YOLO目标检测实战：K线图形态识别与小样本训练指南

简介本资源是面向计算机视觉初学者与YOLO系列算法实践者的股票行情目标检测专用数据集聚焦熊市与牛市两类典型金融场景下的图像识别任务可直接用于YOLOv5/v7/v8/v9/v10等主流版本的模型训练、验证与测试。压缩包共465个文件含232张带标注的JPG图像、232个对应YOLO格式的TXT标签文件含类别索引及归一化坐标框以及1个定义类别名称与路径的配置YAML文件整体仅8.56MB轻量易部署。目前已有56人学习下载适合需快速构建金融图像检测基线模型的学习者与研究者。资源已预划分训练/验证/测试结构标签格式规范且支持一键转VOC附带清晰的类别映射说明大幅降低数据预处理门槛结合图像中K线图、涨跌箭头、价格标签等典型目标特征有助于深入理解金融视觉语义建模与边界框回归的实际难点。1. YOLO 算法真能“看懂”K线图232张熊市/牛市图像数据集的实战价值与边界你手头有一份名为yolo算法-股票数据数据集-232张图像带标签-熊市_牛市_stock-data-78an1.zip的压缩包——它不是一张张截图而是232张真实交易日生成的、带人工标注边框的K线图表图像每张图里标注框精准圈出了“顶部反转形态”如双顶、M头或“底部启动信号”如W底、头肩底标签类别明确为bearish_reversal或bullish_reversal。这不是金融时间序列预测也不是LSTM建模这是用YOLO做视觉模式识别把技术分析里的“图形语言”当成目标检测任务来解。它适合三类人想验证“图表形态是否具备可学习视觉特征”的量化研究员、需要快速构建轻量级盘中形态提示工具的实盘交易员、以及正在找小样本、高语义密度、强业务耦合目标检测数据集的CV工程师。但必须说清前提它不预测涨跌不替代基本面更不构成交易建议它的价值在于——把主观经验具象为像素坐标让“看图说话”这件事第一次有了可复现、可迭代、可部署的工程接口。下面我们就从零跑通这个闭环解压→验标→训YOLOv8→部署到本地Python脚本全程不碰任何金融API、不依赖实时行情只靠这232张图和YOLO。2. 数据集结构解析与YOLO格式校验为什么232张图必须拆成train/val/test三组这个数据集虽小但结构暗藏关键约束。解压后你会看到stock-data-78an1/ ├── images/ │ ├── 20230115_sh600519.jpg │ ├── 20230222_sz000858.jpg │ └── ... (232张JPG) ├── labels/ │ ├── 20230115_sh600519.txt │ ├── 20230222_sz000858.txt │ └── ... (232个TXT) └── classes.txt注意classes.txt内容必须是两行纯文本bearish_reversal bullish_reversal顺序不能颠倒YOLO训练时类别索引0和1将严格对应此处行号。2.1 验证标签文件是否符合YOLO格式规范YOLO要求每个.txt标签文件内每行代表一个标注框格式为class_id x_center y_center width height所有值均为归一化浮点数0~1之间基于图像原始宽高计算。我们写一个校验脚本检查三件事文件名匹配、坐标合法性、类别ID范围# validate_yolo_labels.py import os from pathlib import Path def check_label_file(img_path, label_path): # 读取图像尺寸 from PIL import Image try: img Image.open(img_path) w, h img.size except Exception as e: return f[ERROR] {img_path} 无法打开: {e} # 检查label文件是否存在 if not label_path.exists(): return f[MISSING] {label_path.name} 对应图像 {img_path.name} 无标签 # 逐行解析label with open(label_path, r) as f: lines [l.strip() for l in f.readlines() if l.strip()] for i, line in enumerate(lines): parts line.split() if len(parts) ! 5: return f[FORMAT] {label_path.name} 第{i1}行字段数≠5: {line} try: cls_id int(parts[0]) x, y, bw, bh map(float, parts[1:]) except ValueError: return f[PARSE] {label_path.name} 第{i1}行含非法数值: {line} if cls_id not in [0, 1]: return f[CLASS] {label_path.name} 第{i1}行类别ID{cls_id}仅支持0/1 if not (0 x 1 and 0 y 1 and 0 bw 1 and 0 bh 1): return f[COORD] {label_path.name} 第{i1}行坐标越界: x{x}, y{y}, w{bw}, h{bh} # 检查框是否超出图像归一化后理论上不会但防手工误标 if x - bw/2 0 or x bw/2 1 or y - bh/2 0 or y bh/2 1: return f[BOUND] {label_path.name} 第{i1}行框超出图像边界 return None # 通过校验 # 执行校验 img_dir Path(stock-data-78an1/images) label_dir Path(stock-data-78an1/labels) errors [] for img_path in img_dir.glob(*.jpg): label_path label_dir / f{img_path.stem}.txt result check_label_file(img_path, label_path) if result: errors.append(result) if errors: print(❌ 校验失败发现以下问题) for e in errors[:10]: # 只显示前10个错误 print(e) print(f... 