捕鱼识别数据集实战：从1813张图片到YOLOv8部署全流程

简介面向YOLO系列算法研究与应用的捕鱼识别目标检测数据集专为需要训练钓鱼场景检测模型的开发者与学习者设计包含1813张已标注图像压缩包内共2000个文件以1584个XML标签文件和416个TXT标签文件为主包体约96.7MB。TXT标签采用YOLO格式记录类别索引与归一化中心点坐标、宽高XML标签为VOC格式两种标签分别存放于独立文件夹可灵活适配YOLOv5、YOLOv7、YOLOv8、YOLOv9、YOLOv10、YOLO11等主流目标检测框架。数据集已完成训练集/验证集划分直接下载后即可开始模型训练、验证与测试无需自行标注或整理数据能节省大量前期准备时间适合用于水产监控、钓鱼行为识别、渔获统计等场景的算法验证与落地探索。目前已有75人学习对想要快速上手YOLO目标检测实战的初学者以及需要公开数据评估模型性能的研究者都很有参考价值。1. 捕鱼识别数据集1813 张带标签图像到底能训出什么模型拿到这个 zip 时我第一反应不是急着解压而是先想明白一个问题捕鱼识别到底要检测什么。是检测水面上的鱼还是渔船、渔网、钓鱼者还是更具体的渔获物行为1813 张图像带标签听起来规模不大但对 YOLO 这类目标检测模型来说已经足够走完从数据清洗、模型训练到部署验证的完整闭环关键是别把它当成一个解压就能训的黑匣子。这个数据集的定位不是通用目标检测那种 80 类大而全而是把场景收敛在捕鱼相关的对象上。对做渔业监控、港区管理、休闲钓鱼行为统计的人来说最缺的就是这种带标签的细分数据。省去自己用 labelimg 连打一周标签的麻烦。但我得提醒一句带标签不代表零成本YOLO 格式的标签文件、类别 ID 映射、坏图空标签、训练集验证集划分这些坑一个都不会少。适合谁用一句话想跑通 YOLOv8 训练自己数据集、但还没有买数据的开发者。1813 张图对显卡要求不高8G 显存完全能跑对想练手数据清洗流程的人这也是个合适的小样本。下面按我实际做项目的顺序从解压到部署一步步拆开讲。2. 先拆数据包1813 张图像从 zip 到可训练目录的完整动作解压这一步大家都觉得没技术含量但我在这个环节翻过两次车。一次是 zip 文件在 Windows 下压缩得有问题Linux 下直接解压报错另一次是解压完目录嵌套太深训练脚本读不到标签文件。所以拿到压缩包后我从来不双击解压而是先用命令行把目录结构、标签格式、数据完整性一次看清楚。2.1 解压与目录结构检查先别急着打开 labelimg在 Linux 服务器上训练最常用的是 unzip 命令。带中文名的压缩包最好先查看一下内容再决定解压策略unzip -l yolo算法-捕鱼识别数据集-1813张图像带标签-钓鱼.zip | head -20unzip -l列出压缩包内所有文件不实际解压。先看文件路径有没有嵌套过深、有没有丢失的目录。确认没问题后正式解压mkdir -p fishing_dataset unzip yolo算法-捕鱼识别数据集-1813张图像带标签-钓鱼.zip -d fishing_dataset cd fishing_dataset find . -maxdepth 2 -type d参数说明-d指定解压目标目录避免文件直接撒到当前目录。find . -maxdepth 2只看两级目录够判断有没有 images 和 labels 两个目录。如果目录嵌套超过三层后续写 YOLO 配置时路径会非常痛苦。解压时如果提示输入密码但标题和下载说明里都没提密码这就遇到热词里常说的 zip 伪加密。伪加密不是真的加密只是把加密标志位置了 1数据本身没变。用 7z 检查一下7z l -slt yolo算法-捕鱼识别数据集-1813张图像带标签-钓鱼.zip | grep -E Encrypted|Method | head -10如果输出显示 Encrypted 但 Method 是 zipcrypto 且无实际密钥直接7z x强解即可。这个坑在网上下载的数据集里非常多见别傻乎乎去找密码。2.2 标签格式核对txt 坐标与类别 ID 怎么读解压完第一件事是确认标签到底是什么格式。说是 YOLO 数据集实际给的是 VOC XML 的情况不少见。抽一个标签文件看前几行find . -name *.txt | head -1 | xargs head -5看到类似0 0.5234 0.3121 0.1452 0.0873这样每行五个数字说明是标准 YOLO 格式。五个数字的含义是类别ID 目标中心点x 目标中心点y 目标宽度 目标高度其中坐标全部做了归一化取值在 0 到 1 之间。如果看到的是0 158 240 320 480这种整数坐标那就有问题。整数坐标是像素值不是归一化坐标直接拿去训练会 loss 变 nan。常见来源是 labelimg 打标后没有导出成 YOLO 格式而是保存成了 Pascal VOC 的坐标形式。这种情况下得写脚本把像素坐标除以图像宽高转成归一化数值。标签内容还要确认类别 ID 是否从 0 开始。