yolo训练参数

参数含义

名词	是什么	怎么看	怎么调
epoch	把整个训练集完整扫一遍的次数。	100 epoch = 把 10 000 张图顺序 feed 100 轮。	数据少(<5 k)先 100；数据大(>50 k)50~80 就够；loss 早平就 EarlyStopping。
batch / batch_size	一次前向-反向喂给 GPU 的样本数。	batch=32 表示 32 张图同时算梯度再更新权重。	显存 8 G 可 32@640；爆显存就减半；batch 越大梯度越稳但占显存。
lr0	初始学习率，控制权重每次迈的步长。	默认 0.01；太大 loss 震荡，太小收敛慢。	微调时降 5~10 倍(0.001)；warmup_epochs 里会从 0 线性升到 lr0。
mAP@0.5	把 IoU 阈值固定在 0.5 时的平均精度（mean Average Precision）。	单类检测>0.9 就能用；0.85~0.9 继续加数据；<0.85 先看标注质量。	升 mAP：加数据→调大模型→更长时间训练→mosaic/颜色增强。
mAP@0.5:0.95	IoU 从 0.5 到 0.95 每隔 0.05 取一次 AP 再平均，更严格。	COCO 官方指标；车牌单类场景与 @0.5 相差 2~3 个点即可。	同上，但对定位精度更敏感，适合评估“框是否贴边”。
Recall	所有真车牌里，被模型找出来的比例。	Recall=0.94 表示 100 块牌里漏 6 块。	漏检多就降 conf-thres(0.25→0.15)、加样本、增小目标增强。
Precision	模型检出的“车牌”里，真的是车牌的比例。	Precision=0.89 表示每 100 个框里 11 个是误报。	误检多就升 conf-thres、加负样本、训练时关闭 mosaic 过早易过拟合。
IoU	预测框与真框的交并比，0~1。	0.5 以上才算 TP（真阳性）；0.7 以上定位算优秀。	评估指标，不用手动调。
backbone	负责“看”并提取通用特征的网络前段。	YOLO11 的 CSPDarknet-P5；ImageNet 预训练权重。	通常不动；极小数据可用 freeze=10 先冻 10 epoch 再解冻。
neck	把 backbone 多尺度特征融合的“脖子”，YOLO11 是 PAN+FPN。	用户层无需改；换模型大小(n/s/m/l/x)即自动缩放通道数。	——
head	最后三尺度检测头，输出 3×(5+nc) 个通道。	单类车牌就是 3×6=18 通道；负责给框+置信度+类别。	——
anchor	提前聚类出的高宽比模板。	YOLO11 默认自动聚类 3 组共 9 框；香港车牌 1:3 居多。	若宽高分布特殊，加 anchor=4 让代码重跑 k-means；或手动写进 *.yaml。
close_mosaic	训练后期关掉 mosaic 增强的 epoch 数。	mosaic 把四张图拼成一张，小目标会被缩小；车牌小，设 10 表示最后 10 epoch 关掉，让网络看到“正常尺度”。	小目标多就 10~15；大目标可 0（全程开）。
warmup_epochs	前几 epoch 学习率从 0 线性升到 lr0，防止早期震荡。	默认 3；大数据集可 5；极小数据可 1。	一般不动。
momentum	梯度滑动平均系数，默认 0.937。	越大越稳但收敛慢；通常不动。	——
weight_decay	L2 正则系数，默认 0.0005。	防止过拟合；数据量很大可降到 0.0001。	——
conf-thres	推理时置信度阈值，低于则丢弃。	默认 0.25；想减少误检就 0.4~0.5；想多召回就 0.15。	只影响推理，不影响训练。
iou-thres	NMS 时 IoU 超过此值就合并框。	默认 0.7；密集车牌可 0.5；稀疏场景 0.8。	同上，推理参数。

30 秒速记口诀

• epoch 看数据量，batch 看显存；
• lr0 降五倍，mosaic 早关；
• mAP 上 90 就能用，Recall 漏检加样本；
• backbone 先冻后解，anchor 不对重聚类；
• conf/iou 只关推理，训练阶段别乱动。

训练过程中屏幕显示的

列名	现场含义	好坏参考	异常时怎么办
Epoch	当前第几轮（迭代完整个数据集一次算 1 epoch）。	涨到设定值就停。	想提前停看后面 mAP 是否已平稳。
GPU_mem	显存占用（GB）。	RTX3060-12G 跑 640×batch=32 约 6-8G；>90% 就易爆。	降 batch 或 imgsz。
box_loss	预测框与真框的坐标/长宽误差（CIoU Loss）。	从 0.06 降到 0.02 以下算收敛；若反弹→震荡。	loss 回升把 lr0 调小；长期不降加数据/增强。
cls_loss	类别置信度交叉熵（单类车牌恒=0 也显示）。	单类场景这条值极低（<0.01），可忽略。	多类时>0.03 说明类别混淆，检查标注。
dfl_loss	Distribution Focal Loss，YOLOv8+ 把“框的上下左右”当分布回归产生的额外 loss。	同步下降即可；绝对值比 box_loss 小一个量级。	同 box_loss 处理。
Instances	本 batch 里参与损失计算的“目标”总数（含复制-粘贴、mosaic 后的）。	随 batch 大小波动即可；=0 说明 batch 里一张图都没框→会报 Nan。	长期=0 检查标注路径/空 txt。
Size	当前训练分辨率（imgsz）。	默认 640；多尺度训练时 480-640-800 轮流跳。	若固定 640 仍跳动，说明开启多尺度，正常。

