YOLOv8室内家具数据集训练：2416张图像从解压到部署全攻略

简介这份室内家具目标检测数据集以YOLO格式标注共包含2416张图像及对应标签覆盖常见室内家具类别适合使用YOLOv3、v4、v5等系列算法训练与验证面向目标检测方向的研究人员、算法学习者及开发者可有效省去自行采集与标注的时间。压缩包共2000个文件其中1999个txt标签文件和1个yaml配置文件整体大小约50.04MBtxt文件记录每个目标的类别索引及归一化中心点坐标、宽高yaml文件定义数据集路径与类别信息标签已按训练、验证、测试划分便于直接投入模型训练。目前已有165人学习下载规范的标注与划分方式保证了训练所得模型的泛化能力。使用该数据集可快速完成YOLO系列模型在室内家具识别任务上的训练与评估也能与Faster R-CNN、SSD等框架对比性能适合用于算法研究、毕业设计或工程项目验证是目标检测实践与教学的高质量数据支撑。1. YOLO算法与2416张带标签室内家具图像先盘清楚这套数据再谈训练刚看到「yolo算法-室内家具数据集-2416张图像带标签」这个文件名第一反应往往是直接解压丢进训练脚本等 mAP 出来再说话。真这么干的人我见过不少在第一个通宵后对着全零指标发愣。这套数据真正值钱的地方不在 2416 这个数字而在它的标签——每一行都是归一化坐标加类别 ID理论上直接喂给 YOLOv5 或 YOLOv8 的 data.yaml 就能跑。它适合的场景很明确室内机器人导航的家具识别、门店商品定位、或者本科毕业论文里目标检测实验的起步数据。文件名的 skripsi 是印尼语「毕业论文」的意思来源大概率是某位学生毕设期间的采集和标注成果拿到手先别急着开训把解压、目录结构、标签分布这三件事做对后面的坑能少一半。2. 解压与目录核对把2416张室内家具图像和标签映射关系理顺2.1 zip解压的两种姿势命令行走一遍再看清根目录结构看到 zip 后缀很多人直接双击解压就开始翻图。遇到内部嵌套多、路径带空格的情况时图形解压工具经常出幺蛾子——尤其是 Windows 自带的资源管理器解压长文件名加中文名时容易弄出一堆乱码目录。我一般直接用命令行解压先看真实目录结构再决定下一步。unzip yolo算法-室内家具数据集-2416张图像带标签skripsi-new-j1bmb.zip -d ./furniture_dataset find ./furniture_dataset -maxdepth 2 -type d | head -20-d参数把解压目标限定到指定目录避免 zip 内部散出一堆文件覆盖当前工作目录。find只列两层目录不打印具体文件否则 2416 张图会把终端刷满。如果环境是 Windows 且没装 unzip用 Python 的 zipfile 也一样import zipfile from pathlib import Path src Path(yolo算法-室内家具数据集-2416张图像带标签skripsi-new-j1bmb.zip) dst Path(furniture_dataset) with zipfile.ZipFile(src, r) as zf: # 先打印前30条文件清单判断是扁平结构还是多层嵌套 names zf.namelist() for name in names[:30]: print(name) print(总文件数:, len(names)) zf.extractall(dst)打印前 30 条的意义看清根目录下是 images/、labels/ 这种标准结构还是混着论文写作文件、README、多余的 txt。总文件数让你心里有数——正常情况下 2416 张图像和对应标签文件数量大致对称如果多出几百个多半带了无关文件或缓存。解压之后的数据集目录结构通常分两种。一种是已经分好训练集和验证集furniture_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml另一种是只放原始图像加标签的平铺结构furniture_dataset/ ├── images/ │ ├── img_0001.jpg │ └── img_0002.jpg └── labels/ ├── img_0001.txt └── img_0002.txt两种结构的后续处理完全不同。平铺结构要先自己切分数据yaml 路径也要跟着改。先通过find输出确认属于哪一种再套用后续脚本能省掉一晚上折腾。2.2 YOLO标签格式一行五个数背后是归一化坐标和类别字典YOLO 系算法v5 到 v8 都用同一套约定的标签文件是纯文本每行固定五个数字0 0.514843 0.461719 0.273438 0.367188 2 0.812500 0.728125 0.125000 0.203125从左到右依次是类别 ID、目标框中心点 x、中心点 y、框宽 w、框高 h。后四个全部做了归一化——除以图像本身的宽和高所以取值范围在 0 到 1 之间。归一化的好处是不管训练时 imgsz 是 640 还是 1024标签都不用重算。坏处是如果标注工具导出时没做归一化把绝对像素坐标写进去了训练直接跑飞loss 在第一个 epoch 就可能变 NaN。