YOLO 系列严格约定类别 ID 从 0 开始如果数据集里是从 1 开始训练时模型会静默认为类别只有 0 和 1最终 mAP 几乎为 0。这个坑我在第 5 章会单独展开。2.3 用脚本做一次数据体检图像与标签数量、尺寸、类别分布把目录结构和标签格式确认完接下来做一次程序化体检。这里我一般写一个小 Python 脚本统计文件数量匹配、空标签、类别分布和坐标越界情况。1813 张图规模不大脚本秒级跑完import os from collections import Counter root fishing_dataset img_dir os.path.join(root, images) label_dir os.path.join(root, labels) imgs {f.rsplit(., 1)[0] for f in os.listdir(img_dir) if f.lower().endswith((.jpg, .jpeg, .png))} labels {f.rsplit(., 1)[0] for f in os.listdir(label_dir) if f.endswith(.txt)} print(图像数量:, len(imgs)) print(标签数量:, len(labels)) print(缺标签的图像:, len(imgs - labels)) print(缺图像的标签:, len(labels - imgs)) cls_counter Counter() empty_label 0 out_of_range 0 for name in imgs labels: path os.path.join(label_dir, name .txt) with open(path, encodingutf-8) as fp: lines [line.strip() for line in fp if line.strip()] if not lines: empty_label 1 continue for line in lines: parts line.split() if len(parts) ! 5: print(格式异常:, path, line) continue cls_counter[parts[0]] 1 coords [float(x) for x in parts[1:]] if any(c 0 or c 1 for c in coords): out_of_range 1 print(类别分布:, dict(cls_counter)) print(空标签文件:, empty_label) print(坐标越界目标:, out_of_range)逻辑说明先用集合差找出文件名不匹配的样本这是训练时报 No labels found 最常见的根源。再扫描每个标签文件统计类别 ID 出现次数同时检查坐标是否全部落在 [0,1] 区间。任何越界都说明标签不是归一化格式必须回头处理。这个体检脚本我建议保留下来每次拿到新的公开数据集都跑一遍。它不解决所有问题但能把 80% 的格式类拦路虎提前揪出来。3. 数据清洗与格式统一把捕鱼数据集喂进 YOLO 之前的四件事很多人拿到带标签的数据集就直接开训结果模型学出来的东西完全不对。带标签只说明有人标注过不保证标签和你的任务目标一致。我一般会在训练前做四件清洗工作类别映射、坏图空标签剔除、数据划分、增强策略确认。这几步做完训练才不容易翻车。3.1 类别映射与标签重写别让类别 ID 和实训目标错位原始数据集的类别定义不一定符合你的应用。比如这个捕鱼识别数据集如果类别 0 是鱼类别 1 是船而你的任务要先识别钓鱼者那就得把类别重新映射。先统计原数据里有哪些类别 IDcat fishing_dataset/labels/*.txt | awk {print $1} | sort -n | uniq -c输出结果是每个类别 ID 出现的次数。假设结果如下1200 0 800 1 300 2这时候需要打开对应图像确认 0、1、2 各是什么目标。如果确认类别 2 才是你的核心目标而类别 0 和 1 对任务没有意义可以写脚本做映射并过滤import os mapping {0: 0, 2: 1} # 原类别ID: 新类别ID按实际统计结果调整 label_dir fishing_dataset/labels for f in os.listdir(label_dir): if not f.endswith(.txt): continue path os.path.join(label_dir, f) with open(path, encodingutf-8) as fp: lines fp.readlines() new_lines [] for line in lines: parts line.strip().split() if len(parts) ! 