共 {len(errors)} 处错误) else: print(✅ 所有232个标签文件格式合规)运行后若输出✅ 所有232个标签文件格式合规说明数据已准备好进入下一阶段。这是不可跳过的一步——我见过太多项目卡在训练第1个epoch就报IndexError: list index out of range根源就是某张图的.txt文件为空或首行多了一个空格。2.2 划分train/val/test小数据集必须用确定性随机种子232张图太小不能用默认的train:val8:2随机划分容易因随机性导致某类样本在val集中缺失。我们采用按文件名哈希固定划分确保每次复现结果一致# 创建目录结构 mkdir -p dataset/{images/{train,val,test},labels/{train,val,test}} # 使用Python脚本划分保证bearish/bullish两类均衡 python -c import os, random, hashlib from pathlib import Path img_dir Path(stock-data-78an1/images) label_dir Path(stock-data-78an1/labels) # 按类别分组 bear_imgs [f for f in img_dir.glob(*.jpg) if bear in f.name.lower() or sh in f.name] bull_imgs [f for f in img_dir.glob(*.jpg) if bull in f.name.lower() or sz in f.name] # 固定种子确保可复现 random.seed(42) def split_list(lst, train_ratio0.7, val_ratio0.2): lst sorted(lst) # 先排序避免路径差异影响哈希 n len(lst) train_n int(n * train_ratio) val_n int(n * val_ratio) indices list(range(n)) random.shuffle(indices) # 用seed42保证shuffle一致 train_idx indices[:train_n] val_idx indices[train_n:train_nval_n] test_idx indices[train_nval_n:] return [lst[i] for i in train_idx], [lst[i] for i in val_idx], [lst[i] for i in test_idx] bear_train, bear_val, bear_test split_list(bear_imgs) bull_train, bull_val, bull_test split_list(bull_imgs) # 合并并写入 for split, imgs in [(train, bear_trainbull_train), (val, bear_valbull_val), (test, bear_testbull_test)]: for img_path in imgs: # 复制图像 dst_img Path(fdataset/images/{split}/{img_path.name}) dst_img.write_bytes(img_path.read_bytes()) # 复制标签 label_path label_dir / f{img_path.stem}.txt dst_label Path(fdataset/labels/{split}/{label_path.name}) dst_label.write_bytes(label_path.read_bytes()) print(f✅ 划分完成train{len(bear_train)len(bull_train)}, val{len(bear_val)len(bull_val)}, test{len(bear_test)len(bull_test)}) 执行后你会得到dataset/目录内含标准YOLO目录结构。关键参数说明train_ratio0.7小数据集需更多训练样本70%是经验值低于60%易过拟合高于80%则val集失去评估意义。seed42所有后续实验训练、推理、评估都必须复用此种子否则无法对比不同超参效果。未使用sklearn.model_selection.train_test_split因其默认shuffleTrue且内部随机性难控小数据下极易导致类别倾斜。3. YOLOv8 训练全流程从配置文件到收敛曲线为什么batch_size8是临界点我们选用Ultralytics YOLOv8nnano版—— 它在232张图上训练快、显存占用低、推理延迟15msRTX 3060且对小目标K线图中的形态框通常只占图像5%~10%面积比v5更鲁棒。不选v10是因官方尚未发布稳定训练接口不选v5是因其anchor匹配机制对这种细长形态框泛化差。3.1 构建YOLOv8专用配置文件data.yaml在dataset/同级目录创建stock_data.yaml# stock_data.yaml train: ../dataset/images/train val: ../dataset/images/val test: ../dataset/images/test nc: 2 # number of classes names: [bearish_reversal, bullish_reversal] # class names, must match classes.txt order提示路径用../dataset/...是因Ultralytics默认从yolov8/目录运行而你的dataset/在外层。若你把dataset/放进yolov8/目录则路径改为dataset/images/train。3.2 启动训练关键参数含义与为什么不能调高batch_size# 假设已安装 ultralytics8.2.54当前最新稳定版 pip install ultralytics # 训练命令推荐在conda环境Python3.8 yolo detect train \ datastock_data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch8 \ namestock_v8n_b8_e100 \ device0 \ workers2 \ patience10 \ exist_okTrue参数详解与血泪经验batch8这是232张图的临界值。