YOLOv5 训练效果优化实战指南数据集、模型选择与训练设置的完整方法论【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics本篇基于仓库内 docs/en/yolov5/tutorials/tips-for-best-training-results.md 展开。它面向希望通过 YOLOv5 获得最高 mAP平均精度均值与稳定训练结果的开发者系统回答了训练效果不好时从哪里入手排查这一核心问题。读完本文你将掌握一套从数据准备、模型选型到超参数调试的完整优化流程在默认配置即可出好结果的情况下如何快速建立基线在基线不理想时又如何通过数据集治理、预训练权重选择、分辨率/批大小/增强策略调整、多卡训练与早停等手段逐级提升精度并学会向社区提问时应附带哪些诊断材料。文档给出的核心理念值得先记住大部分情况下只要数据集足够大且标注良好使用默认模型与默认训练设置就能获得不错的结果。因此一切优化都应建立在先用默认设置完整训练一遍的基线上进行——先建立一个性能基线才能定位改进空间避免盲目改动引入新问题。遇到问题时先准备一份完整的病情报告如果你期望就训练结果获得有意义的帮助与解答文档建议提供尽可能多的信息至少包括以下几类产物。它们通常都位于你的project/name目录下默认例如yolov5/runs/train/exp训练曲线图训练 loss、验证 loss、精确率 P、召回率 R、mAP 随 epoch 的变化曲线PR 曲线直观反映模型在不同置信度阈值下的精确率-召回率权衡混淆矩阵confusion matrix定位类别间的相互误判训练马赛克样本training mosaics确认送入网络的增强后样本是否正常测试结果图模型在真实样本上的可视化预测输出数据集统计图例如labels.png这类展示标签分布目标中心点、宽高比例等的统计图。这些材料能同时暴露数据问题和模型问题若马赛克样本中标签错位多半是标注问题若混淆矩阵某两类别相互混淆严重可能是类别定义不清晰或样本量失衡。Dataset数据集治理是精度的天花板模型精度不可能超过数据质量所允许的上限。文档给出了经过实践检验的数据集规模与质量建议每类图像数建议 ≥ 1500 张/类每类实例数标注目标数建议 ≥ 10000 个/类图像多样性图像必须能代表实际部署环境。真实业务场景建议覆盖一天中的不同时段、不同季节、不同天气、不同光照、不同拍摄角度、不同来源网页抓取、本地采集、不同相机等标注一致性所有图像中所有类别的所有实例都必须被标注部分标注partial labeling无法工作——未标注的实例会被当作背景负样本直接污染训练信号标注精度标注框必须紧贴目标物体与边界框之间不应留有空隙也不应有目标漏标训练/验证划分纪律验证集与测试集图像绝不能出现在训练集中否则指标会过于乐观同时应让训练/验证划分中的类别分布尽量接近标注核查训练启动时查看train_batch*.jpg等可视化样本来确认标签是否正确可参考 train-custom-data.md 中本地日志一节展示的马赛克样例背景图像指不含任何目标、只提供背景上下文的图像用于降低误检False Positives, FP建议占数据集总量的0–10%无需标注。作为参照COCO 数据集中包含 1000 张背景图约占总量的 1%。这一节可以直接指导你在 ultralytics/cfg/datasets 中对照真实数据集配置如 coco.yaml撰写自定义custom.yaml数据集 YAML 中声明的train/val路径、nc类别数与names类别名列表正是训练启动时加载标签结构的基础。规模上若不满足上文建议就需要优先考虑采集/补充数据而非调参因为任何超参数都无法凭空创造数据中不存在的特征。Model Selection先选对模型再谈调参在动手调参前先选定与部署场景匹配的模型规格。文档的总体判断是更大规模的模型如 YOLOv5x、YOLOv5x6在几乎所有场景下能取得更好结果但代价是参数量更多、训练时需要更多 CUDA 显存、推理更慢。移动端部署建议 YOLOv5s / YOLOv5m云端部署建议 YOLOv5l / YOLOv5x。在仓库中这一复杂度阶梯由 yolov5.yaml 顶部的scales字段统一定义各规格仅通过[depth, width, max_channels]三组复合缩放系数区分scales: # model compound scaling constants n: [0.33, 0.25, 1024] s: [0.33, 0.50, 1024] m: [0.67, 0.75, 1024] l: [1.00, 1.00, 1024] x: [1.33, 1.25, 1024]即 yolov5n/s/m/l/x 共用同一份骨干P3/8–P5/32 三段特征金字塔输出与检测头结构仅按比例加深加宽网络。若需要处理超大分辨率下的密集小目标仓库还提供了带 P6/64 输出的 yolov5-p6.yaml对应文档中提到的以更高分辨率输入训练的 YOLOv5x6 一脉。