简介这份资源面向深度学习目标检测方向的开发者与算法学习者提供一套免环境搭建的YOLO系列训练与标注工具解决从数据标注到模型训练、转换流程繁琐的问题。包内共14个文件以txt技术解析、html说明页、doc文档及jpg示意图为主压缩包约908KB轻量易取便于快速了解工具能力与使用逻辑。工具支持yolo3、yolo4及yolo8需N卡可处理cfg、weights、bin、param、pt等模型格式并集成自动标注、自动截图、V3-4模型转GPU、模型训练与V8免环境训练等实用功能。已有1132人学习关注适合希望跳过环境配置、直接上手标注与训练流程的读者参考也能为模型格式转换与多版本适配提供可落地的思路。1. 免环境训练工具为什么我劝你先别急着装 CUDA上周帮一个做视觉的同行看环境他本地装了三个版本的 CUDA、两个 cuDNNPython 环境里 ultralytics、torch、torchvision 版本互相打架import torch直接报 DLL 找不到。他本来只是想跑一个 YOLO 训练验证一下标注数据对不对结果两天时间全花在配环境上模型一行没训。这不是个例我见过太多人卡在“装环境”这一步而不是卡在“训模型”本身。YOLO 系列免环境训练工具解决的正是这个痛点它把 Python 解释器、深度学习框架、标注工具、模型转换脚本全部打包在一起解压即用不需要你单独装 CUDA、不需要配 conda 虚拟环境、不需要手动对齐 torch 和 torchvision 的版本。支持 YOLOv5、YOLOv8、YOLOv11 等多个版本的自动标注、模型转换和训练流程。适合谁适合刚接触目标检测、想快速验证数据集和训练流程的开发者也适合手头机器显卡驱动版本混乱、不想折腾底层依赖的老手。装不好会怎样最直接的结果就是标注工具打不开、训练脚本报错、模型转换失败而你根本分不清是数据问题还是环境问题。2. 下载与解压目录结构和版本选择2.1 下载前先确认三件事免环境工具虽然省去了装依赖的步骤但不代表对机器没要求。下载之前先确认这三项能避免八成以上的“解压后跑不起来”问题。第一确认显卡驱动版本。免环境工具内置的推理和训练后端通常基于某个固定版本的 CUDA Runtime它不要求你系统装完整 CUDA Toolkit但要求显卡驱动版本不低于某个下限。常见做法是打开命令行执行nvidia-smi看右上角CUDA Version那一栏。如果显示的是 12.1 以上基本能覆盖目前主流的免环境包如果低于 11.8建议先更新显卡驱动否则训练时会直接报CUDA driver version is insufficient。第二确认磁盘空间。免环境包因为打包了完整的运行时体积通常不小。以我手头这个包含 YOLOv5、YOLOv8、YOLOv11 三版本的工具包为例解压后占用大约 812 GB具体取决于是否包含示例数据集和预训练权重。C 盘空间紧张的话解压时直接选其他盘。第三确认操作系统位数和版本。目前这类工具主要面向 64 位 Windows 10/11部分版本提供 Linux 打包。如果你用的是 Windows 7 或者 32 位系统大概率跑不起来别浪费时间。2.2 解压后的目录该看哪几个解压完成后你会看到一个层级不算深的目录。不要急着双击 exe先花两分钟把结构看清楚后面排错会快很多。YOLO_Toolkit/ ├── runtime/ # 内置 Python 解释器和依赖库 │ ├── python.exe │ └── Lib/site-packages/ # torch、ultralytics 等都在这里 ├── tools/ │ ├── label_tool/ # 自动标注工具入口 │ ├── train_launcher/ # 训练启动器 │ └── convert_tool/ # 模型转换工具 ├── models/ # 预训练权重存放目录 │ ├── yolov5/ │ ├── yolov8/ │ └── yolov11/ ├── datasets/ # 示例数据集和标注文件 ├── configs/ # 各版本的训练配置文件 └── start.bat # 主启动脚本runtime/是整个工具的核心里面已经装好了 torch、torchvision、ultralytics、opencv-python 等库。你不需要也不应该往这个目录里再 pip install 任何东西否则很容易把版本搞乱。configs/目录下按版本分了子目录每个子目录里有一个data.yaml和一个hyp.yaml前者管数据集路径和类别数后者管训练超参。models/里放的是官方预训练权重文件名通常带版本号和规模比如yolov8n.pt、yolov11s.ptn/s/m/l/x 分别对应不同参数量级。提示解压路径不要带中文和空格。我见过因为路径里有空格导致标注工具调用 ffmpeg 时参数截断的案例排查了半天。2.3 版本选择v5、v8、v11 该用哪个工具支持多版本是好事但也容易让人纠结。我的建议是按任务阶段选而不是按“越新越好”选。YOLOv5 的生态最成熟网上教程和预训练权重最多如果你手头的数据集格式比较标准YOLO txt 格式用 v5 起步最稳。