YOLO 模型训练：自定义数据集完整流程

Thu, 14 May 2026 00:00:00 +0000

自定义数据集完整训练流程

Ultralytics 统一训练代码

python


 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42


from ultralytics import YOLO

# 加载模型
# model = YOLO("yolov8n.yaml") # 从头训练
# model = YOLO("yolo11n.pt") # 基于预训练权重
model = YOLO("yolo26n.pt") # 2026推荐，边缘部署首选

# 开始训练
results = model.train(
 # 基础配置
 data="data.yaml", # 数据集配置
 epochs=100, # 训练轮数
 imgsz=640, # 输入尺寸
 batch=16, # 批次大小
 workers=8, # 数据加载线程数
 
 # 优化器配置
 optimizer="auto", # YOLO26自动使用MuSGD
 lr0=0.01, # 初始学习率
 lrf=0.01, # 最终学习率因子
 momentum=0.937, # SGD动量
 weight_decay=0.0005, # 权重衰减
 
 # 数据增强
 mosaic=1.0,
 mixup=0.1,
 copy_paste=0.1,
 
 # 其他配置
 device=0, # GPU设备，"cpu"为CPU
 project="runs/train", # 保存路径
 name="yolo26_exp1", # 实验名称
 exist_ok=False, # 是否覆盖
 pretrained=True, # 使用预训练
 verbose=True, # 详细日志
 seed=42, # 随机种子
)

# 验证模型
metrics = model.val()
print(f"mAP50: {metrics.box.map50:.3f}")
print(f"mAP50-95: {metrics.box.map:.3f}")

各版本训练参数差异

参数	YOLOv8	YOLO11	YOLO26
默认优化器	SGD	SGD	MuSGD
DFL 损失	✅	✅	❌ 已移除
NMS 后处理	✅	✅	❌ 原生无 NMS
小目标优化	一般	较好	最佳 (STAL)
CPU 推理速度	基准	+25%	+43%

损失函数详解

YOLO 的损失函数由三部分组成，每部分针对不同的学习目标：

模型训练 on Mi&Bee Blog

YOLO 模型训练：自定义数据集完整流程

自定义数据集完整训练流程

Ultralytics 统一训练代码

各版本训练参数差异

损失函数详解