关于yolo11数据集划分的原因及代码运行

训练集（Training Set）：

作用： 用于训练神经网络的参数和权重。
特点： 包含大量的样本，模型通过训练集学习特征和模式。
验证集（Validation Set）：

作用： 用于调整模型的超参数，例如学习率、正则化参数等，以提高模型的泛化性能。
特点： 模型在训练过程中不使用验证集的样本来调整参数，但会通过验证集的性能来判断模型是否过拟合或者欠拟合。
一般在一个epoch中对所有训练集数据学习后进行一个验证当前训练参数的效果。
测试集（Test Set）：

作用： 用于最终评估模型的性能，检查模型对未见过的数据的泛化能力。
特点： 模型在测试集上进行评估，测试集的样本在整个训练和验证过程中都没有被用到。
————————————————

                            版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                        
原文链接：https://blog.youkuaiyun.com/qq_43617906/article/details/135538734

训练完之后

loss说明
train loss 下降↓，val loss 下降 ↓：训练正常，网络仍在学习，最好的情况。
train loss 下降 ↓，val loss：上升/不变：有点过拟合overfitting，可以停掉训练，用过拟合方法如数据增强、正则、dropout、max pooling等。
train loss 稳定，val loss 下降：数据有问题，检查数据标注有没有错，分布是否一直，是否shuffle。
train loss 稳定，val loss 稳定：学习过程遇到瓶颈，可以尝试调小学习率或batch数量
train loss 上升 ↑，val loss 上升 ↑：网络结构设计不当，参数不合理，数据集需清洗等，最差情况。
————————————————

                            版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                        
原文链接：https://blog.youkuaiyun.com/qq_42363032/article/details/122489704