簡(jiǎn)介目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)的基石任務(wù)而數(shù)據(jù)質(zhì)量與標(biāo)注格式往往決定模型上限。在數(shù)字識(shí)別場(chǎng)景中車牌、電表讀數(shù)、工業(yè)噴碼等小目標(biāo)密集且背景復(fù)雜模型對(duì)邊界框精度要求遠(yuǎn)高于通用物體檢測(cè)。面對(duì)VOC、COCO、YOLO三種主流標(biāo)注格式初學(xué)開(kāi)發(fā)者常因坐標(biāo)定義差異、歸一化規(guī)則不同而陷入轉(zhuǎn)換泥潭。本文從標(biāo)注格式的底層邏輯切入解析XML、JSON與txt文件的存儲(chǔ)結(jié)構(gòu)與坐標(biāo)換算原理并給出可復(fù)用的轉(zhuǎn)換與劃分腳本。結(jié)合一份包含10000張圖片的數(shù)字識(shí)別數(shù)據(jù)集演示如何以預(yù)訓(xùn)練權(quán)重微調(diào)YOLOv8完成從數(shù)據(jù)校驗(yàn)、目錄整理、訓(xùn)練參數(shù)設(shè)置到測(cè)試評(píng)估的完整閉環(huán)。無(wú)論你是剛?cè)腴T目標(biāo)檢測(cè)還是被數(shù)據(jù)集整理折磨過(guò)的老手都能通過(guò)這套方法快速獲得高精度數(shù)字識(shí)別模型。 做數(shù)字識(shí)別訓(xùn)練的人應(yīng)該都體會(huì)過(guò)一種尷尬模型結(jié)構(gòu)、訓(xùn)練參數(shù)這些事不難學(xué)難的是湊齊一份能用的數(shù)據(jù)。公開(kāi)數(shù)據(jù)集要么背景太干凈模型一上真實(shí)場(chǎng)景就崩要么圖片是夠多可標(biāo)注格式五花八門得先花一兩天轉(zhuǎn)格式、寫劃分腳本才有資格點(diǎn)開(kāi)訓(xùn)練按鈕。看到“YOLO數(shù)字識(shí)別數(shù)據(jù)集含10000張圖片對(duì)應(yīng)voc、coco和yolo三種格式標(biāo)簽劃分腳本訓(xùn)練教程.rar”這個(gè)包時(shí)我的第一反應(yīng)是這是把從數(shù)據(jù)到訓(xùn)練的中間環(huán)節(jié)一次性補(bǔ)齊了。這份內(nèi)容適合誰(shuí)剛接觸目標(biāo)檢測(cè)、想用YOLO做數(shù)字識(shí)別車牌、電表讀數(shù)、工業(yè)噴碼、快遞單號(hào)等的初學(xué)者也適合已經(jīng)跑通過(guò)demo、但被數(shù)據(jù)集整理折磨過(guò)的老手。下面我按實(shí)際使用的順序把這包數(shù)據(jù)從拆包到訓(xùn)練完的完整鏈路捋一遍順便把我踩過(guò)的坑都標(biāo)出來(lái)。1. 數(shù)字識(shí)別為什么值得單獨(dú)做個(gè)數(shù)據(jù)集1.1 數(shù)字檢測(cè)不等于通用目標(biāo)檢測(cè)數(shù)字識(shí)別只有10個(gè)類別0到9看起來(lái)比COCO的80類簡(jiǎn)單多了。但數(shù)字識(shí)別有兩個(gè)特性讓它在數(shù)據(jù)上比通用檢測(cè)更挑食。第一個(gè)是“小目標(biāo)密集”。電表讀數(shù)、瓶蓋噴碼、快遞面單上的數(shù)字在整張圖里往往只占很小一塊區(qū)域而且經(jīng)常連續(xù)排列字符間距很小。模型要把每個(gè)數(shù)字當(dāng)成獨(dú)立目標(biāo)框出來(lái)對(duì)邊界框精度的要求比檢測(cè)“一個(gè)杯子”“一輛車”高得多。第二個(gè)是“字體和背景分布極不均勻”。印刷體、手寫體、LED數(shù)碼管、屏幕上渲染出來(lái)的藝術(shù)字體同一個(gè)數(shù)字在不同字體下的視覺(jué)特征差異很大。如果一個(gè)數(shù)據(jù)集只包含一種字體、一種背景模型訓(xùn)練完換到別的場(chǎng)景基本就是“見(jiàn)光死”。這也是為什么我特別關(guān)注這種數(shù)據(jù)集的數(shù)量和多樣性。