十三、 模型训练与自动标注

本模块集成了深度学习模型的端到端处理能力，支持从数据一键训练到利用现有模型进行智能化自动标注。

---

1. 核心特性

• 多架构适配：全面支持标准 水平目标检测 与 OBB 旋转框检测。
• 全系列支持：训练算法深度适配 YOLO26 系列（n, s, m, l, x）。
• 零配置导入：直接解析原始数据集目录，无需额外打包。

---

2. 模型训练操作步骤

第一步：路径配置

1. 数据集目录：点击 [...] 按钮，指向包含图片与对应 JSON 标签的文件夹。
2. 模型仓库目录：选择训练结果（权重、日志、图表）的存放路径。

第二步：参数调整

• 在 基础参数 面板设置轮数与批次。
• [重要提示]：图像尺寸 (W x H) 默认推荐使用 640 * 640。若需调整，数值必须是 32 的倍数。
• 在 高级参数 面板根据硬件情况微调。

第三步：启动与监控

• 点击 [开始训练]，通过内置控制台查看实时日志与进度条。

Box Loss

Loss值越低越好，一般情况下会降低到0.5左右。

---

---

3. 基础训练参数 (Basic)

参数名称	对应代码	功能说明
训练轮数	Epochs	决定模型学习数据的完整次数。数值越大训练越久。
批次大小	Batch	每次喂给模型的图片数。显存小请调低。-1 为自动。
工作线程	Workers	数据加载进程数。Windows 建议设为 0 ~ 4 以防报错。
图像尺寸	W x H	默认 640 * 640。输入图片缩放大小，必须是 32 的倍数。
标注阈值	Conf	自动标注的置信度门槛，低于此值的框将被过滤。

---

4. 高级进阶参数 (Advanced)

配置建议

若您对以下深度学习参数不熟悉，请保持默认设置即可。系统已针对工业场景内置了最优缺省值。

参数名称	对应代码	功能说明
设备选择	Device	Auto 自动检测，0 为第一张 GPU，cpu 为强制使用 CPU。
断点续训	Resume	勾选后自动寻找上次中断的 last.pt 继续训练。
高速缓存	Cache	将数据缓存到内存或硬盘以加速训练。内存小时建议关闭。
马赛克增强	Mosaic	开启多图拼接增强概率 (0.0 ~ 1.0)。提升小目标感知。
关闭Mosaic轮数	Close Mosaic	在最后 N 轮关闭 Mosaic 增强，防止模型后期震荡。
初始学习率	lr0	初始学习率，一般默认 0.01，控制参数更新步长。
混合精度	AMP	推荐开启。节省显存并提速，且基本不影响精度。
验证频率	Period	每隔多少轮保存一次权重或验证一次。-1 为自动。
早停耐心	Patience	验证指标连续 N 轮无改善则停止训练。0 表示禁用。
优化器	Optimizer	auto 会自动选择；也可手动指定 SGD、AdamW 等。
Dropout	Dropout	正则化比率 (0.0 ~ 1.0)，用于防止模型过拟合。
权重衰减	Weight Decay	L2 正则化项系数，防止模型权重过大导致泛化差。
Mixup 增强	Mixup	混合两张图片及标签的概率 (0.0 ~ 1.0)。增加样本多样性。
Copy-Paste	Copy-Paste	将目标随机复制粘贴到其他图像，提升模型召回率。
冻结层数	Freeze	冻结模型前 N 层权重不更新。适合预训练模型微调。
可视化工具	TB	开启后使用 TensorBoard 记录详细日志（Loss、指标）。

TensorBoard

勾选relaod data后，TensorBoard即可自动刷新数据，默认为30秒一次。

---

5. 自动标注流程 (Auto Labeling)

1. 加载模型：选择已生成的最佳权重文件（best.pt）。
2. 设定阈值：调节 Conf，建议根据场景设定在 0.3 ~ 0.5 之间。
3. 执行标注：系统自动扫描图片目录并生成对应的 JSON 标签。
4. 校核确认：配合“图像标注”模块进行快速人工审核。

---

6. 最终结果

最终结果

模型训练完毕之后，会有以上最终评估图可供参考。

---

环境注意事项

1. 训练期间请勿关闭软件控制台，否则进程会强制中断。
2. 若使用 OBB 旋转框 模式，请确保数据集 JSON 格式定义正确（Length1/Length2 为半宽半高）。