这类错误通常集中在某几张图只能用统计脚本抓出来。另外如果 images 目录里同时存在 .jpg 和 .pngglob 后缀过滤时要分两次匹配避免只统计了其中一种格式导致漏检。类别 ID 本身没有语义它对应 data.yaml 里 names 列表的下标。比如 names 写成[chair, table, sofa, bed, bookshelf, cabinet]标签里的 0 就是 chair。标题里的 skripsi-new 只是一个版本标记真实类别清单要以解压后的 classes.txt 或 data.yaml 为准不要凭文件名猜更不能拿网上随便找的数据集 yaml 直接套。2.3 统计脚本类别分布、空标签与异常坐标一次查完拿到标签先做统计这个习惯能让你在训练前就发现一半问题。我会把三类检查放在同一个脚本里跑from pathlib import Path from collections import Counter label_dir Path(furniture_dataset/labels) cls_counter Counter() empty_files 0 abnormal_lines 0 for txt in label_dir.glob(*.txt): lines txt.read_text(encodingutf-8).strip().splitlines() if not lines: empty_files 1 continue for line in lines: parts line.split() if len(parts) ! 5: abnormal_lines 1 print(f字段数不对: {txt.name}: {line}) continue cls_id int(parts[0]) coords [float(v) for v in parts[1:]] if not all(0.0 v 1.0 for v in coords): abnormal_lines 1 print(f坐标越界: {txt.name}: {line}) cls_counter[cls_id] 1 print(类别实例统计:, dict(sorted(cls_counter.items()))) print(空标签文件数:, empty_files) print(异常行数:, abnormal_lines)三个检查点字段数必须等于 5多一个少一个都说明这行标签格式不对坐标必须在 0 到 1 区间出现超界要么是没归一化要么是标注工具导出时出了问题类别统计能直接看出哪些类别多、哪些少。比如椅子出现 3000 个框而书架只有 200 个训练时小类别会被大类别压制后面得考虑过采样或补数据。参数说明encodingutf-8是必要的Windows 上用默认编码读含中文内容的 txt 可能直接抛 UnicodeDecodeError。空标签文件保留还是删除取决于你的策略——我建议保留让 ultralytics 的数据检查去兜底如果后续换用其他框架空标签会影响数据加载直接删掉更省事。2.4 图像与标签一一对应文件名校验避免训练时静默丢弃YOLO 训练读取数据时只找和图像同名的 txt。图像叫 img_0001.jpg标签就必须叫 img_0001.txt。手工标注时改了图像名却忘了改标签训练日志不会报错只会少算几个样本是典型的静默问题。from pathlib import Path img_dir Path(furniture_dataset/images) label_dir Path(furniture_dataset/labels) img_stems {p.stem for p in img_dir.glob(*.jpg)} label_stems {p.stem for p in label_dir.glob(*.txt)} missing_label img_stems - label_stems missing_img label_stems - img_stems print(有图无标签:, len(missing_label)) print(有标签无图:, len(missing_img)) if missing_label: print(示例:, sorted(missing_label)[:10])用集合减法一次定位两侧差异。结果如果是几十个大概率是标注漏了如果上千个大概率是 labels 目录路径写错指向了别的文件夹。这个脚本要放在切分之前跑切分后再发现文件已经被挪得七零八落恢复起来更折腾。把这一章做完相当于给数据集做了一次完整体检。图像、标签、类别字典三者一致之后所有训练行为才有可信的基础。省下的排査时间通常比直接开训踩坑后补救的两三个晚上多得多。3. 用YOLOv8训练室内家具数据集最小可复现的完整流程3.1 环境准备ultralytics安装与Python版本的最小配置训练这套 2416 张室内家具图像首选 YOLOv8它的默认超参数对中小型数据集比较友好不用像 YOLOv5 那样手动拧一堆增强参数。