10000張圖片對(duì)10類數(shù)字來(lái)說(shuō)不是單純堆量而是給每個(gè)數(shù)字提供足夠多的形態(tài)變化空間。你可以把它當(dāng)作預(yù)訓(xùn)練數(shù)據(jù)先把“怎么區(qū)分?jǐn)?shù)字”這件事學(xué)扎實(shí)再在自己的業(yè)務(wù)數(shù)據(jù)上做微調(diào)。反過(guò)來(lái)如果只有幾百?gòu)垐D哪怕模型結(jié)構(gòu)再?gòu)?qiáng)也很難學(xué)會(huì)穩(wěn)定的數(shù)字特征。1.2 10000張圖片的數(shù)據(jù)規(guī)模意味著什么先說(shuō)結(jié)論10000張圖片配合預(yù)訓(xùn)練權(quán)重來(lái)微調(diào)YOLO是“夠用且舒服”的規(guī)模但如果要從零訓(xùn)練這點(diǎn)數(shù)據(jù)還不夠看。YOLO的常規(guī)玩法是加載在COCO上訓(xùn)練好的預(yù)訓(xùn)練權(quán)重再用自己的數(shù)據(jù)微調(diào)。模型之前已經(jīng)學(xué)會(huì)了通用物體特征比如邊緣、紋理、形狀構(gòu)成你的數(shù)據(jù)集只需要負(fù)責(zé)讓它“認(rèn)識(shí)數(shù)字”。在這個(gè)前提下每個(gè)類別平均有近千張圖足以讓模型把數(shù)字的判別特征學(xué)到位。反過(guò)來(lái)如果從隨機(jī)初始化開(kāi)始訓(xùn)練模型需要同時(shí)學(xué)特征提取和類別判別10000張圖對(duì)10類目標(biāo)來(lái)說(shuō)就偏少了很容易過(guò)擬合。所以拿到類似的數(shù)據(jù)包我的建議是訓(xùn)練時(shí)默認(rèn)使用modelyolov8n.pt或modelyolov8s.pt這種預(yù)訓(xùn)練權(quán)重而不是modelyolov8n.yaml。這個(gè)區(qū)別很多人會(huì)忽略直接導(dǎo)致訓(xùn)練好幾十輪精度還是上不去。2. 三種標(biāo)簽格式VOC、COCO、YOLO的底層邏輯與互相轉(zhuǎn)換2.1 為什么同一份標(biāo)注要給三份格式很多人第一次看到“voc、coco和yolo三種格式標(biāo)簽”時(shí)會(huì)想我直接用YOLO格式訓(xùn)練不就行了為什么還要給另外兩種真實(shí)原因是工具鏈不統(tǒng)一。標(biāo)注時(shí)有人用LabelImg保存的是VOC格式XML有人用Labelme或者Roboflow導(dǎo)出的COCO JSON而YOLO訓(xùn)練框架要求的是每個(gè)圖片對(duì)應(yīng)一個(gè)同名txt文件。如果數(shù)據(jù)集只給一種格式你換個(gè)訓(xùn)練框架就得寫轉(zhuǎn)換腳本。這三份標(biāo)簽相當(dāng)于把“標(biāo)注—轉(zhuǎn)換—訓(xùn)練”中間最麻煩的一段路鋪平了。比如你用MMDetectionCOCO格式直接能用用Ultralytics YOLOtxt格式直接能訓(xùn)練想用LabelImg復(fù)核標(biāo)注VOC格式最順手。我自己做項(xiàng)目時(shí)也經(jīng)常把數(shù)據(jù)同時(shí)保留成VOC和YOLO兩份一份用于肉眼檢查一份用于訓(xùn)練。2.2 三種格式的核心結(jié)構(gòu)對(duì)比我用自己的話把三種格式抽出來(lái)講清楚理解了底層邏輯遇到什么格式都不慌。VOC格式是一張圖片一個(gè)XML文件。文件里記錄了圖片文件名、尺寸、通道數(shù)以及每個(gè)目標(biāo)的類別名和邊界框坐標(biāo)坐標(biāo)是整數(shù)像素值格式為xmin, ymin, xmax, ymax表示左上角和右下角。它最接近人的閱讀習(xí)慣所以適合人工檢查。COCO格式是整個(gè)數(shù)據(jù)集打包成一個(gè)JSON文件。