YOLOv8 在训练流程上做了很多封装ultralytics库的 API 更统一自动标注和模型转换的衔接更顺适合想一条龙走完标注到部署的人。YOLOv11 是较新的版本在相同参数量下精度通常略好但部分第三方转换工具对它支持还不完整如果你后续要转 ONNX 或 TensorRT先确认转换工具是否覆盖了 v11 的算子。我一般会这样安排先用 v8 跑通全流程确认数据集没问题如果精度不够再切到 v11 对比如果要做边缘部署且转换工具只认 v5就退回 v5 重新训。工具包里三个版本的权重和配置都齐了切换成本很低。3. 自动标注工具配置从图片到 YOLO 格式标签3.1 标注工具怎么启动和初始化自动标注工具通常有两种模式一种是纯本地模型推理用预训练权重先跑一遍生成粗标注你再手动修另一种是调用外部 API但免环境工具一般只保留本地模式避免依赖网络。启动方式很简单进入tools/label_tool/目录双击label_tool.exe或者在主目录执行start.bat label启动后工具会先加载models/下的默认权重。如果你想指定某个版本比如用 YOLOv8s 做自动标注可以在工具界面里选也可以直接改配置文件。配置文件在configs/label_config.yaml关键参数如下model_path: models/yolov8/yolov8s.pt # 自动标注使用的权重 conf_threshold: 0.35 # 置信度阈值低于此值的框不生成 iou_threshold: 0.45 # NMS 的 IoU 阈值 img_size: 640 # 推理输入尺寸 save_format: yolo # 输出标签格式可选 yolo 或 cococonf_threshold是自动标注里最需要调的参数。设高了漏标多设低了误标多。我一般先用 0.35 跑一遍看标注结果再决定往哪边调。save_format选yolo会生成每张图对应的.txt文件每行是class_id x_center y_center width height坐标都归一化到 01 之间。3.2 批量标注和人工修正的衔接自动标注跑完后工具会生成一个labels_auto/目录里面是模型生成的标签。但自动标注不可能百分百准尤其是小目标和遮挡目标。这时候需要人工修正。工具内置了一个简易的标注界面左侧是图片列表右侧是画布。你可以逐张检查拖拽调整框的位置和大小或者删除误标、补上漏标。修正后的标签会保存到labels/目录和labels_auto/分开存放方便对比。这里有个血泪经验不要一次性把几千张图全自动标注完再修那样心理压力太大。我一般会先抽 50100 张跑自动标注人工修完看看模型在你这批数据上的漏标和误标规律。如果漏标集中在某类目标就调低conf_threshold或者换更大的模型权重如果误标多就调高阈值。确认参数合适了再批量跑全量数据。3.3 数据集划分和 data.yaml 怎么写标注完成后需要把数据集划分成训练集、验证集和测试集。工具包里通常带了一个划分脚本在tools/目录下python tools/split_dataset.py --input datasets/raw --output datasets/split --ratio 8:1:1这个脚本会按 8:1:1 的比例把图片和对应的标签文件分别复制到train/、val/、test/三个子目录。划分时注意要按图片级别随机不要按标签行随机否则同一张图的不同目标会被分到不同集合导致数据泄漏。划分完成后改configs/yolov8/data.yamlpath: datasets/split # 数据集根目录 train: train/images # 训练集图片路径相对于 path val: val/images # 验证集图片路径 test: test/images # 测试集图片路径 nc: 3 # 类别数按你的实际类别改 names: # 类别名称顺序要和标注时的 class_id 对应 - person - car - dognc和names必须和标注时的类别定义完全一致。我遇到过有人标注时用了 5 个类别训练时nc写成 3结果训练不报错但精度极低排查半天才发现是类别数对不上。4. 训练启动与参数配置让模型真正跑起来4.1 训练启动器的两种用法免环境工具的训练启动器有图形界面和命令行两种用法。图形界面适合新手选好data.yaml、权重文件、训练轮数点开始就行。命令行适合批量实验和远程操作。命令行方式在工具根目录执行start.bat train --data configs/yolov8/data.yaml --weights models/yolov8/yolov8s.pt --epochs 100 --batch 16 --imgsz 640 --device 0参数逐个说--data指向数据集配置文件--weights指定预训练权重如果要从头训就写yolov8s.yaml--epochs是训练轮数小数据集 100300 轮通常够用--batch是批大小8G 显存跑 640 尺寸建议从 8 或 16 起步爆显存就往下调--imgsz是输入尺寸必须和标注时的推理尺寸一致否则框会错位--device指定显卡编号单卡写 0多卡写0,1。