长什么样）
   ├── val_batch0_pred.jpg← 模型预测效果图
   ├── confusion_matrix.png ← 混淆矩阵
   └── train_batch0.jpg   ← 训练输入批数据

训练曲线（results.png）

左列为三类损失（box/cls/dfl）随轮数下降，右列为精确率、召回率与 mAP 随轮数上升。

标注可视化（labels.jpg）

展示目标在图片中的位置分布（左上）与类别分布（右下）。

模型预测效果（val_batch0_pred.jpg）

蓝框为模型预测结果，能正确框出人、车、交通灯等目标。

五、下一步

1. 用训练好的模型检测图片： yolo predict model=runs\detect\train\weights\best.pt source=xxx.jpg
2. 跑正式训练：epochs=50（COCO128 上 CPU 约 30 分钟）
3. 训练自己的数据集：收集图片 → 标注 → 写自己的 .yaml → 同样命令训练

🔗 相关笔记：常用目标检测数据集与图片库清单

📖 资料来源：

• Ultralytics 训练模式文档
• COCO128 数据集说明
• Ultralytics Assets 下载源