环境搭建建议先建独立 Python 环境避免污染系统环境python -m venv .venv source .venv/bin/activate pip install --upgrade pip pip install ultralytics python -c import ultralytics; print(ultralytics.__version__)Python 版本选 3.9 或 3.10 最稳太新的版本有时会撞上 torch 还没适配的情况。安装完成后打印版本号确认导入正常。有 NVIDIA 显卡的话先跑nvidia-smi看 CUDA 版本再装对应版本的 torchpip install ultralytics默认拉下来的可能是 CPU 版 torch训练速度差很多。没有 GPU 用 CPU 硬跑 2416 张图也能出结果但至少要留出几个小时。3.2 编写data.yaml类别ID、路径写法与验证集切分的约定data.yaml 是把数据描述给模型听的入口文件YOLOv8 的训练、验证、导出都依赖它。内容如下path: /home/user/furniture_dataset # 数据集根目录绝对路径最省心 train: images/train # 相对 path 的训练图像目录 val: images/val # 相对 path 的验证图像目录 test: images/test # 可选最终评估用 nc: 6 names: 0: chair 1: table 2: sofa 3: bed 4: bookshelf 5: cabinetpath用绝对路径最省心能从任意工作目录启动训练而不出错。Windows 用户注意路径里的反斜杠要改成正斜杠YAML 会把反斜杠当转义符处理。train和val是相对 path 的目录路径不是文件列表。nc必须和 names 长度一致而且标签里出现的类别 ID 必须在 0 到 nc-1 之间。一个常见问题是解压出来的 labels 里类别 ID 可能是 1 到 6而 names 从 0 开始写。如果出现这种漂移第一轮训练往往 mAP 全零。务必在启动训练前用第 2 章的统计脚本打印真实 ID 集合再去配置 data.yaml不要相信 README 里的描述。3.3 切分训练集与验证集按比例拆分脚本和执行顺序如果数据集是平铺结构切分这一步逃不掉。常见做法是按 8:2 拆成 train 和 val用固定随机种子保证可复现import random import shutil from pathlib import Path img_dir Path(furniture_dataset/images) label_dir Path(furniture_dataset/labels) random.seed(42) imgs sorted(img_dir.glob(*.jpg)) print(图像总数:, len(imgs)) random.shuffle(imgs) split_idx int(len(imgs) * 0.8) for split_name, subset in [(train, imgs[:split_idx]), (val, imgs[split_idx:])]: out_img img_dir / split_name out_lbl label_dir / split_name out_img.mkdir(parentsTrue, exist_okTrue) out_lbl.mkdir(parentsTrue, exist_okTrue) for img_path in subset: shutil.move(str(img_path), str(out_img / img_path.name)) label_path label_dir / (img_path.stem .txt) if label_path.exists(): shutil.move(str(label_path), str(out_lbl / label_path.name)) print(训练集:, split_idx, 验证集:, len(imgs) - split_idx)random.seed(42)是核心参数它固定随机序列重复运行得到完全相同的结果改成其他数值可以得到不同切分方便做多次对比实验。0.8是切分比例数据量不够时可以改成 0.85。执行顺序上先跑第 2.4 节的文件名校验再切分避免把「有图无标签」的文件挪进训练目录。切分完再查一次 train 和 val 有没有重名文件存在重复意味着验证集泄露指标会虚高。3.4 开始训练train命令、关键参数含义与断电续训切分完成、data.yaml 就绪后开始正式训练。最直接的命令是yolo detect train \ datafurniture_dataset/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ lr00.01 \ device0几个关键参数modelyolov8n.pt表示加载 COCO 预训练权重做迁移学习比随机初始化收敛快、精度高显存吃紧时换更小的 n 即可imgsz640是默认输入分辨率对室内常用家具足够batch按显存调24GB 显存跑 16 没问题8GB 就降到 4 或 2lr00.01是预训练权重下的安全初始学习率调大容易震荡。