关于目标检测训练界面、功能及代码框架

训练结束后，系统会根据控制台输出和 YOLO 训练产生的变量，计算各训练指标，并将这些指标显示在控制台区的训练图表中。：“模型名称（model）” 默认值为空，点击“选择模型文件”按钮，在弹出的文件选择对话框中选择预训练模型（.pt 文件），选择后文件路径将显示在相应的输入框中。：在控制台区的窗口的最后两行中找到Results saved to 的目录，在资源管理器打开，并找到其子目录weight

python与大数据分析

1006人浏览 · 2025-04-25 07:15:43

python与大数据分析 · 2025-04-25 07:15:43 发布

目标检测训练

功能介绍：目标检测训练是利用标注好的数据来训练模型，使其能够准确地检测图像中的目标物体。通过调整训练参数，可以优化模型的性能，提高检测的准确性和效率。

前置条件：建议在待标注的数据集根目录下增加一个<数据集名称>.yaml的配置文件，配置内容如下：

操作步骤：

进入训练界面：在平台主界面中，找到并点击目标检测训练功能入口，进入训练界面。界面主要分为设置区和命令区。
设置训练参数 - 第一区域：

迭代次数（epochs）
：默认值为 100，可调整范围是 10 - 1000。迭代次数表示模型对整个数据集进行遍历的次数，适当增加迭代次数可以提高模型的学习效果，但也会增加训练时间。
批量大小（batch_size）
：默认值为 16，可调整范围是 16 - 16 * 16。批量大小指的是在一次迭代中同时处理的样本数量，合适的批量大小可以提高内存利用率和训练速度。
图像大小（imgsz）
：默认值为 640，所有输入模型的图像都将被调整为该尺寸，图像大小会影响模型的准确度和计算复杂度。
等待轮数（patience）
：默认值为 100，可通过输入框输入自定义数字。等待轮数表示在验证指标没有改善的情况下，模型继续训练的轮数，之后将提前停止训练，以防止过拟合。
初始学习率（lr0）
：默认值为 0.01，可通过输入框输入自定义数字。学习率控制着模型参数更新的步长，对模型的收敛速度和性能有重要影响。

设置训练参数 - 第二区域：
- 是否保存模型权重（save）
  ：默认值为 True，可进行选择。启用该选项后，模型在训练过程中会保存检查点和最终的模型权重，方便后续恢复训练或进行模型部署。
- 保存模型权重周期（save_period）
  ：默认值为 - 1，可通过输入框输入自定义数字。该参数表示保存模型检查点的频率，以轮数为单位，值为 - 1 时禁用此功能。
- 训练设备（device）
  ：默认值为 cpu（目前只支持cpu，GPU模式尚未测试）。用于指定模型训练所使用的计算设备，选择合适的设备可以显著提高训练速度。
- 工作线程数（workers）
  ：默认值为 8，可通过输入框输入自定义数字。工作线程数影响数据预处理和输入模型的速度，在多 GPU 设置中尤其重要。
- 优化器类型（optimizer）
  ：默认值为 'AdamW'，可选择 Auto、SGD、Adam、AdamW、NAdam、RAdam、RMSProp 等选项。优化器用于调整模型的权重，以最小化损失函数，不同的优化器具有不同的特点和适用场景。
设置训练参数 - 第三区域：“模型名称（model）” 默认值为空，点击“选择模型文件”按钮，在弹出的文件选择对话框中选择预训练模型（.pt 文件），选择后文件路径将显示在相应的输入框中。预训练模型默认放在dataset的model目录下
设置训练参数 - 第四区域：“数据集路径（data）” 默认值为空，点击“数据集路径”按钮，在弹出的文件选择对话框中选择数据集配置文件（.yaml 文件），选择后文件路径将显示在相应的输入框中。这里的yaml文件要新建
开始训练：设置好所有训练参数后，点击命令区的“训练”按钮。系统会收集设置区的所有输入值后，开始训练。训练过程中，控制台的输出信息会同步显示在控制台区的控制台中。训练结束后，系统会根据控制台输出和 YOLO 训练产生的变量，计算各训练指标，并将这些指标显示在控制台区的训练图表中。
后置过程：在控制台区的窗口的最后两行中找到Results saved to 的目录，在资源管理器打开，并找到其子目录weights，将best.pt拷贝到models目录下，并将文件名改名为数据集的名称，为将来预测做准备

训练完成最终的界面见下面：

目标检测训练界面函数、类及方法的功能

类
- TrainingUI
  ：继承自QWidget，用于创建目标检测图像训练的用户界面。
方法
1. __init__
  ：初始化TrainingUI类的实例，设置窗口标题、大小和界面风格，调用ui_init方法初始化界面。
2. ui_init
  ：创建主垂直布局，分别调用create_control_area、create_setting_area和create_command_area方法创建控制台区、设置区和命令区，并将它们添加到主布局中。
3. create_control_area
  ：创建控制台区的组框，添加控制台和训练图表到水平布局中，并返回该组框。
4. create_setting_area
  ：创建设置区的组框，设置多个训练参数的输入控件，包括迭代次数、批量大小、图像大小等，分三个区域布局，并返回该组框。
5. create_command_area
  ：创建命令区的组框，添加训练按钮和关闭按钮到水平布局中，并返回该组框。
6. select_model
  ：弹出文件选择对话框，让用户选择模型文件（.pt或.yaml），并将选择的文件路径显示在界面上。
7. select_data
  ：弹出文件选择对话框，让用户选择数据集配置文件（.yaml），并将选择的文件路径显示在界面上。
8. start_training
  ：启动一个新线程来调用train_model方法，避免训练过程中界面假死。
9. train_model
  ：获取设置区的所有输入值，检查模型和数据集路径是否选择，若选择则加载模型并开始训练，将训练过程信息输出到控制台
目标检测训练界面代码层级关系

TrainingUI├── __init__ │ └── ui_init │ ├── create_control_area │ ├── create_setting_area │ └── create_command_area ├── select_model ├── select_data ├── start_training │ └── train_model
```
需要注意的是内存资源不足，在控制台会报：
```
训练出错，返回码: 3221225477
```
最后欢迎关注公众号：python与大数据分析
```

天启AI社区

GitCode 天启AI是一款由 GitCode 团队打造的智能助手，基于先进的LLM（大语言模型）与多智能体 Agent 技术构建，致力于为用户提供高效、智能、多模态的创作与开发支持。它不仅支持自然语言对话，还具备处理文件、生成 PPT、撰写分析报告、开发 Web 应用等多项能力，真正做到“一句话，让 Al帮你完成复杂任务”。

更多推荐