注册完先别急着训练YOLO，这几个环节老手都容易出错！

从图片整理和标注，到模型训练、效果测试与格式转换，目标检测模型的生产涉及多个环节。万图 YOLO 将这些步骤整合到同一工作台，帮助用户在统一的项目上下文中完成模型生产。

本文将按实际流程，介绍图片如何分组、标注工具如何选择、训练参数如何设置，以及测试和模型转换时需要注意的平台约束。

万图 YOLO 适合谁？

万图 YOLO 是万唯图界聚合 AI 算法平台首批上线的目标检测模块，适合：

· 第一次准备 YOLO 训练数据的用户；

· 希望使用 AI 数据标注平台组织素材和标注的用户；

· 需要训练目标检测模型的个人或团队；

· 需要将模型转换到移动端、嵌入式设备或服务器环境的用户。

从素材到可部署模型：六步跑通流程

创建项目 → 素材分组 → 图片标注 → 模型训练 → 效果测试 → 转换下载

平台会在项目中衔接各个环节，但数据质量、评估方式和部署环境仍需要提前考虑。

一、素材与分组：为什么要区分三类数据？

上传素材时，需要为每张或每批图片指定训练集、验证集或测试集。平台不会自动按比例分配，因为数据集划分关系到训练评估是否可信。

素材较少时，可以先大致按 8:2 分为训练集和验证集。但根据平台当前要求，正式发起训练前，验证集和测试集至少各需 1 张图片。

训练集、验证集和测试集应使用不同图片。 如果图片重复，评估指标可能虚高，无法准确反映模型在真实新数据上的表现。

分组属于素材信息。上传后仍可逐张调整，且不会影响已有标注。建议尽量在上传时完成分组，减少后续整理。

素材格式与导入限制

· 单张图片支持 JPG、PNG、WebP 格式。

· 单张图片大小不超过 10 MB。

· 带标注数据集可打包为 ZIP 导入，文件大小上限为 10 GB。

· ZIP 导入期间需要保持页面打开。

二、标注：根据目标和数据状态选择工具

选择标注工具时，可以先判断目标形状、标注精度要求，以及项目中是否已有训练模型。

矩形框

适用：目标规则、边缘清晰，例如商品、血条、车牌、人脸等。
不适用：边缘复杂，或需要像素级轮廓信息的场景。

掩码分割

适用：目标形状不规则、边缘信息重要的图片。
不适用：目标较规则、使用矩形框即可满足需求的场景。

SAM 标注

适用：目标主体明确、与背景有一定对比度的通用自然图像。点击目标后，系统生成掩码，并换算为外接矩形框。
不适用：低对比度、伪装、透明，或与背景融为一体的目标。

智能标注

适用：项目已有模型，且模型与待标注图片场景相近时，用于批量生成标注草稿。
不适用：模型与目标场景差异大、识别错误率较高的图片。

SAM 与智能标注的区别

SAM 不要求项目中已有模型，点击目标即可生成掩码和外接矩形框；智能标注依赖项目已有模型，用于批量生成标注草稿。

智能标注按执行次数计费，无论是否识别成功，每次执行都会计费。建议先用少量图片试跑，确认模型和阈值适合当前场景后，再进行批量处理。智能标注是标注辅助功能，不属于训练过程，也不会产出模型。

建议的智能标注流程

手工标注少量图片 → 训练初版模型 → 用初版模型进行智能标注 → 人工复核 → 补充数据 → 重新训练

无论使用哪种工具，标签名称都要保持统一。同一类目标不要出现多个名称，否则模型会将其视为不同类别。前 9 个标签可使用数字键 1—9 快速切换。

三、训练：如何选择版本与参数？

模型来源

模型来源主要分为两类：

· 平台内置预训练模型：适合从头开始训练项目。

· 项目已有模型：适合在现有模型基础上继续微调。

YOLO 版本选择

模型规格：n / s / m / l / x

· n：规格较小、推理速度较快，适合边缘设备和实时场景。

· s：体量与性能较均衡，适合多数中小型项目。

· m：适合数据量和算力较充足的项目。

· l / x：可用于更复杂的场景，但通常需要更多算力和训练资源。

如果不确定从哪里开始，建议先从 s 规格尝试，再根据测试结果调整。

训练参数与实践建议

· 训练轮数：默认 100，范围 10—200。

· 图像尺寸：默认 640，可选 320、640、1280。

· 批次大小：自动设置。

· 较小目标或高分辨率素材：可尝试 1280，但训练耗时会明显增加。

第一轮建议使用默认参数跑通基线。 不要同时修改多个参数；后续一次调整一个变量，才更容易判断哪项改动有效。

训练任务可以终止。确认终止后，已经产生的进度会保留，不需要从头重新开始。

四、测试与转换：验证效果，再准备部署

模型测试：快速检查识别效果

模型测试用于快速验证识别效果和调整测试参数。测试不创建项目，也不会保存测试结果。你可以选择平台模型或上传本地 .pt 模型，批量上传图片，并调整置信度阈值、IoU 阈值和测试尺寸。

测试结果分三个层面呈现：

· 图像层：在图片上叠加检测框。

· 列表层：逐目标显示类别与坐标。

· 统计层：汇总图片总数、目标总数和平均耗时。

阅读结果时，可以重点关注漏检和误检：

· 漏检可能意味着相关类别样本不足，或目标特征不明显。

· 误检可能与背景干扰强、负样本不足或标签问题有关。

置信度 0.5 以上可作为一般参考，0.8 以上通常更可靠，但阈值只是结果筛选条件。最终仍应使用真实业务图片，并结合实际部署效果进行判断。

模型转换：为目标设备选择格式

训练得到的模型需要根据目标设备或推理框架转换为相应格式。常见格式及用途如下：

转换任务支持后台运行。完成后，需确认任务显示为 “已转换”，再下载模型。高级选项可设置量化精度（FP32、FP16、INT8）与 NMS 后处理。

转换时要特别关注类别映射。 平台会自动对齐类别映射，并附带类别文件。调用模型时，类别文件中的顺序必须与训练时的标签顺序一致；否则可能出现类别输出不正确等问题。

五、别只盯着训练进度，模型效果还要看这些

· 训练指标与报告：当前版本暂不提供全部训练指标曲线和参数报告，可通过查看训练日志获取训练部分训练参数。

· 平台测试与实际部署的差异：平台内测试通过，自有项目接入后可能有细微差异。参数、模型格式、类别文件和图片预处理方式不一致，都可能造成结果差异。

· 部署环境的选择：建议在训练前确定目标环境。移动端优先关注模型大小和推理速度；服务器场景可结合业务需求重点关注精度。