里面有幾個(gè)頂層字段images是圖片信息列表每張圖有id、file_name、width、heightannotations是標(biāo)注列表每條標(biāo)注包含image_id、category_id、bbox、area等字段categories是類別列表。注意COCO的bbox是[x, y, width, height]左上角坐標(biāo)加寬高不是右下角坐標(biāo)換算錯(cuò)一位框就整個(gè)偏移。YOLO格式是一張圖片一個(gè)txt文件。每行一個(gè)目標(biāo)內(nèi)容為class_id x_center y_center width height這里的坐標(biāo)都是相對(duì)圖片寬高的歸一化浮點(diǎn)數(shù)取值在0到1之間。這也是YOLO訓(xùn)練時(shí)默認(rèn)讀取的格式Ultralytics要求標(biāo)簽文件放在labels/xxx.txt與images/xxx.jpg同名。我用一張表把關(guān)鍵差異列出來(lái)格式存儲(chǔ)方式坐標(biāo)含義歸一化適合場(chǎng)景VOC每圖一個(gè)XML左上角 (xmin, ymin)右下角 (xmax, ymax)否整數(shù)像素LabelImg人工檢查、Pascal VOC系列框架COCO整個(gè)數(shù)據(jù)集一個(gè)JSONbbox 為 [x, y, width, height]否像素值MMDetection、Detectron2、custom pipelineYOLO每圖一個(gè)txt目標(biāo)中心 (x_center, y_center) 和寬高是除以圖片寬高Ultralytics YOLO、Darknet2.3 三種格式轉(zhuǎn)換時(shí)最容易踩的坐標(biāo)坑格式轉(zhuǎn)換看著很簡(jiǎn)單無(wú)非是挪坐標(biāo)但實(shí)際做一遍你會(huì)發(fā)現(xiàn)坑特別多。第一個(gè)坑是YOLO標(biāo)簽必須用歸一化坐標(biāo)而很多轉(zhuǎn)換腳本在圖片寬高取錯(cuò)時(shí)會(huì)靜默出錯(cuò)。比如用PIL讀的寬高順序是width, height用OpenCV的img.shape讀出來(lái)是(height, width, channels)順序反了標(biāo)簽就全錯(cuò)。我檢查標(biāo)簽的對(duì)錯(cuò)最常用的方法不是看數(shù)字而是把每個(gè)txt里的坐標(biāo)乘回圖片寬高畫框可視化一遍。第二個(gè)坑是VOC里可能有difficult或截?cái)嗄繕?biāo)轉(zhuǎn)YOLO時(shí)這些不能直接丟給模型訓(xùn)練。轉(zhuǎn)換腳本里要處理這些屬性或者至少確認(rèn)數(shù)據(jù)包里沒(méi)有這類標(biāo)注。同樣的COCO里有些標(biāo)注帶iscrowd標(biāo)簽轉(zhuǎn)YOLO時(shí)這種實(shí)例也應(yīng)剔除。第三個(gè)坑是YOLO格式不支持“一張圖里同一個(gè)類別出現(xiàn)多次但共享同一個(gè)框”這種復(fù)雜形態(tài)。好在數(shù)字檢測(cè)基本都是獨(dú)立實(shí)例每個(gè)數(shù)字一個(gè)框不會(huì)觸發(fā)這個(gè)問(wèn)題。如果你以后做的是密集人群、粘連細(xì)胞這類任務(wù)轉(zhuǎn)格式前就得想清楚實(shí)例邊界。3. 拿到壓縮包后的第一步目錄結(jié)構(gòu)與數(shù)據(jù)完整性檢查3.1 先看清單別急著解壓到訓(xùn)練目錄任何一個(gè)數(shù)據(jù)包解壓后第一件事不是直接訓(xùn)練而是先把目錄結(jié)構(gòu)看清楚。一個(gè)組織良好的數(shù)據(jù)包通常長(zhǎng)這樣digit_dataset/ ├── images/ │ ├── 000001.jpg │ ├── 000002.jpg │ └── ... ├── labels_voc/ │ ├── 000001.xml │ ├── 000002.xml │ └── ... ├── labels_coco/ │ └── annotations.json ├── labels_yolo/ │ ├── 000001.txt │ ├── 000002.txt │ └── ... ├── split_script.py ├── data.yaml └── 訓(xùn)練教程.md當(dāng)然有些作者會(huì)把labels和images直接融合成Ultralytics風(fēng)格的images/train、labels/train結(jié)構(gòu)這也正常。