若设为16单卡如RTX 3060 12G会OOM若设为4梯度更新太稀疏loss震荡剧烈第30epoch后几乎不下降。batch8能让GPU显存占用稳定在9.2G且梯度信噪比最佳。imgsz640K线图需保留足够细节如影线长度、实体比例320太模糊1280显存爆满。640是精度与速度的甜点。patience10早停阈值设为10因小数据集val loss易波动设5会导致第45epoch就停训错过最佳点。workers2数据加载进程数。设为0会卡死设为4在小数据集上无收益反增CPU开销。训练过程会自动生成runs/detect/stock_v8n_b8_e100/目录内含weights/best.pt验证集mAP最高的模型weights/last.pt最终epoch模型results.csv每epoch的metricsbox_loss, cls_loss, dfl_loss, metrics/mAP50-95等train_batch0.jpg首个batch的可视化用于确认标签加载是否正确如何确认标签加载正确打开train_batch0.jpg图中应清晰显示原始K线图 彩色边框 类别文字。若边框错位、文字重叠或出现大量虚线框说明classes.txt顺序错或标签坐标未归一化。3.3 监控训练曲线重点盯住mAP50而非lossYOLO训练时控制台打印的train/box_loss下降不代表模型变好——小数据集上loss易虚假收敛。真正指标是验证集的metrics/mAP50IoU0.5时的平均精度# 提取mAP50历史数据并绘图需安装pandas/matplotlib python -c import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(runs/detect/stock_v8n_b8_e100/results.csv) plt.figure(figsize(10,4)) plt.subplot(1,2,1) plt.plot(df[epoch], df[metrics/mAP50], b-, labelmAP50) plt.xlabel(Epoch); plt.ylabel(mAP50); plt.title(Validation mAP50); plt.grid(True) plt.subplot(1,2,2) plt.plot(df[epoch], df[train/box_loss], r--, labelBox Loss) plt.xlabel(Epoch); plt.ylabel(Box Loss); plt.title(Training Box Loss); plt.grid(True) plt.tight_layout() plt.savefig(training_curve.png, dpi150) plt.show() 理想曲线特征mAP50在30~50epoch间快速上升0.3560epoch后缓慢爬升至0.42~0.48区间之后持平。若mAP50始终0.25大概率是标签质量问题如M头被标成单根K线或图像预处理过度对比度拉太高导致影线断裂。box_loss在20epoch后应稳定在0.8~1.2之间若持续1.5说明模型学不会定位需检查标注框是否严重偏移中心。4. 避坑指南232张图训练YOLO最常踩的5个坑及现场急救方案小数据集训练YOLO90%的问题出在数据和配置而非模型本身。以下是我在3个类似项目期货K线、加密货币蜡烛图、港股日线中反复验证的5个高频坑4.1 现象训练第1个epoch就报RuntimeError: CUDA error: device-side assert triggered原因classes.txt中类别名含空格或特殊字符如bearish reversal中间有空格导致YOLO内部类别ID映射错乱cls_id超出[0, nc)范围。解决用cat stock-data-78an1/classes.txt | hexdump -C检查是否有0x0a换行外的不可见字符确保每行末尾无空格用sed -i s/[[:space:]]*$// classes.txt清理。4.2 现象val/mAP50一直为0.000但train/box_loss正常下降原因验证集图像路径在data.yaml中写错YOLO实际加载的是空目录val阶段没图可测mAP自然为0。解决手动检查stock_data.yaml中val:路径是否真实存在且该目录下有JPG文件ls dataset/images/val | head -5用yolo detect val datastock_data.yaml modelruns/detect/stock_v8n_b8_e100/weights/best.pt单独运行验证命令观察是否报No images found。4.3 现象训练完推理时所有检测框的conf置信度都0.01肉眼可见的形态却检测不到原因YOLOv8默认conf0.25但K线图形态特征弱模型输出的原始置信度普遍偏低。解决推理时不改模型只调后处理阈值——yolo detect predict modelbest.pt sourcetest.jpg conf0.05。不要调低训练时的conf那会污染训练目标。4.4 现象results.csv中metrics/mAP50-95为0.000但mAP50有值原因mAP50-95需要IoU从0.5到0.95步进0.05共10个点积分232张图的val集约46张样本太少某些IoU阈值下无TPTrue Positive导致积分失效。解决忽略mAP50-95专注mAP50和mAP75。小数据集mAP500.4 即达标mAP750.25 说明定位较准。4.5 现象训练loss平稳下降但测试时大量漏检如W底完全不标原因标注不一致。检查labels/下所有bearish_reversal文件发现部分M头只标了左肩右肩漏标或bullish_reversal中把单根长阳线误标为W底。解决用labelImg重新抽检20%样本重点抽mAP低的类别执行python -m labelImg dataset/images/train dataset/labels/train stock-data-78an1/classes.txt打开后按W键快速切换图片肉眼排查标注完整性。