5: continue old_id int(parts[0]) if old_id not in mapping: continue # 丢弃无关类别 new_lines.append(f{mapping[old_id]} {parts[1]} {parts[2]} {parts[3]} {parts[4]}\n) with open(path, w, encodingutf-8) as fp: fp.writelines(new_lines)逻辑说明映射表里不存在的类别直接丢弃比保留原 ID 更安全。如果丢掉的类别占据大量标签会导致训练数据变少这时候要考虑是否收集更多对应类别的数据。类别映射没有捷径必须人工抽查确认原类别定义否则模型训练得再久也是错的。3.2 剔除坏图与空标签训练翻车的第一来源体检脚本发现的空标签文件和坏图必须清理。YOLO 训练时遇到空标签不会立刻报错但会输出一行 warning然后这一张图就被跳过了。问题在于验证集计算 mAP 时空标签会被算成背景导致指标偏低。坏图更麻烦PIL 加载到一半报错训练进程直接中断前面十几个小时白跑。import os from PIL import Image root fishing_dataset img_dir os.path.join(root, images) label_dir os.path.join(root, labels) for f in os.listdir(img_dir): if not f.lower().endswith((.jpg, .jpeg, .png)): continue img_path os.path.join(img_dir, f) try: with Image.open(img_path) as im: im.verify() except Exception as e: print(坏图:, f, e) os.remove(img_path) label_file os.path.join(label_dir, f.rsplit(., 1)[0] .txt) if os.path.exists(label_file): os.remove(label_file) continue base f.rsplit(., 1)[0] label_file os.path.join(label_dir, base .txt) if not os.path.exists(label_file) or os.path.getsize(label_file) 0: print(空标签图像:, f) os.remove(img_path)这个脚本对 1813 张图是毫秒级。im.verify()只检查文件完整性不会解码像素速度很快。删除操作前最好先打印数量确认不是批量误判。如果数据集里面本来就有大量空标签图像说明原始标注不完整删除后训练样本会不足这时候优先考虑补标而不是硬着头皮训练。3.3 按 8:1:1 划分 train/val/test随机划分不等于有效划分数据划分看起来简单其实是数据集能否有效验证模型的关键。很多人直接random.shuffle后按比例切这在捕鱼场景里往往是错的。原因是渔港监控、钓鱼摄像头这类数据经常来自连续视频抽帧同一段视频里相邻帧的画面高度相似。如果随机划分相似帧会同时出现在训练集和验证集验证分数虚高等部署到真实场景立刻现原形。正确做法是按场景或视频片段分组。先看文件名有没有共同前缀比如fishing_01_0001.jpg、fishing_01_0002.jpg前缀就是分组 IDimport os import random from collections import defaultdict random.seed(42) root fishing_dataset img_dir os.path.join(root, images) imgs [f for f in os.listdir(img_dir) if f.lower().endswith((.jpg, .jpeg, .png))] def group_key(fname): # 按文件名第一个下划线前缀分组无前缀则按完整文件名分组 return fname.split(_)[0] groups defaultdict(list) for f in imgs: groups[group_key(f)].append(f) group_names list(groups.keys()) random.shuffle(group_names) n len(group_names) train_groups group_names[: int(n * 0.8)] val_groups group_names[int(n * 0.8) : int(n * 0.9)] test_groups group_names[int(n * 0.9) :] for split, chosen in [(train, train_groups), (val, val_groups), (test, test_groups)]: split_img_dir os.path.join(root, split, images) split_label_dir os.path.join(root, split, labels) os.makedirs(split_img_dir, exist_okTrue) os.makedirs(split_label_dir, exist_okTrue) for g in chosen: for f in groups[g]: base f.rsplit(., 1)[0] os.replace(os.path.join(img_dir, f), os.path.join(split_img_dir, f)) label_file base .txt os.replace(os.path.join(root, labels, label_file), os.path.join(split_label_dir, label_file))这里用os.replace直接移动文件原目录清空后就是标准的 YOLO 目录结构。注意三份数据里test 集是训练过程中从未出现的只有最终验证才允许碰它。如果没有视频前缀信息那就按完整文件名分组相当于独立样本随机划分效果也可以接受。3.4 数据增强的边界渔业场景不要乱用水平翻转YOLOv8 自带 Mosaic、HSV 调整、随机平移等数据增强。对小数据集增强是免费的训练样本但捕鱼场景有特殊性。目标如果是鱼群、渔网这类对称对象水平翻转没问题但如果是带方向属性的对象比如鱼竿的朝向、船头方向的渔网水平翻转会把学习方向搞反。模型可能学到鱼竿在右的虚假规律真实场景一换方向就误检。我的建议是先保守设参数hsv_h: 0.015 hsv_s: 0.7 hsv_v: 0.4 degrees: 5 translate: 0.1 flipud: 0.0 fliplr: 0.5flipud上下翻转默认关掉水面倒影会让模型失去判断依据。degrees5的小角度旋转足够覆盖手持设备抖动再大容易产生大量无效背景框。如果确实不确定方向性影响就做一次消融实验开翻转跑一版关翻转跑一版对比验证集 mAP。1813 张图训练一版不到一小时这个验证成本值得花。4. 用 YOLOv8 训练捕鱼识别模型训练配置与两个关键参数数据目录整理好就到了训练环节。我选 YOLOv8 不是因为它一定比 YOLOv5 强而是 ultralytics 的接口统一训练、验证、导出一条命令完成对数据集较小、需要快速迭代的场景更友好。训练前的环境配置和超参选择直接影响整个项目周期。4.1 环境准备与项目结构一条命令装好 ultralytics推荐用 Anaconda 建独立环境避免和系统 Python 打架。YOLOv8 对 Python 版本不苛刻3.10 是比较稳的选择conda create -n yolo python3.10 -y conda activate yolo pip install ultralytics yolo version如果机器有 NVIDIA 显卡先按 CUDA 版本装对应 PyTorch再装 ultralytics这样训练走 GPU。如果先装了 ultralytics它可能默认带 CPU 版 PyTorch训练速度慢 20 倍。装完跑yolo version确认可用后我习惯建立这样的项目结构fishing_yolo/ ├── data/ # 放数据集或数据集软链接 ├── runs/ # 训练输出 ├── scripts/ # 清洗、训练、验证脚本 └── fishing_data.yaml4.2 data.yaml 怎么写路径、类别名、数量缺一不可YOLOv8 不读目录名只认 data.yaml。这是我见过报错最多的地方。path写相对路径时训练命令的工作目录变了就会找不到数据。我直接写绝对路径# fishing_data.yaml path: /home/user/fishing_dataset train: train/images val: val/images test: test/images nc: 3 names: 0: fish 1: fishing_vessel 2: fishing_person参数说明path指向数据集根目录train、val和test是相对于path的子目录路径。nc是类别数量必须和names里的条目数一致。names的 ID 顺序要和标签文件里的类别 ID 对应。如果前面清洗时做过类别映射这里一定要核对映射后的 ID。类别名用英文方便在日志和曲线里区分中文名容易在绘图时乱码。4.3 训练命令与参数解释epochs、imgsz、batch 怎么定训练命令的核心参数其实是 epochs、imgsz、batch 三者之间的平衡。1813 张图不算多初始预训练权重能大幅加快收敛。