训练中途断电或中断不用重头跑。ultralytics 每轮都会保存last.pt续训命令如下yolo detect train resumeTrue modelruns/detect/train/weights/last.pt这是 YOLOv8 给训练者的后悔药。训练日志出现EarlyStopping提示时说明模型在验证集上连续多轮没有提升训练已提前停止best.pt已经生成不用继续等满 100 个 epoch。3.5 首次小规模冒烟训练用3个epoch快速验证数据流正式开跑前我强烈建议先做一次冒烟测试。用 3 个 epoch 跑通全流程时间几分钟yolo detect train \ datafurniture_dataset/data.yaml \ modelyolov8n.pt \ epochs3 \ imgsz256 \ batch4 \ device0epochs3和imgsz256把训练量压到最小。这次不是为了精度而是验证三件事图像路径能读到、标签能被模型正确加载、loss 在下降而不是 NaN。冒烟测试过了再跑完整训练没过问题多半在数据本身这时浪费算力去调超参没有意义。4. 避坑记录室内家具数据集训练的5个高频问题与排查步骤4.1 训练正常但mAP为0 → 类别ID漂移 → 对齐names训练 loss 照常下降每轮验证打印的 mAP 却是 0.000这种情况九成是类别 ID 对不上。原因很容易漏标注软件输出类别 ID 时可能从 1 开始计数而 data.yaml 的 names 索引从 0 开始或者标注时用了一套自己的类别排列和网上找的模板 yaml 不一致。模型按错误类别训练验证阶段 ground truth 与预测框永远对不上号mAP 统计自然全零。解决方式先打印数据集里真实出现过的类别 ID再对齐 data.yaml。from pathlib import Path label_dir Path(furniture_dataset/labels) cls_ids set() for txt in label_dir.glob(*.txt): for line in txt.read_text().splitlines(): if line.strip(): cls_ids.add(int(line.split()[0])) print(标注中出现的类别ID:, sorted(cls_ids))输出结果里如果出现 6 或 7 这种超出 nc 范围的 ID要么把 data.yaml 的 names 补上要么写脚本把所有 ID 全局平移二选一但必须全局统一。4.2 loss出现NaN → 坐标未归一化或越界 → 批量修复标签冒烟测试时第 1 个 epoch 就报loss: nan排查顺序先从标签文件开始。绝大多数原因只有一个标签坐标没有归一化。标注工具导出的坐标是像素绝对值比如 512、384直接写进 YOLO 格式模型算 IoU 时出现大数反向传播梯度爆炸数值溢出成 NaN。解决方法是批量检查并剔除越界行from pathlib import Path label_dir Path(furniture_dataset/labels) fix_count 0 for txt in label_dir.glob(*.txt): lines txt.read_text().strip().splitlines() new_lines [] for line in lines: parts line.split() if len(parts) ! 5: continue cls_id int(parts[0]) coords [float(v) for v in parts[1:]] if any(v 0 or v 1 for v in coords): fix_count 1 print(f损坏: {txt.name}: {line}) continue new_lines.append(line) txt.write_text(\n.join(new_lines)) print(修复/剔除行数:, fix_count)这段不是真正重算宽高而是把越界行直接剔除避免训练崩掉。如果损坏行不多比如全部 2416 张里只有十几行剔除影响很小如果损坏严重必须拿原图像宽高重新计算坐标而不是简单删行否则标签样本数骤降也会影响精度。4.3 验证集虚高 → 场景泄漏或重复帧 → 分组切分训练 mAP 0.85验证 mAP 0.92线下找几张真实场景图一测效果明显不如验证分数好看。这是验证集虚高的典型症状。原因室内家具数据大量来自视频抽帧或同一房间多角度连拍相邻帧内容高度重复。按文件名随机切分时同一屋同角度的图可能同时进了训练集和验证集模型相当于提前见过答案。解决方式分两层。