从预训练权重开始推荐小到中型数据集对于 VOC、VisDrone、GlobalWheat2020 这类中小规模数据集建议加载预训练权重进行迁移学习把--weights指向对应模型名权重会自动下载python train.py --data custom.yaml --weights yolov5s.pt python train.py --data custom.yaml --weights yolov5m.pt python train.py --data custom.yaml --weights yolov5l.pt python train.py --data custom.yaml --weights yolov5x.pt python train.py --data custom.yaml --weights custom_pretrained.pt从零开始训练推荐大规模数据集对于 COCO、Objects365、Open Images 这类超大数据集预训练收益边际递减更推荐从模型架构 YAML 出发、以空--weights 从零训练python train.py --data custom.yaml --weights --cfg yolov5s.yaml python train.py --data custom.yaml --weights --cfg yolov5m.yaml python train.py --data custom.yaml --weights --cfg yolov5l.yaml python train.py --data custom.yaml --weights --cfg yolov5x.yaml需要说明的是上述命令源自该 yolov5 教程所处目录时代的独立train.py形态在本仓库当前的统一接口中同一套权重与架构文件位于ultralytics/cfg/models/v5/下可通过yolo命令如yolo train modelyolov5s.pt datacustom.yaml以参数键值对的形式表达同等配置参数语义可对照 训练模式文档。Training Settings建立基线后再逐项优化任何修改之前先用默认设置训练一遍以建立基线。train.py 参数完整清单来自其 argparser 定义。下面是文档逐项给出的关键训练设置建议。轮数 Epochs默认从300 epochs起步若过早过拟合训练 loss 仍在下降、验证 loss 开始上升可缩短轮数若 300 epochs 后仍未出现过拟合可继续加长到 600、1200 等。图像分辨率 Image sizeCOCO 默认在原生分辨率--img 640训练但因数据集中小目标很多也可以从更高分辨率如--img 1280获益自定义数据集若含大量小目标同样建议在原生分辨率或更高分辨率下训练推理分辨率应与训练一致若用--img 1280训练验证与推理也应在--img 1280下进行才能获得最佳结果。批大小 Batch size在显存允许范围内使用尽可能大的--batch-size过小的 batch 会产生较差的Batch Normalization 统计量应当避免可使用--batch-size -1让程序根据 GPU 自动挑选最优批大小AutoBatch。从仓库 default.yaml 的参数注释可以看到batch既支持整数也支持 0–1 之间的小数表示占用 GPU 显存的 AutoBatch 比例且nbs: 64定义了 loss 归一化用的名义批大小用于消解小 batch 训练时的梯度尺度漂移。学习率 Learning rate默认学习率调度在大多数情况下工作良好无需改动需要更快收敛时可加--cos-lr启用余弦学习率调度使学习率随 epoch 按余弦曲线逐步衰减。对应在 default.yaml 中为cos_lr: False与之配套的还有lr0初始学习率SGD 取 1e-2 量级、Adam 取 1e-3 量级、lrf末段学习率为lr0 * lrf以及warmup_epochs、warmup_momentum、warmup_bias_lr等预热期设置。数据增强 Data augmentationYOLOv5 内置多种增强手段最典型的是mosaic将多张训练图拼接成一张合成图从而显著扩充上下文与小目标样本。增强强度可通过--hyp指向的超参数文件中的mosaic等项调节适当调低可以稳定训练。在仓库统一配置中这些增强系数集中定义在 default.yaml 的 Hyperparameters 区段该区段即--hyp文件的直接落点除mosaic外还包括色彩扰动hsv_h: 0.015、hsv_s: 0.7、hsv_v: 0.4几何扰动degrees: 0.0旋转角度 ±、translate: 0.1平移比例、scale: 0.5缩放增益、shear: 0.0、perspective: 0.0翻转flipud: 0.0垂直翻转概率、fliplr: 0.5水平翻转概率混合类增强mixup: 0.0、cutmix: 0.0、copy_paste: 0.0分割/OBB 任务的实例拷贝粘贴调度配合项close_mosaic: 10训练最后 N 个 epoch 关闭 mosaic帮助模型在无增强场景下收敛稳定。