7% ╸─────────── 21/295 0.0it/s 30:57<6:21:20

片段	含义	现场举例
7%	当前 epoch 已完成的 百分比。	7% = 刚跑完 7 % 的 batch。
╸───────────	图形化进度条（已走 7 % 长度）。	纯视觉，无单位。
21/295	已跑 batch 数 / 总 batch 数。	295 个 batch 里才跑 21 个。
0.0it/s	瞬时速度（iterations per second）。	0.0 是 UI 刷新延迟，正常会跳到 2~5 it/s。
30:57<6:21:20	已用时间 < 预计剩余时间。	已跑 30 分 57 秒，全部跑完还要 6 小时 21 分。

每epoch结束

会有一次
Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 37/37 2.2it/s 17.1s

一行是 当前 epoch 的“验证阶段”进度条，跑完就标志着这个 epoch 正式结束。如下：

片段	含义	现场值举例
Class	类别名（你只有 1 类就显示 license 或 all）。	单类只出现 1 行。
Images	验证集一共多少张图。	37 = 你的 val 文件夹共 37 张。
Instances	这 37 张图里总共多少目标（车牌）。	若每张 2 块牌 → ≈74。
Box(P R mAP50 mAP50-95)	4 个指标：精确率、召回率、IoU=0.5 平均精度、IoU=0.5:0.95 平均精度。	等进度条走完会给出 4 个数字，如 0.923 0.897 0.919 0.712。
37/37	已跑完 37 个 batch / 共 37 个 batch。	即验证集迭代完毕。
2.2it/s	验证速度：每秒处理 2.2 个 batch。	越大越好，GPU 空闲时通常 5~10 it/s。
17.1s	验证阶段总用时。	单 epoch 的验证一般 10~30 s。

上图意味着：

• 37 张验证图、74 块车牌；
• 精确率 92.3 %，召回率 89.7 %，mAP@0.5 = 91.9 %（单类看这条就行），mAP@0.5:0.95 = 71.2 %（更严格）。
• 验证条走完立刻进入下一 epoch 的训练。
  一句话：它是“小考交卷”进度条，数字就是本 epoch 的 mAP 成绩。

中止训练

• 随时 Ctrl+C 都能拿到“能用”的权重，但要不要停、什么时候停，看两个数即可：

1. 中间停止 = 立刻生成可用权重

• Ultralytics YOLO 默认 每个 epoch 结束都保存一次：
  • runs/train/xxx/weights/last.pt ← 最新完整 epoch
  • runs/train/xxx/weights/best.pt ← 历史验证 mAP 最高的一次
• 你按下 Ctrl+C 后，程序会再写一次 last.pt（当前 epoch 刚跑完的状态），直接加载就能继续或推理：

model = YOLO('runs/train/xxx/weights/last.pt')
model.predict('test.jpg')   # 立刻用

复制
model = YOLO(‘runs/train/xxx/weights/last.pt’)
model.predict(‘test.jpg’) # 立刻用
2. 什么时候停最划算？——盯两行数字即可

指标	建议阈值	说明
box_loss 不再下降	连续 5-10 epoch 波动 <0.001	模型已“学不动”，再跑只是过拟合。
mAP@0.5 平稳	连续 5-10 epoch 变化 <0.002	验证集不再提升，可早停。

在 runs/train/xxx/results.csv 里拉一下折线图，两线都平即可停；
或者肉眼盯终端 mAP 数字：

Epoch 050: mAP@0.5=0.903
Epoch 051: mAP@0.5=0.904
...
Epoch 059: mAP@0.5=0.903   ← 连续 10  epoch 不上 0.905

→ Ctrl+C 停，用 best.pt 即可。
3. 想让代码自动停：早停参数

yolo train ... patience=20  # 验证 mAP 20 epoch 无提升就自动停

默认 patience=100（即一直跑完你设的 epochs），调成 20 可省 30-50 % 时间。
4. 停后继续跑（可选）

yolo train resume data=hkplate.yaml model=runs/train/xxx/weights/last.pt

会从断点 epoch 接着跑，不需要从头再来。

一句话口诀

“loss 不降、mAP 不平不罢休，一平就 Ctrl+C，best.pt 直接投。”