關(guān)鍵是要先找到說(shuō)明文件看它寫的是什么劃分方式。如果壓縮包里沒(méi)有README那就把圖片和標(biāo)簽的對(duì)應(yīng)關(guān)系先跑一遍腳本確認(rèn)。3.2 檢查圖片與標(biāo)簽是否一一對(duì)應(yīng)訓(xùn)練腳本報(bào)“l(fā)abel not found”或者“image not found”這類錯(cuò)誤絕大多數(shù)情況都是數(shù)據(jù)包本身不完整。我拿到數(shù)據(jù)的第一時(shí)間會(huì)跑下面這個(gè)腳本檢查同名文件的對(duì)應(yīng)情況import os from pathlib import Path img_dir Path(images) yolo_dir Path(labels_yolo) img_stems {p.stem for p in img_dir.glob(*.jpg)} label_stems {p.stem for p in yolo_dir.glob(*.txt)} print(圖片數(shù)量:, len(img_stems)) print(標(biāo)簽數(shù)量:, len(label_stems)) print(有圖片但沒(méi)有標(biāo)簽:, sorted(img_stems - label_stems)[:10]) print(有標(biāo)簽但沒(méi)有圖片:, sorted(label_stems - img_stems)[:10])注意這里我用的是set而不是列表因?yàn)槲募?shù)量上萬(wàn)時(shí)用列表做差集就是O(n*m)的災(zāi)難用set是O(1)查詢。這個(gè)細(xì)節(jié)看起來(lái)小但真等你在10000張圖前卡住時(shí)就會(huì)發(fā)現(xiàn)效率差很多。跑完腳本如果你發(fā)現(xiàn)有幾十張圖沒(méi)有標(biāo)簽先別急著刪。有些圖片里確實(shí)沒(méi)有數(shù)字目標(biāo)YOLO標(biāo)簽文件為空也是合法的只是訓(xùn)練時(shí)需要一個(gè)空的txt文件占位否則會(huì)報(bào)warning。3.3 抽查標(biāo)注質(zhì)量比看總量重要數(shù)據(jù)集質(zhì)量檢查里最直觀也最不能省的一步是可視化。隨意抽取幾十張圖把YOLO標(biāo)簽畫上去人眼掃一遍就能發(fā)現(xiàn)大部分問(wèn)題。畫框代碼如下import cv2 img cv2.imread(images/000001.jpg) h, w img.shape[:2] with open(labels_yolo/000001.txt) as f: for line in f: cls, xc, yc, bw, bh map(float, line.split()) x1 int((xc - bw / 2) * w) y1 int((yc - bh / 2) * h) x2 int((xc bw / 2) * w) y2 int((yc bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, str(int(cls)), (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imwrite(check_000001.jpg, img)重點(diǎn)看三類問(wèn)題一是框是不是明顯偏離數(shù)字本體二是類別標(biāo)號(hào)是不是和真實(shí)數(shù)字一致比如把6標(biāo)成了8三是有沒(méi)有漏標(biāo)或重復(fù)框。抽查最好覆蓋不同圖片不要只看前幾十張。