Skip to content

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 imgsz640 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
epochs100–300(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 0.001loss 不降或震荡时先调它
optimizerSGD(稳)/ AdamW(快)小数据集 AdamW 起步快
早停 patience20–30 epochval 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)
workersCPU 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 OOMbatch/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