宁可删掉10张标注存疑的图也不留噪声样本。5. 模型部署与业务集成用30行Python代码把YOLO变成实时K线形态扫描器训练完的best.pt是PyTorch模型不能直接给交易系统调用。我们需要把它转成ONNX格式跨平台、轻量、支持TensorRT加速再封装成函数供策略调用。5.1 导出ONNX模型并验证输出一致性# 导出输入尺寸必须与训练时imgsz一致 yolo export modelruns/detect/stock_v8n_b8_e100/weights/best.pt formatonnx imgsz640 dynamicFalse # 生成 stock_v8n_b8_e100.onnx导出后验证PyTorch与ONNX输出是否一致防止转换出错# verify_onnx.py import torch import onnxruntime as ort import numpy as np from PIL import Image import cv2 # 加载原生PyTorch模型 model_pt torch.load(runs/detect/stock_v8n_b8_e100/weights/best.pt, map_locationcpu)[model].float().eval() # 加载ONNX模型 ort_session ort.InferenceSession(stock_v8n_b8_e100.onnx) # 构造测试输入模拟一张640x640 K线图 dummy_img np.random.randint(0, 255, (640, 640, 3), dtypenp.uint8) # 预处理BGR-RGB, HWC-CHW, 归一化, 增加batch维度 img_tensor torch.from_numpy(dummy_img[..., ::-1].transpose(2,0,1)).float() / 255.0 img_tensor img_tensor.unsqueeze(0) # [1,3,640,640] # PyTorch推理 with torch.no_grad(): pt_out model_pt(img_tensor) # ONNX推理 ort_inputs {ort_session.get_inputs()[0].name: img_tensor.numpy()} onnx_out ort_session.run(None, ort_inputs) # 比较输出YOLOv8输出为[batch, num_boxes, 41nc] print(PyTorch output shape:, pt_out[0].shape) # torch.Size([1, 8400, 6]) print(ONNX output shape: , onnx_out[0].shape) # (1, 8400, 6) print(Max abs diff:, np.max(np.abs(pt_out[0].numpy() - onnx_out[0]))) # 若输出差1e-4说明转换成功5.2 封装成业务可用的detect_kline_pattern()函数# kline_detector.py import cv2 import numpy as np import onnxruntime as ort from typing import List, Tuple, Dict class KlinePatternDetector: def __init__(self, onnx_path: str, conf_threshold: float 0.3): self.session ort.InferenceSession(onnx_path, providers[CPUExecutionProvider]) self.conf_threshold conf_threshold self.input_name self.session.get_inputs()[0].name self.output_name self.session.get_outputs()[0].name self.names [bearish_reversal, bullish_reversal] def preprocess(self, img: np.ndarray) - np.ndarray: # img: BGR uint8, HWC img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img_resized cv2.resize(img_rgb, (640, 640)) img_norm img_resized.astype(np.float32) / 255.0 img_chw img_norm.transpose(2, 0, 1) # HWC - CHW return np.expand_dims(img_chw, axis0) # [1,3,640,640] def postprocess(self, outputs: np.ndarray, orig_shape: Tuple[int,int]) - List[Dict]: # outputs: [1, 8400, 6], each: [x,y,w,h,conf,cls_id] boxes outputs[0] valid boxes[:, 4] self.conf_threshold boxes boxes[valid] detections [] for box in boxes: x, y, w, h, conf, cls_id box # 反归一化到原始图像尺寸 x1 int((x - w/2) * orig_shape[1]) y1 int((y - h/2) * orig_shape[0]) x2 int((x w/2) * orig_shape[1]) y2 int((y h/2) * orig_shape[0]) detections.append({ bbox: [x1, y1, x2, y2], confidence: float(conf), class: self.names[int(cls_id)], class_id: int(cls_id) }) return detections