训练基本信息

- 模型类型：YOLOv8？

- 训练数据量：训练集图片数、验证集图片数、类别数

- 训练参数：epochs、batch size、输入尺寸(imgsz)、设备（CPU/GPU）

- 训练时长：总时间、平均每轮时间

数据集结构

images（图片）

-train

-val

labels（标注）

-train

-val

data_yolo.yaml

![[data_yolo.yaml]]

```yaml

path: /Users/ryan-hong/Desktop/OD_lowf/data_yolo # 根目录（可选）

train: images/train

val: images/val

nc: 4 # 类别数量，根据你的categories决定

names: ['ship', 'people', 'car', 'motor'] # 替换为你自己的类别名

```

训练代码框架

```

from ultralytics import YOLO

m1=YOLO('yolov8l.pt') #‘’中为模型的路径

m1.train(

data=r'/Users/ryan-hong/Desktop/OD_lowf/data_yolo.yaml',

epochs=100, # 可根据收敛情况提升

imgsz=640, # 默认图像尺寸

batch=16, # Y9000P 性能允许，推荐 16 或 32

device=0, # 使用 GPU（device=0 表示第一块显卡）

workers=8, # 加速数据加载，多线程相关，性能不足时最好别开

name='yolov8l-custom', # 结果文件夹名

save=True,

save_period=5,

val=True,

patience=10

)

```

### 模型结果

```

runs/

└── detect/

└── train/ ← 本次训练生成的主文件夹（可能是 train2、train3）

├── weights/

│ ├── best.pt ← 精度最好的模型权重（mAP50-95 最优）

│ └── last.pt ← 最后一个 epoch 的模型权重

│

├── confusion_matrix.png ← 混淆矩阵图（各类混淆情况）

├── F1_curve.png ← F1 值曲线

├── P_curve.png ← Precision 曲线

├── R_curve.png ← Recall 曲线

├── PR_curve.png ← Precision-Recall 曲线（每类一个）

├── results.png ← 每轮 epoch 的 loss 与 mAP 曲线图

├── results.csv ← 每轮 epoch 的详细指标（可用于绘图）

├── opt.yaml ← 所有训练参数配置

├── args.yaml ← CLI 参数配置（例如 model, data）

├── train_batch0.jpg ← 可视化训练图像及预测框（每轮更新）

├── val_batch0_labels.jpg ← 验证集的真实标签可视化

└── val_batch0_pred.jpg ← 验证集的预测结果可视化

```