我習(xí)慣用random.sample抽100張出來(lái)看效率高且覆蓋度夠。提示如果可視化時(shí)發(fā)現(xiàn)大量框的尺寸都退化得特別小或者特別大優(yōu)先懷疑坐標(biāo)轉(zhuǎn)換腳本出錯(cuò)而不是標(biāo)注本身的鍋。歸一化坐標(biāo)如果算錯(cuò)一位畫出來(lái)的框會(huì)整體貼邊甚至超出圖片。4. 劃分腳本的底層邏輯與實(shí)操改進(jìn)4.1 為什么劃分順序這么重要很多人圖省事把數(shù)據(jù)全塞進(jìn)train跑完訓(xùn)練發(fā)現(xiàn)val精度虛高或者訓(xùn)練過(guò)程不可復(fù)現(xiàn)。數(shù)據(jù)劃分這件事看起來(lái)只是把文件分到不同文件夾實(shí)際上決定了你的模型評(píng)估是否可信。訓(xùn)練集用來(lái)學(xué)參數(shù)驗(yàn)證集用來(lái)調(diào)超參、決定什么時(shí)候早停測(cè)試集用來(lái)做最終評(píng)估。三者之間如果存在數(shù)據(jù)泄漏比如同一張圖同時(shí)出現(xiàn)在train和val那val指標(biāo)就會(huì)虛高模型實(shí)際部署后表現(xiàn)會(huì)打折扣。劃分腳本存在的意義就是把這層隔離用代碼固定下來(lái)確保每次實(shí)驗(yàn)可復(fù)現(xiàn)。4.2 一份可直接改用的劃分腳本這份數(shù)據(jù)包里的劃分腳本不管原作者是怎么寫的核心邏輯都應(yīng)該包含以下步驟讀取所有圖片路徑、固定隨機(jī)種子打亂、按比例分成訓(xùn)練/驗(yàn)證/測(cè)試、把對(duì)應(yīng)的標(biāo)簽文件同步移動(dòng)或建立軟鏈接、最后輸出一份文件清單。我自己常用的是一個(gè)偏保守的版本import random from pathlib import Path import shutil random.seed(42) img_dir Path(images) label_dir Path(labels_yolo) out_root Path(dataset) train_ratio, val_ratio 0.8, 0.1 # test_ratio 自動(dòng)取剩余 0.1 imgs sorted(img_dir.glob(*.jpg)) random.shuffle(imgs) n len(imgs) n_train int(n * train_ratio) n_val int(n * val_ratio) split { train: imgs[:n_train], val: imgs[n_train:n_train n_val], test: imgs[n_train n_val:], } for split_name, img_paths in split.items(): (out_root / images / split_name).mkdir(parentsTrue, exist_okTrue) (out_root / labels / split_name).mkdir(parentsTrue, exist_okTrue) for img_path in img_paths: shutil.copy(img_path, out_root / images / split_name / img_path.name) src_label label_dir / (img_path.stem .txt) if src_label.exists(): shutil.copy(src_label, out_root / labels / split_name / (img_path.stem .txt)) else: # 沒(méi)有標(biāo)簽就用空文件占位避免后續(xù)訓(xùn)練報(bào)錯(cuò) (out_root / labels / split_name / (img_path.stem .txt)).touch() print(train:, len(split[train]), val:, len(split[val]), test:, len(split[test]))有人可能會(huì)問(wèn)為什么不直接用shutil.move而是copy我的習(xí)慣是第一版盡量保留原始數(shù)據(jù)不動(dòng)萬(wàn)一劃分邏輯想調(diào)整、某個(gè)文件需要回頭復(fù)核原始包還在。