我用这个命令起训cd fishing_yolo yolo train \ modelyolov8s.pt \ datafishing_data.yaml \ epochs150 \ imgsz640 \ batch16 \ patience50 \ project./runs \ namefishing_v1 \ seed42 \ hsv_h0.015 hsv_s0.7 hsv_v0.4 degrees5参数说明modelyolov8s.pt是 COCO 预训练权重用它做初始权重而不是从零训练是小数据集收敛的关键。如果数据集里包含渔船、渔网这类在 COCO 里没有的类别yolov8s.pt也能提供通用的特征提取能力迁移学习依然有效。epochs150给足了收敛空间patience50负责早停连续 50 个 epoch 验证集不提升就自动停止。batch16在 8G 显存下可以跑如果显存报错就降到 8。imgsz640是默认分辨率当图中目标比较小比如远处的小船可以提高到 960但训练时间会增加两倍。训练过程中可以打开runs/fishing_v1/results.csv实时看指标。YOLO 的损失函数包含三部分边界框损失、分类损失和 DFL 损失。小数据集上分类损失下降最快如果它一直不降优先怀疑类别映射错误DFL 不降说明标签框边缘打得不准需要抽检标签。4.4 训练过程看着几个曲线loss、mAP50、mAP50-95 怎么判断收敛训练结束后的曲线图在runs/fishing_v1/目录下。我比较关注三个指标train loss、val loss 和 mAP50-95。val loss 下降说明模型在未见过的数据上变好。如果 val loss 在某个 epoch 拐头上升而 train loss 继续下降这就过拟合了。小数据集过拟合很常见解决办法是增加数据增强强度、减小模型复杂度或提前早停。捕鱼识别这类目标比较集中、背景相对固定的任务mAP50 达到 0.8 以上说明数据质量不错mAP50-95 相对更难提升0.5 左右已经具备实用价值。如果跑完 mAP50 不到 0.5我一般不会继续调模型而是回头检查数据空标签删没删完、类别映射对不对、验证集是否和训练集存在大量相似帧。模型调参只能解决有限的问题数据问题才是根本。5. 捕鱼识别落地避坑从数据集到推理的 5 个真实踩坑记录数据清洗和训练流程再熟练也挡不住数据集本身埋的雷。这一章整理我在类似捕鱼识别项目里真实遇到的 5 个问题按现象、原因、解决三个维度写清楚。每一条都是花过时间代价换来的经验。5.1 现象训练时提示 No labels found训练刚开始几秒就输出No labels found in ...然后直接退出。第一反应是路径写错检查 data.yaml 里的 train、val 路径看起来没问题但问题往往出在标签文件名和图像文件名不匹配。原因数据集在压缩包里可能对图像做了重命名但标签文件没同步改名。比如图像是IMG_0234.jpg标签却是fishing_0234.txt文件名不匹配YOLO 自然找不到。解决写脚本按图像的 basename 批量检查对应标签是否存在import os img_dir fishing_dataset/images label_dir fishing_dataset/labels imgs os.listdir(img_dir) labels set(os.listdir(label_dir)) for f in imgs: base f.rsplit(., 1)[0] if base .txt not in labels: print(f缺标签: {f})把不匹配的文件找出来后要么改标签名要么重新生成标签。小数据集尽量用脚本处理不要手动改 1813 次。5.2 现象loss 正常下降但 mAP 一直为 0训练日志显示 loss 从 2 降到 0.5说明模型在收敛但 eval 阶段 mAP 全是 0。这是最迷惑人的现象之一。模型已经学会拟合训练数据却完全没能泛化如果不是验证集没喂对就是标签本身错了。原因这个案例里标签类别 ID 从 1 开始而 YOLO 默认类别 ID 从 0 开始。模型只认识类别 0 和 1把原本的类别 1 当成了第二类类别 2 直接超出范围被忽略。于是验证阶段真实目标和模型预测完全对不上mAP 自然为 0。解决回到第 3 章的类别映射步骤把标签里的 ID 全部减 1确保最小 ID 是 0。改完重新体检一遍确认类别分布里没有负数和跳号再训练。5.3 现象白天识别效果好夜间和雨天完全翻车模型在验证集上 mAP50 接近 0.85但晚上部署测试时检测不到鱼漂或者把水面的灯光反射误判成鱼。问题出在数据集本身的光照分布严重偏斜。原因1813 张图像可能大部分是白天光线充足时采集的夜间、黄昏、雨天的样本很少甚至没有。网络学到的是标亮目标的统计特征而不是鱼或漂的语义特征。数据增强里的 HSV 调整只能改变颜色亮度和对比度模拟不出真正的夜间 IR 成像或雨雾模糊。解决收集真实夜间样本是正路但短期能做的有限。可以用图像处理模拟夜间效果调低亮度、增加噪声、做局部暗化。这种模拟增强能缓解一部分问题但要意识到它不能替代真实场景。部署前必须单独留一批夜间照片做测试不能只看白天验证集指标。