第一层用图像哈希找出完全重复的帧import hashlib from pathlib import Path def sha1_of(path): h hashlib.sha1() with open(path, rb) as f: for chunk in iter(lambda: f.read(65536), b): h.update(chunk) return h.hexdigest() img_dir Path(furniture_dataset/images) hashes {} for img in img_dir.glob(*.jpg): d sha1_of(img) hashes.setdefault(d, []).append(img.name) dups {d: names for d, names in hashes.items() if len(names) 1} print(重复图像组数:, len(dups)) for names in list(dups.values())[:3]: print(names)第二层切分时以重复组为单位做分层采样把同一组重复帧完整落到同一侧。修改第 3.3 节脚本的思路是把图像按哈希值分组后以组为单位 shuffle 和切分而不是单张为单位。这样才能防止训练集和验证集出现内容重叠。4.4 小件家具漏检严重 → 尺寸与类别不平衡 → 提升分辨率并增强模型对椅子、桌子、沙发这类大目标表现不错台灯、花瓶、抱枕这类小面积目标漏检多。室内家具检测里这是很常见的偏差。原因有两方面。一是小目标在 640x640 输入下只占十几个像素特征在多层下采样后几乎丢失二是类别分布天然不平衡2416 张图里大件家具的标注框数量远多于小件模型学不够小件的代表性特征。解决方式按优先级先把imgsz提到 768 或 896输入分辨率变大小目标能保留更多像素再看类别统计对小类别做过采样或复制粘贴增强。YOLOv8 默认在训练后段自动关闭 mosaic如果小目标仍然不行可以把mosaic保持到接近最后一轮配合copy_paste0.1试试。训练尾部几轮我习惯把 mosaic 降回来因为 mosaic 生成的合成图中心区域分布偏离原图最后几轮会让收敛变差。4.5 Windows解压后文件名乱码 → UTF-8编码冲突 → Python提取并改名在 Windows 上解压这个 zip打开 images 目录发现文件名是乱码或问号训练时路径读取失败很多人在这一步直接翻车。原因zip 内部文件名以 UTF-8 编码Windows 自带解压工具按本地代码页 GBK 解码两套编码不兼容而数据打包者命名里包含了中文字符。解决方式不要用资源管理器解压改用 Python zipfile 提取并把中文路径改写成英文import zipfile import shutil from pathlib import Path src Path(yolo算法-室内家具数据集-2416张图像带标签skripsi-new-j1bmb.zip) dst Path(furniture_dataset_ascii) with zipfile.ZipFile(src, r) as zf: for name in zf.namelist(): safe_name name.replace(家具, furniture).replace(图像, images) target dst / safe_name target.parent.mkdir(parentsTrue, exist_okTrue) with zf.open(name) as src_f, open(target, wb) as out_f: shutil.copyfileobj(src_f, out_f)关键点是解压后立刻把中文目录名替换成英文让训练路径整体保持 ASCII。后续无论是 data.yaml 还是 Python 脚本都不再被编码问题卡住。5. 结果验证与阈值选定判断2416张图训练值不值5.1 看懂验证指标mAP50、mAP50-95与Precision/Recall的取舍训练结束后的第一件事是看验证指标。YOLOv8 默认打印这些数字指标含义参考经验值mAP50IoU 阈值为 0.5 时的平均精度0.70 以上基本可用mAP50-95IoU 从 0.5 到 0.95 取均值更严格0.40 以上说明框位较准Precision检出的框中真正目标的占比越高误检越少Recall真实框中被检出的占比越高漏检越少mAP50 是很多论文喜欢放的指标因为 IoU0.5 的阈值宽松或许边框歪点也能判正确。实际部署我更看 mAP50-95它要求框的位置和大小尽量贴近标注框才能拿到高分。单看 mAP50 很容易高估模型可用性。2416 张图、大约 6 个类别正常训练到收敛mAP50 能到 0.75 到 0.85。如果只有 0.5 左右多半是标签质量问题或某个大类别没学好先别急着调超参。针对室内家具这类刚性物体mAP50-95 过了 0.4 就可以进入部署验证环节追求 0.5 以上需要更高的标注精度和更大数据量。5.2 用混淆矩阵定位错检椅子、桌子和沙发的边界混淆指标只告诉你「有多差」不告诉你「差在哪」。这时候要看混淆矩阵和样本级可视化。YOLOv8 训练完会在 runs/detect/train 目录下生成 confusion_matrix.png 和 results.csv。