等訓(xùn)練流程確定沒(méi)問(wèn)題了再刪掉源目錄也不遲。4.3 劃分時(shí)必須處理的三個(gè)邊界情況第一同名文件沖突。如果壓縮包里的圖片本身就是000001.jpg、1.jpg這類短文件名從不同子目錄拷出來(lái)時(shí)可能撞名。建議復(fù)制時(shí)統(tǒng)一改成帶原始目錄前綴的名字或者在劃分之前先確認(rèn)全包沒(méi)有重名。第二視頻抽幀數(shù)據(jù)的時(shí)序泄漏。如果數(shù)據(jù)里的一部分圖片是從視頻里逐幀抽出來(lái)的直接把幀隨機(jī)扔進(jìn)train和val那相鄰幀高度相似val就失去評(píng)估意義。碰到這種情況應(yīng)該按視頻片段為單位劃分或者至少保證同一段視頻的幀只進(jìn)一個(gè)集合。第三類別分布不均勻。數(shù)字?jǐn)?shù)據(jù)集里如果0出現(xiàn)8000次、9只出現(xiàn)500次隨機(jī)劃分后val里可能恰好沒(méi)有9那val的mAP就不能代表模型真實(shí)能力。更穩(wěn)妥的做法是分層抽樣按每張圖片包含的類別標(biāo)簽做stratify。簡(jiǎn)單場(chǎng)景下先整體shuffle再劃分通常問(wèn)題不大但如果你發(fā)現(xiàn)val的混淆矩陣?yán)锬硞€(gè)類完全沒(méi)有樣本就要回頭重新切了。5. YOLO數(shù)字識(shí)別訓(xùn)練全流程環(huán)境、配置與參數(shù)5.1 環(huán)境安裝最容易出錯(cuò)的是torch版本訓(xùn)練YOLO模型第一步是裝環(huán)境。當(dāng)前社區(qū)最常用的是Ultralytics生態(tài)一條命令就能裝pip install ultralytics但這里有個(gè)隱藏問(wèn)題ultralytics會(huì)安裝torch依賴如果你直接pip install ultralytics它可能給你裝上最新的CPU版torch訓(xùn)練速度慢到令人發(fā)指。正確的做法是先裝好匹配CUDA版本的torch再裝ultralyticspip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install ultralyticsCUDA版本要根據(jù)顯卡驅(qū)動(dòng)來(lái)選不是越新越好。裝完后用python -c import torch; print(torch.cuda.is_available())確認(rèn)輸出True再做下一步。這個(gè)確認(rèn)步驟能幫你避免把后面所有報(bào)錯(cuò)都?xì)w因到模型和數(shù)據(jù)上結(jié)果發(fā)現(xiàn)是環(huán)境沒(méi)GPU。5.2 整理成Ultralytics能直接吃的目錄結(jié)構(gòu)如果你用的是包里的labels_yolo目錄直接拿去訓(xùn)練會(huì)報(bào)錯(cuò)因?yàn)閁ltralytics默認(rèn)標(biāo)簽?zāi)夸洷仨毢蚷mages目錄同級(jí)并且名字是labels子目錄結(jié)構(gòu)要完全一致。經(jīng)過(guò)第4節(jié)劃分腳本處理后的結(jié)構(gòu)是這樣的dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml然后寫data.yaml注意里面的路徑一定要寫對(duì)。我最常看到的問(wèn)題是相對(duì)路徑寫成./dataset/images/train結(jié)果訓(xùn)練時(shí)工作目錄不在項(xiàng)目根目錄路徑全部失效。