超参数 Hyperparameters默认超参数来自hyp.scratch-low.yaml类别的默认文件建议先用默认超参数训练再考虑任何改动一般规律提高增强类超参数会推迟并削弱过拟合从而允许更长训练并获得更高的最终 mAP而降低某个 loss 分量权重如hyp[obj]目标损失增益则能针对性缓解该分量的过拟合对超参数自动化调优可参考 Hyperparameter Evolution 教程——它使用遗传算法对约 30 个超参数进行进化搜索产出hyp_evolve.yaml后可用--hyp runs/evolve/exp/hyp_evolve.yaml复用于正式训练。在仓库 default.yaml 中可以找到各 loss 分量增益的默认值与注释例如box: 7.5框回归 loss 增益、cls: 0.5分类 loss 增益、dfl: 1.5DFL 距离 loss 增益以及cls_pw: 0.0类别不平衡权重幂1.0表示完全按逆频率加权。理解这些数值与 loss 的关系是针对性地削弱某个过拟合分量的前提。混合精度训练 Mixed precisionYOLOv5 在检测到受支持的 GPU 时会自动开启自动混合精度AMP在不牺牲精度的前提下加快训练并降低显存占用。在仓库统一配置中对应amp: True可选bf16或设为False/fp32关闭该默认行为让绝大多数用户无需手工干预即可获得 AMP 收益。多卡训练 Multi-GPU若拥有多块 GPU可用--device 0,1,2,3将训练分布到多卡上显著缩短训练时间。分布式训练的更多细节可参考 Multi-GPU Training 教程。早停 Early stopping使用--patience 50可在验证指标连续 50 个 epoch 无改善时自动停止训练既节省时间又防止过拟合。仓库 default.yaml 中对应patience: 100即连续 N 个 epoch 验证指标无提升即早停可按数据集规模与训练成本酌情调整。Advanced Optimization Techniques精度进一步榨取当上述基础项都已就位仍有提升空间时可尝试以下进阶手段仓库同目录下均有对应专题教程可深入迁移学习Transfer learning针对专用领域数据集可从预训练权重出发并逐步解冻unfreeze层让模型先稳定低层特征、再逐步适配高层任务头。实操见 transfer-learning-with-frozen-layers.md。模型剪枝Model pruning训练完成后可对模型进行剪枝剔除冗余权重以缩小体积、降低部署开销而性能损失可控。实操见 model-pruning-and-sparsity.md。模型集成Model ensemble对精度要求苛刻的关键应用可用不同配置训练多个模型并在推理时融合其预测以提升整体准确率。实操见 model-ensembling.md。测试时增强Test-time augmentation, TTA推理阶段开启--augment通过对输入图像的多份增强版本推理结果取平均来提升预测精度。实操见 test-time-augmentation.md。FAQ高频问题速查如何判断模型是否过拟合若训练 loss 持续下降而验证 loss 开始上升就要警惕过拟合。更实用的判据是监控验证 mAP当训练 loss 仍在改善而验证 mAP 陷入平台期或回落时即为过拟合信号。缓解手段包括补充更多训练数据、加大数据增强强度、引入正则化如调整weight_decay以及启用早停。训练 YOLOv5 的最优批大小是多少最优批大小取决于你的 GPU 显存。更大的 batch 通常带来更好的 BN 统计量与训练稳定性原则是取硬件不爆显存前提下的最大值。也可用--batch-size -1让程序自动探测最优值AutoBatch 模式。如何加快 YOLOv5 训练文档给出的三条路径是用--device 0,1,2,3多卡并行用--cache将数据集缓存RAM 或磁盘以消除数据加载瓶颈配合自动开启的混合精度训练提升吞吐。此外若绝对精度并非首要指标换用更小的模型规格如 YOLOv5s也是最直接的加速手段。小结与延伸阅读把整条优化路线压缩成一句话先治理数据再选对模型规格然后以默认配置建立基线基线不理想时按 epochs → 分辨率 → batch → 学习率 → 增强/超参数 的顺序逐项微调最后用迁移学习、剪枝、集成与 TTA 做锦上添花。文档还建议进一步阅读神经网络训练领域广为人知的训练配方类文章如 Karpathy 关于训练神经网络的通用经验分享其对学习率、过拟合诊断等话题的见解可跨领域复用到 YOLOv5 上。对训练参数的权威与完整解释请以仓库内的 训练模式文档 与 default.yaml 为准它们是本仓库含 YOLOv5 任务当前实际生效的参数定义源头配合 自定义数据训练教程 与 超参数进化教程即可按本文方法论完成从数据到调优的完整闭环。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