手写验证代码的好处是能自定义阈值from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) metrics model.val( datafurniture_dataset/data.yaml, conf0.001, iou0.6, plotsTrue, ) print(mAP50:, metrics.box.map50) print(mAP50-95:, metrics.box.map) print(Precision:, metrics.box.mp) print(Recall:, metrics.box.mr)conf0.001是关键参数。默认验证时置信度阈值取 0.25低置信度预测框会被过滤画出来的 PR 曲线不完整降到 0.001 才能看到模型真实的查全能力。plotsTrue输出混淆矩阵和 PR 曲线图方便定位哪些类别互相混淆。室内家具数据集的典型混乱椅子四条腿和沙发的侧视图在远处看很像床头柜顶面和小方桌台面在俯视角度下也容易混。混淆矩阵里如果 chair 和 sofa 互相贡献大量误检可以考虑补充这两个类别的正面、侧面样本而不是盲目调整 NMS 参数。5.3 三个影响上限的输入参数imgsz、batch与mosaic的联动验证分数卡在瓶颈时先检查三个参数不建议直接上各种复杂 trick。参数影响机制推荐观察区间imgsz决定小目标保留的像素量640 到 896按显存上探batch影响收敛稳定性和BN统计量4 到 32越大越稳但吃显存mosaic合成图增强样本多样性但引入分布偏移默认 1.0尾段可调 0.0imgsz是直接上限因素。同一个模型输入从 640 变 896小目标类别的 mAP50 可能提升 3 到 5 个点代价是显存和训练时间同步上涨。batch 调大能平滑梯度但对小数据集来说超过 32 后边际收益明显递减。mosaic 是双刃剑它把四张图拼在一起提高了小目标出现频率却让目标尺寸分布偏离真实场景。最后十几个 epoch 把 mosaic 关掉模型在真实分布上收敛通常能换回一点验证精度。调整顺序建议固定 batch逐步放大 imgsz 观察验证 mAP 是否继续增长确定最优 imgsz 后再试尾段关 mosaic。每改一个参数跑一次验证不要同时动多个否则哪个起作用了根本分辨不出来。5.4 用独立测试集收尾避免调参收敛到验证集前面几轮反复调整参数后验证集已经深度参与决策验证分数多少有些「被调过」的成分。严谨的做法是留一批完全没参与训练和验证的图像做最终测试。切分比例可以按 75% 训练、15% 验证、10% 测试。测试集只在最终评估时碰一次之后不再用它反推改参数。具体操作是在 data.yaml 的 test 字段指向 images/test用yolo detect val或model.val()在测试数据上做一次推理统计。还有一个容易被忽略的细节不要盯着单次验证结果调参。2416 张图不算大训练本身有随机性单次 mAP 可能受初始化影响波动两个点。固定一组参数后换随机种子跑三遍取均值才值得作为决策依据。三遍实验的时间成本比基于噪声结果瞎调一周末低得多。6. 实战进阶导出ONNX部署家具检测以及把新类别加进数据集的正确顺序6.1 best.pt转ONNX并在桌面场景做推理验证训练完成后的第一步通常是部署。ONNX 格式的好处是跨框架、跨设备OpenCV DNN 模块或 ONNX Runtime 都能直接加载后续想换 TensorRT也习惯先过一道 ONNX。yolo export modelruns/detect/train/weights/best.pt formatonnx imgsz640导出后在同目录生成 best.onnx。接着用一张训练时没见过的室内图片验证别让导出变成一个黑匣子from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.onnx) results model.predict(test_living_room.jpg, conf0.25, saveTrue, save_txtTrue)conf0.25是部署时实际使用的置信度阈值低于该值的框不输出减少 NMS 后残留的重复框saveTrue会把预测框画在图上让你肉眼核对。ONNX 推理结果与 PyTorch 结果差零点几个点是正常的只要 mAP 不掉超过 1 个点就无需担心。6.2 在2416张基础上扩类别追加ID、半自动标注与迁移训练如果要把这套室内家具数据集扩展出自己的品类比如增加茶几、电视柜正确顺序是先追加类别 ID而不是重排现有 ID。具体做法在 data.yaml 的 names 末尾追加新类别原 0 到 5 的编号保持不动。新标注的图像类别从 6 开始继续编号。这样可以用 best.pt 作为初始权重继续训练原有 6 个类别的特征全部保留一旦重排 ID输出头全部作废等于从头开始之前学到的家具特征白费。新类别样本量至少准备 200 到 300 个标注框太少容易被原有类别淹没。标注工具直接选用输出 YOLO 格式的减少格式转换的中间环节。标注完成后跑一遍统计脚本确认新 ID 分布正常再把新数据并入 train 目录用modelyolov8n.pt加epochs50做微调即可。这几年重复最多的一个习惯是任何数据集到手先统计标签分布再训练每次改输入分辨率先冒烟测试再跑长训练。看起来多两步实际省掉的是大量半夜盯日志的精力。希望这套流程能帮到你。本文还有配套的精品资源点击获取