5.4 现象识别到了船但区分不了捕鱼这个行为做捕鱼识别时我最初把任务定义成检测船结果模型确实能框住所有船但没法回答目标船是否在捕鱼。这是因为数据集标签里的类别对象是船本身而不是捕鱼行为。捕鱼行为需要依赖上下文是否撒网、是否有渔获、是否在特定水域停留。原因行为理解不是单帧目标检测能直接给出的答案。1813 张图标签里如果有渔船、渔网、鱼、钓鱼者这些独立对象模型只能识别对象不能识别动作。要判断捕鱼需要对象组合和时序信息。比如检测到渔网和渔船同时在同一个锚框附近才高置信度判定为捕鱼。解决把任务从捕鱼行为检测拆成渔船、渔网、渔获物分别检测再用规则或后处理判断行为。这样每个子任务都是目标检测能解决的而且现有标签可以复用。如果数据集里只有鱼这一类标签那它更适合做鱼群计数不适合做行为识别。拿到数据先确认类别定义避免整个训练方向跑偏。5.5 现象zip 解压时 CRC 报错或提示文件损坏网络下载的数据集经常出现解压到一半报 CRC 错误或者提示某个文件损坏。我遇到过最典型的是在 Windows 下用右键压缩的 zip拉到 Linux 服务器上解压时提示伪加密压缩包里的文件列表能读取但解压出来的文件少了几百个。原因一是下载过程不完整文件字节数不对二是 Windows 压缩工具生成了 zip 带有非标准扩展属性Linux 的 unzip 处理不了某些标志位。这种现象和zip 伪加密类似实际数据没坏只是解析器不兼容。解决先验证压缩包完整性。用zipinfo看内部文件数量正常应该是 1813 张图像加 1813 个标签文件总共 3626 个文件。如果数量对不上重新下载。如果确认数量对但仍解压失败改用 7z 解压7z x yolo算法-捕鱼识别数据集-1813张图像带标签-钓鱼.zip -ofishing_dataset7z 对 zip 伪加密和扩展属性的兼容性比 unzip 好。解压完成后用第 2.3 节的体检脚本再跑一遍确认文件数量没问题再进入训练流程。6. 从数据集到可部署模型验证一批新图并导出 ONNX 的完整路径训练出 best.pt 只是第一步离部署到摄像头监控还差两件事一是用真正没见过的图验证模型二是导出成 ONNX 格式让推理后端运行。这个环节也是我吃过大亏的地方。6.1 用 val 脚本读混淆矩阵与 PR 曲线阈值怎么选先跑一次验证把模型在 test 集上的表现量化yolo val \ modelruns/fishing_v1/weights/best.pt \ datafishing_data.yaml \ splittest输出目录里有两个关键文件confusion_matrix.png和PR_curve.png。混淆矩阵能看出哪个类别容易被误判比如渔船和钓鱼者在远距离时经常互相误检。PR 曲线配合F1_curve.png选择置信度阈值。默认 0.25 置信度是 COCO 训练习惯捕鱼场景如果误检代价高可以提高到 0.4 甚至 0.5牺牲一点召回率换取更少错误告警。6.2 导出 ONNX 并对比精度部署前必须做的一步YOLOv8 导出 ONNX 一行命令yolo export modelruns/fishing_v1/weights/best.pt formatonnx imgsz640导出后用相同验证集对比 ONNX 和 PyTorch 的精度yolo val modelruns/fishing_v1/weights/best.onnx datafishing_data.yaml splittest如果 ONNX 的 mAP50 比原始模型低 0.5% 以上说明导出时某些算子映射有问题常见原因是自定义算子或动态尺寸。此时把imgsz固定成训练时的尺寸关闭动态 batch重新导出。对比验证的目的是确保部署格式没有引入额外损耗我见过有人跳过这一步结果 ONNX 在边缘设备上精度掉了 10 个百分点查了大半天才发现是导出时分辨率不一致。6.3 自己补一批钓鱼新图做二次验证小样本也能发现大问题最后一件事也是最容易被忽略的出测试集之外自己凑一批新图做二次验证。可以是手机拍的渔港照片、网上找的钓鱼视频截帧甚至监控摄像头抽几帧。数量不需要多20 到 50 张就够。把这些图放到一个单独目录跑一遍推理yolo predict modelruns/fishing_v1/weights/best.pt source./extra_test save_txtTrue save_confTrue然后一张张看结果重点看有没有把浪花、浮木、水鸟误检成鱼或渔船。这类误检在验证集里看不出来因为验证集和数据收集来源一致背景分布也一致。我自己踩过的坑就是拿训练集同源的验证集反复调参指标刷到 0.9换到另一个湖的真实监控画面误报率惨不忍睹。从那以后任何数据集我都默认留出一部分从未参与训练的照片当作模拟部署测试。这步做完整个流程才算真正闭环数据清洗、模型训练、格式导出、独立验证。小数据集最需要的是敬畏心模型能拟合 1813 张图不难难的是知道它在真实世界哪里会失效。希望这篇笔记里的流程和坑能帮你少走一段弯路。本文还有配套的精品资源点击获取