要么用絕對(duì)路徑要么把yaml放在dataset根目錄下然后path: .path: . # 相對(duì)于本yaml文件所在的目錄 train: images/train val: images/val test: images/test nc: 10 names: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]注意names是類別名字的列表順序必須和標(biāo)簽文件里的class_id嚴(yán)格對(duì)應(yīng)。如果標(biāo)簽文件里0對(duì)應(yīng)數(shù)字0、1對(duì)應(yīng)數(shù)字1那names就從0排到9。搞反了模型也能訓(xùn)練但預(yù)測(cè)結(jié)果全是錯(cuò)位這類錯(cuò)誤通常到你人工驗(yàn)證預(yù)測(cè)框時(shí)才會(huì)暴露排查成本很高。5.3 訓(xùn)練命令與參數(shù)選擇最普通的訓(xùn)練命令長(zhǎng)這樣yolo detect train datadata.yaml modelyolov8n.pt epochs100 imgsz640 batch16 patience20參數(shù)含義不展開(kāi)說(shuō)了重點(diǎn)講幾個(gè)針對(duì)數(shù)字識(shí)別的選擇邏輯。modelyolov8n.pt而不是modelyolov8n.yaml這個(gè)前面提過(guò)再?gòu)?qiáng)調(diào)一次前者是加載COCO預(yù)訓(xùn)練權(quán)重進(jìn)行遷移學(xué)習(xí)后者是從零初始化。對(duì)這份10000張圖的數(shù)據(jù)集加載預(yù)訓(xùn)練權(quán)重能讓收斂速度明顯變快精度上限也更高。imgsz是訓(xùn)練分辨率。數(shù)字檢測(cè)的目標(biāo)通常偏小如果原圖很大而數(shù)字區(qū)域很小建議設(shè)成640或更高如果你的圖片本身是幾十像素的小圖強(qiáng)行拉到640反而會(huì)讓目標(biāo)變大、學(xué)習(xí)到不真實(shí)的特征。數(shù)據(jù)包里如果沒(méi)說(shuō)明圖片分辨率建議先統(tǒng)計(jì)一下訓(xùn)練集圖片的寬高分布再定這個(gè)值。batch主要看顯存。實(shí)測(cè)顯存8GB的情況下YOLOv8n加imgsz640batch16基本是安全的換YOLOv8s就得降到8。如果訓(xùn)練時(shí)報(bào)CUDA out of memory先降batch別急著換小模型。patience20是早停參數(shù)意思是20輪內(nèi)val指標(biāo)沒(méi)提升就停止。對(duì)于數(shù)字識(shí)別這種相對(duì)簡(jiǎn)單的任務(wù)一般20到50輪就能看到收斂沒(méi)必要硬跑200輪。保存下來(lái)的best.pt和last.pt分別在runs/detect/train/weights/下。5.4 訓(xùn)練日志里哪些指標(biāo)值得盯訓(xùn)練過(guò)程中終端會(huì)實(shí)時(shí)打印每個(gè)epoch的loss和mAP。我的習(xí)慣是盯三個(gè)東西。第一個(gè)是box_loss和cls_loss是否整體往下走。如果loss曲線像過(guò)山車一樣劇烈抖動(dòng)首先看是不是學(xué)習(xí)率太高其次看標(biāo)簽有沒(méi)有錯(cuò)位。第二個(gè)是mAP50它代表IoU0.5時(shí)的平均精度對(duì)數(shù)字檢測(cè)來(lái)說(shuō)mAP50超過(guò)0.95算優(yōu)秀0.9左右也能用。第三個(gè)是訓(xùn)練結(jié)束時(shí)的mAP50-95這個(gè)指標(biāo)更嚴(yán)格它反映框定位的精細(xì)程度。數(shù)字檢測(cè)往往需要框盡量貼合字符所以mAP50-95同樣值得關(guān)注。如果發(fā)現(xiàn)train loss一直降、val loss不降反升那就是過(guò)擬合了。解決辦法不是繼續(xù)堆epoch而是增加數(shù)據(jù)增強(qiáng)、正則化或者換用更小的模型。Ultralytics默認(rèn)已經(jīng)開(kāi)了mosaic、hsv增強(qiáng)想具體控制增強(qiáng)強(qiáng)度可以通過(guò)augmentTrue和對(duì)應(yīng)的超參配置來(lái)調(diào)整。