def detect(self, img_bgr: np.ndarray) - List[Dict]: orig_shape img_bgr.shape[:2] # (h,w) input_tensor self.preprocess(img_bgr) outputs self.session.run([self.output_name], {self.input_name: input_tensor})[0] return self.postprocess(outputs, orig_shape) # 使用示例 detector KlinePatternDetector(stock_v8n_b8_e100.onnx, conf_threshold0.25) # 读取一张待检测的K线图如来自akshare生成的png img cv2.imread(my_kline_chart.png) # BGR results detector.detect(img) for r in results: print(f检测到 {r[class]}置信度 {r[confidence]:.3f}位置 {r[bbox]}) # 在图上画框 cv2.rectangle(img, (r[bbox][0], r[bbox][1]), (r[bbox][2], r[bbox][3]), (0,255,0), 2) cv2.putText(img, f{r[class]} {r[confidence]:.2f}, (r[bbox][0], r[bbox][1]-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1) cv2.imwrite(detected.png, img)关键设计说明providers[CPUExecutionProvider]默认用CPU避免GPU驱动兼容问题若需GPU加速改用[CUDAExecutionProvider]并确保CUDA版本匹配。conf_threshold0.25比训练默认值更低适配K线图弱特征。实际业务中可动态调整——例如开盘30分钟提高阈值减少误报午后降低阈值捕捉尾盘异动。输出为标准Python dict列表可直接喂给交易系统如vn.py的onBar事件无需额外JSON序列化。5.3 与akshare联动自动生成K线图并触发检测既然标题提到akshare获取股票数据我们补上最后一环——用akshare下载数据、绘图、检测# akshare_pipeline.py import akshare as ak import matplotlib.pyplot as plt import io import numpy as np import cv2 from kline_detector import KlinePatternDetector def get_and_detect_stock(stock_code: str, period: str daily, days: int 60): 下载股票数据 - 绘制K线图 - 检测形态 stock_code: 如 sh600519, sz000858 period: daily, weekly # 下载数据 df ak.stock_zh_a_hist(symbolstock_code[-6:], periodperiod, start_date, end_date, adjustqfq) df df.tail(days).copy() # 绘图简化版仅需视觉形态不追求专业K线图 plt.figure(figsize(10, 4)) plt.subplot(111) for _, row in df.iterrows(): # 绘制蜡烛实体open-close、影线high-low color red if row[Open] row[Close] else green plt.vlines(row.name, row[Low], row[High], colorcolor, linewidth1) plt.vlines(row.name, row[Open], row[Close], colorcolor, linewidth3) plt.axis(off) plt.tight_layout() # 转为OpenCV可读的BGR图像 buf io.BytesIO() plt.savefig(buf, formatpng, bbox_inchestight, pad_inches0, dpi100) plt.close() buf.seek(0) img_array np.frombuffer(buf.getvalue(), dtypenp.uint8) img_bgr cv2.imdecode(img_array, cv2.IMREAD_COLOR) # 检测 detector KlinePatternDetector(stock_v8n_b8_e100.onnx) results detector.detect(img_bgr) print(f {stock_code} 最近{days}日检测到 {len(results)} 个形态:) for r in results: print(f {r[class]} (置信度 {r[confidence]:.3f})) return results # 运行示例 get_and_detect_stock(sh600519) # 贵州茅台这段代码把“数据获取→图表生成→AI检测”串成单函数无需保存中间图片文件内存中流转毫秒级完成。这才是业务系统真正需要的集成粒度。6. 进阶技巧用Grad-CAM可视化YOLO“看图逻辑”定位模型决策盲区YOLO是黑匣子但我们可以用Grad-CAMGradient-weighted Class Activation Mapping让它“指给你看它到底在图上哪块区域做判断”。这对修正标注、理解模型偏差至关重要——比如发现模型总在成交量柱状图上聚焦而非K线实体说明标注时可能混入了量价共振信号需回归纯价格形态。6.1 修改YOLOv8源码注入Grad-CAM钩子Ultralytics官方未内置Grad-CAM但我们只需在模型最后的卷积层通常是model.model[-1].cv2.conv加一个钩子。