4.2 关键超参怎么调训练配置文件hyp.yaml里的参数很多但真正影响收敛的没几个。我一般只动这几个lr0: 0.01 # 初始学习率小数据集可以降到 0.001 lrf: 0.01 # 最终学习率因子lr0 * lrf 是结束时的学习率 momentum: 0.937 # 动量一般不动 weight_decay: 0.0005 # 权重衰减防过拟合 warmup_epochs: 3.0 # 预热轮数小数据集可以设 12 box: 7.5 # 框回归损失权重 cls: 0.5 # 分类损失权重lr0是最需要调的。如果你用预训练权重微调0.01 通常没问题如果从头训或者数据集很小几百张降到 0.001 更稳。warmup_epochs在微调时可以设小一点因为权重已经比较好了不需要太长的预热。训练过程中工具会在runs/train/exp/下生成日志和权重。重点看results.csv里的metrics/mAP50和train/box_loss。如果box_loss一直不降检查标注格式和data.yaml路径如果mAP50震荡厉害把lr0调小。4.3 训练中断了怎么续训练到一半断电或者手动停了不用从头再来。工具支持断点续训start.bat train --resume runs/train/exp/weights/last.ptlast.pt是最近一个 epoch 保存的权重包含优化器状态和当前 epoch 数。--resume会自动读取这些信息从断点继续。注意不要用best.pt续训best.pt只保存了模型权重没有优化器状态续训效果会打折扣。5. 模型转换与导出从 pt 到 ONNX、TensorRT5.1 转换工具支持哪些格式训练完成后runs/train/exp/weights/best.pt是最终权重。但部署时往往需要转成其他格式。工具包的转换工具支持 ONNX、TensorRT、OpenVINO、CoreML 等常见格式具体支持列表在tools/convert_tool/README里。以转 ONNX 为例start.bat convert --weights runs/train/exp/weights/best.pt --format onnx --imgsz 640 --opset 12 --simplify--format指定目标格式--imgsz必须和训练时的输入尺寸一致--opset是 ONNX 算子集版本12 兼容性较好--simplify会调用 onnx-simplifier 简化计算图减少冗余算子。转换完成后会在同目录生成best.onnx。5.2 转换后的验证不能省转完 ONNX 不代表就能用必须验证输出是否和 PyTorch 一致。工具包里带了一个验证脚本python tools/verify_onnx.py --pt runs/train/exp/weights/best.pt --onnx runs/train/exp/weights/best.onnx --img datasets/split/test/images/001.jpg这个脚本会分别用 pt 和 onnx 推理同一张图打印两组框的坐标和置信度。如果差异超过 0.01说明转换过程中有算子没对齐需要检查opset版本或者换用--simplify再试。我见过转 TensorRT 时因为某个激活函数不支持导致输出全零的情况不验证根本发现不了。5.3 不同版本的转换差异YOLOv5 转 ONNX 时输出层通常是三个特征图需要额外做 decodeYOLOv8 和 v11 的输出已经包含了 decode 后的框转换后直接可用。如果你用 v5 转 ONNX 后推理结果不对先确认推理代码里有没有做 decode。工具包的转换工具会自动处理这些差异但如果你手动改过模型结构就要自己检查。另外YOLOv11 转 TensorRT 时部分版本的工具需要指定--dynamic参数来支持动态 batch。如果你的部署场景 batch 不固定记得加上。6. 装完怎么验证跑通三个必查项和一个习惯工具装完、标注跑完、训练启动、模型转换完成这一套流程走下来怎么确认真的没问题我一般会做三个检查缺一不可。第一用测试集跑一次评估。训练结束后工具会自动在验证集上算 mAP但验证集参与过调参不够客观。手动在测试集上跑start.bat val --data configs/yolov8/data.yaml --weights runs/train/exp/weights/best.pt --split test看输出的mAP50和mAP50-95。如果测试集 mAP 比验证集低超过 10 个百分点说明模型过拟合了需要加数据或者加正则。第二用一张新图片做端到端推理。找一张训练集里没出现过的图跑start.bat predict --weights runs/train/exp/weights/best.pt --source test.jpg --conf 0.25看输出的框位置和类别是否合理。