6. 訓(xùn)練結(jié)束后的驗(yàn)證、導(dǎo)出與數(shù)據(jù)迭代6.1 用測(cè)試集做一次“不被偷看”的評(píng)估訓(xùn)練過(guò)程中用的val集理論上已經(jīng)被模型間接“看過(guò)”了因?yàn)樵缤！⒄{(diào)參都會(huì)參考它的指標(biāo)。所以真正能反映模型在未知數(shù)據(jù)上表現(xiàn)的是test集。跑評(píng)估的命令yolo detect val datadata.yaml modelruns/detect/train/weights/best.pt splittest這條命令會(huì)輸出test集上的mAP、Precision、Recall還有混淆矩陣和一批預(yù)測(cè)結(jié)果可視化圖。重點(diǎn)看混淆矩陣數(shù)字識(shí)別里常見(jiàn)的錯(cuò)誤是8和3、5和6這類形近字混淆。如果混淆矩陣?yán)镞@類錯(cuò)誤集中出現(xiàn)說(shuō)明數(shù)據(jù)里對(duì)應(yīng)的字體形態(tài)覆蓋不夠下一步該有針對(duì)性地補(bǔ)數(shù)據(jù)而不是繼續(xù)調(diào)參。6.2 導(dǎo)出模型時(shí)容易忽略的細(xì)節(jié)訓(xùn)練完成只是第一步真要用起來(lái)一般會(huì)導(dǎo)出成ONNX或TensorRT。Ultralytics一行命令就能導(dǎo)出yolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640導(dǎo)出后建議用ONNXRuntime或TensorRT做一次推理測(cè)試不要直接部署。我遇到過(guò)的一個(gè)典型問(wèn)題是訓(xùn)練時(shí)imgsz640導(dǎo)出時(shí)用了動(dòng)態(tài)shape部署端輸入尺寸不一致導(dǎo)致檢測(cè)框錯(cuò)亂。更穩(wěn)的做法是導(dǎo)出時(shí)固定imgsz部署端預(yù)處理嚴(yán)格按照這個(gè)尺寸做resize同時(shí)記錄原始的縮放比例推理后再把框坐標(biāo)映射回原圖。另外部署時(shí)常用的conf和iou閾值也要重新調(diào)。訓(xùn)練時(shí)默認(rèn)conf0.25但真實(shí)場(chǎng)景下背景更復(fù)雜誤檢多就調(diào)高conf漏檢多就調(diào)低conf。這兩個(gè)參數(shù)沒(méi)有固定答案取決于你的業(yè)務(wù)容忍度。6.3 下一步從“數(shù)據(jù)集訓(xùn)練完”到“模型真的能用”最后說(shuō)點(diǎn)真實(shí)體會(huì)。用這份數(shù)據(jù)訓(xùn)出來(lái)的模型在接近數(shù)據(jù)分布的場(chǎng)景下表現(xiàn)會(huì)很好但不要指望它一次就能覆蓋所有真實(shí)場(chǎng)景。數(shù)字識(shí)別最普遍的翻車場(chǎng)景是訓(xùn)練數(shù)據(jù)都是清晰印刷體上線后遇到逆光、遮擋、手寫體、LED屏刷新條紋精度立刻跳水。我的做法是把這份數(shù)據(jù)集當(dāng)成“地基”而不是終點(diǎn)。第一輪訓(xùn)練后專門收集模型預(yù)測(cè)錯(cuò)誤的圖片人工標(biāo)注并加入訓(xùn)練集迭代兩三輪之后模型在實(shí)際場(chǎng)景的可用度會(huì)明顯提升。這個(gè)過(guò)程可能比調(diào)參更花時(shí)間但它才是目標(biāo)檢測(cè)項(xiàng)目真正值錢的部分。如果你只是交作業(yè)或者跑通流程按上面的步驟走完就能拿到一份規(guī)范的訓(xùn)練產(chǎn)物如果你要落地記得優(yōu)先收集壞例。數(shù)據(jù)集的“質(zhì)”永遠(yuǎn)比“量”更值得花時(shí)間這句話在數(shù)字識(shí)別這種看似簡(jiǎn)單的任務(wù)上體現(xiàn)得尤其明顯。本文還有配套的精品資源點(diǎn)擊獲取