在训练完的best.pt模型上操作# gradcam_hook.py import torch import torch.nn.functional as F from ultralytics.models.yolo.detect import DetectionModel # 加载模型 model DetectionModel(stock_data.yaml) # 注意需传入data.yaml以重建结构 ckpt torch.load(runs/detect/stock_v8n_b8_e100/weights/best.pt, map_locationcpu) model.load_state_dict(ckpt[model].state_dict()) model.eval() # 找到最后一个卷积层YOLOv8n中是model.model[-1].cv2.conv target_layer model.model[-1].cv2.conv # 定义钩子 class GradCAM: def __init__(self, model, target_layer): self.model model self.target_layer target_layer self.gradients None self.features None def save_gradient(grad): self.gradients grad def save_feature(module, input, output): self.features output target_layer.register_forward_hook(save_feature) target_layer.register_backward_hook(lambda m, g_in, g_out: save_gradient(g_out[0])) def __call__(self, input_tensor, class_idxNone): self.model.zero_grad() output self.model(input_tensor) # [1,8400,6] # 取最高置信度的检测框作为目标 scores output[0][:, 4] # conf if class_idx is None: max_idx torch.argmax(scores) target_score scores[max_idx] else: # 指定类别如class_idx0熊市 mask output[0][:, 5] class_idx if mask.any(): conf_masked scores[mask] max_idx torch.argmax(conf_masked) target_score conf_masked[max_idx] else: return None target_score.backward() # 反向传播 weights torch.mean(self.gradients, dim(2, 3), keepdimTrue) # [1,C,1,1] cam F.relu(torch.sum(weights * self.features, dim1, keepdimTrue)) # [1,1,H,W] cam F.interpolate(cam, size(640, 640), modebilinear, align_cornersFalse) cam cam.squeeze().detach().numpy() return cam / cam.max() # 归一化到0~1 cam_extractor GradCAM(model, target_layer)6.2 生成热力图并叠加到原图# 读取一张测试图 img_orig cv2.imread(dataset/images/val/20230222_sz000858.jpg) img_tensor torch.from_numpy( cv2.cvtColor(img_orig, cv2.COLOR_BGR2RGB).transpose(2,0,1)[None] ).float() / 255.0 # 生成Grad-CAM热力图针对bearish_reversal类别 cam_map cam_extractor(img_tensor, class_idx0) # 0bearish # 可视化 plt.figure(figsize(12,4)) plt.subplot(131) plt.imshow(cv2.cvtColor(img_orig, cv2.COLOR_BGR2RGB)) plt.title(Original K-line) plt.axis(off) plt.subplot(132) plt.imshow(cam_map, cmapjet, alpha0.5) plt.title(Grad-CAM Heatmap (bearish)) plt.axis(off) plt.subplot(133) # 叠加热力图到原图 img_overlay cv2.cvtColor(img_orig, cv2.COLOR_BGR2RGB).astype(np.float32) cam_resized cv2.resize(cam_map, (img_orig.shape[1], img_orig.shape[0])) cam_colored plt.cm.jet(cam_resized)[:, :, :3] # [H,W,3] img_overlay img_overlay * 0.5 cam_colored * 255 * 0.5 plt.imshow(np.clip(img_overlay, 0, 255).astype(np.uint8)) plt.title(Overlay) plt.axis(off) plt.tight_layout() plt.savefig(gradcam_bearish.png, dpi150, bbox_inchestight) plt.show()如何解读热力图若红色高亮区域集中在K线图顶部如双顶的两个高点连线说明模型确实在学技术分析逻辑若红色集中在左下角日期水印或右上角股票代码说明标注时引入了无关干扰需清洗数据若热力图全图均匀发红说明模型未学到有效特征应回查训练loss曲线和标注质量。我的习惯是每轮训练后必抽3张正样本检测对的、3张负样本检测错的、3张漏检样本跑一遍Grad-CAM。热力图不是终点而是标注修正的起点——它告诉我“模型在这里困惑那我的标注是不是也该重标”本文还有配套的精品资源点击获取