不用写代码也能训练模型：万图 YOLO 新手 5 步跑通全流程

不用写代码，也不用配置训练环境。跟着下面五步，你可以从一批真实图片开始，完成标注、YOLO 训练、模型测试与格式转换。

万图 YOLO 是万唯图界聚合 AI 算法平台首发上线的目标检测模块，支持在浏览器中完成模型从数据准备到导出交付的主要流程。

新手如何训练第一个模型？

创建项目 → 上传并分组图片 → 完成图片标注 → 调整参数机械能训练 → 测试模型并转换下载使用

第一次使用，建议先用默认参数跑通完整流程，再根据测试结果决定要调整什么。这样更容易判断问题出在数据、标注还是模型配置。

01 创建项目

打开万唯图界，在左侧导航中点击 YOLO 进入工作台。在项目管理页点击 “＋创建项目”，填写项目名称和描述。

建议按照检测目标或业务场景划分项目：一个项目对应一个独立的检测场景。在描述中写明检测目标和应用场景，后续管理会更清晰。

素材准备建议

每个标签建议至少准备 100 张图片，并尽量覆盖不同角度、光照、背景和遮挡情况。不要只用同一段视频连续截取的画面，否则模型可能在训练图片上表现不错，遇到新图片时却效果不佳。

02 上传素材并分组

进入项目详情页的 “素材” Tab，点击 “上传素材”，选择 JPG、PNG 或 WebP 图片。单张图片大小不超过 10 MB。

上传后，最重要的是为图片分配数据集。系统不会自动按比例分组，需要你手动指定每张或每批图片属于训练集、验证集还是测试集。

使用时还要注意：

· 素材较少（例如一两百张以内）时，可以先按约 8:2 分为训练集和验证集。

· 正式训练前，验证集和测试集至少各需要 1 张图片。

· 如果已有带标注的数据集，可以通过 “导入数据集” 上传 ZIP 文件，大小不超过 10 GB。系统会自动识别 train / val / test 结构。

· ZIP 导入期间请保持页面打开。

最容易踩的坑：训练集和验证集不能使用同一批图片。 否则评估指标可能虚高，模型看起来很准，实际表现却不理想。

03 完成标注

点击任意图片即可进入标注页。页面由左侧工具栏、中间画布和右侧标签面板组成。根据目标形状和标注需求选择工具：

· 矩形框（R）：最常用，适合形状规则、边缘清晰的目标。

· 掩码分割（B）：适合形状不规则或对边缘精度要求较高的目标。

· SAM（S）：点击目标即可自动生成掩码和外接矩形框，不需要项目中已有模型。

· 智能标注（A）：调用项目已有模型自动识别图片，适合批量处理相似素材。

每轮训练前，至少检查三类问题：漏标、错标、框选不完整。标注结果不要直接当作最终答案，尤其是智能标注的结果，需要人工复核。

标签名称也要保持统一。同一类目标不要使用不同叫法，否则模型会将它们识别为不同类别。前 9 个标签可通过数字键 1—9 快速切换。

图 3：三栏式标注工作区，左侧为标注工具，右侧为标签面板，底部可跳转“下一张未标注”。

04 训练第一个模型

完成标注后，点击 “完成并训练模型”，或进入 “模型” Tab，点击 “启动新训练”。

首次训练建议使用默认配置：

第一轮先跑通基线，不要同时修改多个参数。 后续每次只调整一个变量，才更容易判断哪些改动有效。

训练过程中可以终止任务，系统会进行二次确认；已经产生的进度会保留。若训练失败，可进入训练记录点击 “查看日志”。常见原因包括验证集或测试集为空、素材尚未标注、标签存在问题，或参数超出范围。

05 测试、转换与下载

先测试模型

训练完成后，进入 “模型测试”，选择平台模型或上传本地 .pt 文件，再上传一张或多张真实业务图片。调整置信度和 IoU 后，即可开始检测。

测试时建议注意：

· 优先使用训练过程中没有出现过的图片。

· 通常置信度在 0.5 以上可作为参考，0.8 以上通常更可靠。

· 调整阈值只能筛选检测结果，不能替代数据和标注质量。

如果结果不理想，可以根据问题补充数据或检查标注：

· 漏检：补充小目标、遮挡目标以及外观变化较大的样本。

· 误检：补充容易混淆的背景图片，并检查标签是否混用。

· 框选不准：先检查标注框，再考虑提高图像尺寸。

再转换并下载

训练得到的 .pt 模型通常需要转换，才能用于不同平台。进入 “模型转换”，选择模型、填写名称、选择目标格式，再点击 “开始转换”。转换任务可以在后台运行；完成后，可在历史列表中下载模型。

部署环境最好在训练前就确定。 移动端通常需要重点考虑模型大小和推理速度；服务器场景则可以更多关注识别精度。下载模型后，还需要按照对应的部署文档完成业务接入。

快速检查清单

开始训练或交付前，逐项确认：

· 标签名称统一，同类目标没有不同叫法。

· 训练集、验证集和测试集已分好，验证集与测试集各至少有 1 张图片。

· 训练集与验证集使用不同图片，没有数据泄漏。

· 标注已检查漏标、错标和框选问题。

· 已使用训练过程中未见过的图片测试模型。

· 智能标注结果已经人工复核。

· 已根据部署平台选择合适的转换格式。

想减少重复标注？试试迭代流程

不必一开始就手动标完所有素材。可以先标注少量图片并训练初版模型，再用智能标注辅助处理更多素材，经过人工复核后补充数据、重新训练：

少量人工标注 → 训练初版模型 → 智能标注更多素材 → 人工复核 → 补充数据 → 重新训练

使用智能标注时，点击 “智能标注配置”，选择项目已有模型，设置置信度和 IoU 阈值（默认 0.50 / 0.45），保存后再点击“智能”工具，检查并确认识别结果。

需要特别注意两点：

1. 智能标注按执行次数计费，无论是否识别成功都会计费，建议先用少量图片试跑，再进行批量处理。

2. 智能标注不会生成模型。每轮迭代都应保留独立的验证集和测试集，用于确认模型效果是否确实提升。

从第一批真实图片开始，让算法真正进入工作流程

先使用默认参数跑通一遍，再根据测试结果调整数据和模型。完整完成这五步，你就能得到一个可测试、可转换的目标检测模型。

本文提到的功能名称、参数范围、文件大小和格式支持，请以万唯图界产品页面与帮助中心的最新说明为准。