Appearance
3.1 配置训练
训练任务的三要素:数据源(只能是数据集版本)、模型规格、超参。类别由数据源自动带入,一般不手改。
新建训练任务
训练 → 新建训练任务,表单分四组。
第一组:数据源
| 字段 | 说明 |
|---|---|
| 数据集版本 | 必选且只能是版本(2.4)。想用最新标注 → 先生成新版本 |
| 版本信息回显 | 图像数、标注数、划分比例、质检报告状态——这里发现数据不对还来得及 |
| 类别 | 自动带入版本中的类别映射;「忽略未使用类别」默认开启 |
第二组:模型规格
| 档位 | 相对速度 | 相对精度 | 显存需求 | 适用 |
|---|---|---|---|---|
n(nano) | 最快 | 基准 | 最低 | 冒烟验证、边缘部署 |
s(small) | 快 | 略高 | 低 | 产线实时检测常规起点 |
m(medium) | 中 | 明显高 | 中 | 缺陷小、精度优先 |
l(large) | 慢 | 高 | 高 | 离线批处理、冲指标 |
x(xlarge) | 最慢 | 最高 | 最高 | 数据充足且不惜算力 |
选型经验:从 s 起步,指标不够再升档;直接上大档常见结果是「等得久、过拟合快、部署难」。
| 其他规格项 | 建议 |
|---|---|
| 输入尺寸 imgsz | 640 起步;小缺陷(< 32 px)提到 960–1280,训练时间约平方增长 |
| 预训练权重 | 用官方 COCO 预训练收敛更快;数据与 COCO 差异大时收益下降 |
第三组:超参
| 参数 | 默认建议 | 什么时候动它 |
|---|---|---|
| epochs | 100–300(配早停) | 小数据集 50–100 足够;曲线没到平台别停 |
| batch size | 按显存拉满(8/16/32) | 显存溢出就降;batch 变动学习率要等比缩放 |
| 学习率 lr | 默认 SGD 0.01 / Adam 类 0.001 | loss 不降或震荡时先调它 |
| optimizer | SGD(稳)/ AdamW(快) | 小数据集 AdamW 起步快 |
| 早停 patience | 20–30 epoch | val 曲线噪声大就调大 |
| 数据增强 | 默认中等强度 | 过拟合时加强;小缺陷多时减弱(增强别把缺陷裁掉) |
| workers | CPU 核数 - 2 | 数据加载是瓶颈时先加 workers |
一次只动一个变量
调参的纪律和实验科学一样:一次改一个参数,记录到训练名里(如 s_640_lr0.01_augM)。同时改三个参数,指标变化无法归因。
第四组:运行选项
| 选项 | 说明 |
|---|---|
| 训练名称 | 必填;命名带上关键参数,见上文 |
| 输出目录 | 默认即可;含 checkpoint、曲线、日志 |
| 断点续训 | 从已有 checkpoint 续(见 3.2) |
| 训练完成后自动评估 | ✅ 保持开启,门禁需要 |
启动前检查清单
- [ ] 数据源是版本不是「当前项目」;
- [ ] 版本信息回显的数量与预期一致;
- [ ] 类别列表无缺失、无拼写错误;
- [ ] 显存估算在预算内(启动页会给出估算);
- [ ] 训练名包含本次关键参数。
常见问题
| 现象 | 原因 | 处理 |
|---|---|---|
| 启动即失败 CUDA OOM | batch/尺寸过大 | 降 batch 或 imgsz,见 5.3 排查清单 |
| 类别少了一个 | 版本中该类别无标注被忽略 | 回 2.2 补标或确认是否保留 |
| 找不到刚生成的版本 | 版本生成未完成 | 等状态变「已完成」 |
| 训练名乱 | — | 养成习惯,diff 两个训练时你会感谢自己 |
下一步 → 3.2 训练监控与日志