机器人技术项目制教学仿真平台 · YOLO 模型训练
← 返回主页

🌿 基于 YOLO 的杂草识别模型训练

YOLOv8 Ultralytics Python 单文件工程 真实图片处理 best.onnx 验证  编写一个完整的 Python 训练程序：加载图片与标注、数据增强、训练 YOLO 模型、加载 best.onnx 验证并导出 best.pt。

📁 样例程序 · train.py（完整可运行）
只读参考

            

                📖 此为可执行的完整训练工程，点击下方「▶ 运行样例」即可启动训练
            

        


        

            

                
⌨️ 学生输入区 · train.py

                
逐行输入，禁止复制粘贴

            

            
            

                匹配度 0%
                

                    解锁阈值 85%
                    

                

            

        

    


    
    

        
⚙️ 训练参数（每个参数下方标注其作用，调整后「预计训练时长」实时变化）

        

            

                
                
                数据量越大 → 模型学到的特征越充分，但每轮训练耗时越长。
            

            

                
                
                模型越大 → 识别越准，但训练与推理都更慢，显存占用更高。
            

            

                
                
                完整遍历一遍数据集为 1 轮。轮数越多训练越充分，但耗时成倍增加，过多会过拟合。
            

            

                
                
                输入分辨率。越大越能看清小目标，但计算量随面积平方增长，明显变慢。
            

            

                
                
                每次喂给模型的图片张数。越大训练越快，但更占显存。
            

            

                
                
                = 图片数 × 轮数 × 模型系数 × 分辨率系数 × (8/batch)，随上方参数实时更新。
            

        

    


    
    

        

            
🖼️

            
训练图片 (img/)

            
JPG / PNG · 上传后自动缩放到所选 imgsz

            
未上传

            
            
        

        

            
📋

            
标注文件 (ann/)

            
JSON / YOLO txt · 与图片同名

            
未上传

            
            
        

    


    
    

        
        
        
        「启动我的训练」需输入匹配度 ≥ 85% 后解锁
    


    
    

        
📈 训练监控

        

        

            未开始
            —
        

        

            
BOX LOSS
—

            
mAP@0.5
—

            
PRECISION
—

            
RECALL
—

        


        

            
            

                Loss（损失，越低越好）
                mAP@0.5（越高越好）
                Precision（精确率）
                Recall（召回率）
            

        


        
        

            📖 如何读懂这些曲线：
            

                Loss（橙色）训练损失。训练正常时应逐渐下降并趋于平缓；若持续不降或后期反弹，说明学习率过高或过拟合。
                mAP@0.5（绿色）平均精度（IoU=0.5），是衡量整体检测效果的核心指标，越高越好（通常 ≥ 0.85 视为优秀）。
                Precision（蓝色虚）精确率 = 正确检出 / 全部检出。越高说明误检越少（把非杂草当杂草的比例低）。
                Recall（紫色虚）召回率 = 正确检出 / 全部真值。越高说明漏检越少（真实杂草被找到的比例高）。
                二者权衡Precision 与 Recall 常此消彼长，mAP 综合两者，用于横向比较不同模型好坏。
            

        


        
等待开始训练…


        
        

        
    


    

        📘 教学指引：
        ① 对照左侧样例，在右侧逐行输入完整训练程序（禁止复制粘贴），匹配度达 85% 后解锁「启动我的训练」；
        ② 可先点「▶ 运行样例」快速体验完整流程；
        ③ 修改「图片数量 / Epoch / imgsz / batch」，观察「预计训练时长」实时变化，理解各参数对耗时的影响；
        ④ 训练完成自动加载 best.onnx 验证，并生成与预置模型的对比报告；
        ⑤ 建议至少训练 3 组对比：yolov8n@320+50epoch、yolov8s@640+30epoch、yolov11n@512+80epoch，掌握模型选型。