这一步能发现数据标注里的系统性问题比如类别标反、框普遍偏大或偏小。第三检查转换后的模型在目标平台上能否加载。如果你转 ONNX 是为了在 C 里用就写个最小加载脚本跑一遍如果转 TensorRT 是为了在边缘设备部署就在目标设备上跑一次推理。不要只在开发机上验证。检查项命令通过标准测试集评估start.bat val --split testmAP50 与验证集差距小于 10%新图推理start.bat predict --source test.jpg框位置合理类别正确转换模型加载目标平台加载脚本输出与 pt 一致误差小于 0.01这三个检查做完基本能确认整套流程跑通了。但还有一个习惯是我踩过坑之后强制自己执行的每次换数据集或者换版本先拿 10 张图跑一遍完整流程——标注、训练 1 个 epoch、转换、推理。确认这 10 张图的链路没问题再上全量数据。听起来麻烦但比起训了 100 个 epoch 才发现标注格式错了这 10 分钟花得值。从那以后我每次拿到新的免环境工具包都强制走一遍这个最小验证流程不跳过任何一步。希望帮到你。本文还有配套的精品资源点击获取
简介这份资源面向深度学习目标检测方向的开发者与算法学习者提供一套免环境搭建的YOLO系列训练与标注工具解决从数据标注到模型训练、转换流程繁琐的问题。包内共14个文件以txt技术解析、html说明页、doc文档及jpg示意图为主压缩包约908KB轻量易取便于快速了解工具能力与使用逻辑。工具支持yolo3、yolo4及yolo8需N卡可处理cfg、weights、bin、param、pt等模型格式并集成自动标注、自动截图、V3-4模型转GPU、模型训练与V8免环境训练等实用功能。已有1132人学习关注适合希望跳过环境配置、直接上手标注与训练流程的读者参考也能为模型格式转换与多版本适配提供可落地的思路。1. 免环境训练工具为什么我劝你先别急着装 CUDA上周帮一个做视觉的同行看环境他本地装了三个版本的 CUDA、两个 cuDNNPython 环境里 ultralytics、torch、torchvision 版本互相打架import torch直接报 DLL 找不到。他本来只是想跑一个 YOLO 训练验证一下标注数据对不对结果两天时间全花在配环境上模型一行没训。这不是个例我见过太多人卡在“装环境”这一步而不是卡在“训模型”本身。YOLO 系列免环境训练工具解决的正是这个痛点它把 Python 解释器、深度学习框架、标注工具、模型转换脚本全部打包在一起解压即用不需要你单独装 CUDA、不需要配 conda 虚拟环境、不需要手动对齐 torch 和 torchvision 的版本。支持 YOLOv5、YOLOv8、YOLOv11 等多个版本的自动标注、模型转换和训练流程。适合谁适合刚接触目标检测、想快速验证数据集和训练流程的开发者也适合手头机器显卡驱动版本混乱、不想折腾底层依赖的老手。装不好会怎样最直接的结果就是标注工具打不开、训练脚本报错、模型转换失败而你根本分不清是数据问题还是环境问题。2. 下载与解压目录结构和版本选择2.1 下载前先确认三件事免环境工具虽然省去了装依赖的步骤但不代表对机器没要求。下载之前先确认这三项能避免八成以上的“解压后跑不起来”问题。第一确认显卡驱动版本。免环境工具内置的推理和训练后端通常基于某个固定版本的 CUDA Runtime它不要求你系统装完整 CUDA Toolkit但要求显卡驱动版本不低于某个下限。常见做法是打开命令行执行nvidia-smi看右上角CUDA Version那一栏。如果显示的是 12.1 以上基本能覆盖目前主流的免环境包如果低于 11.8建议先更新显卡驱动否则训练时会直接报CUDA driver version is insufficient。第二确认磁盘空间。免环境包因为打包了完整的运行时体积通常不小。以我手头这个包含 YOLOv5、YOLOv8、YOLOv11 三版本的工具包为例解压后占用大约 812 GB具体取决于是否包含示例数据集和预训练权重。C 盘空间紧张的话解压时直接选其他盘。第三确认操作系统位数和版本。目前这类工具主要面向 64 位 Windows 10/11部分版本提供 Linux 打包。如果你用的是 Windows 7 或者 32 位系统大概率跑不起来别浪费时间。2.2 解压后的目录该看哪几个解压完成后你会看到一个层级不算深的目录。不要急着双击 exe先花两分钟把结构看清楚后面排错会快很多。YOLO_Toolkit/ ├── runtime/ # 内置 Python 解释器和依赖库 │ ├── python.exe │ └── Lib/site-packages/ # torch、ultralytics 等都在这里 ├── tools/ │ ├── label_tool/ # 自动标注工具入口 │ ├── train_launcher/ # 训练启动器 │ └── convert_tool/ # 模型转换工具 ├── models/ # 预训练权重存放目录 │ ├── yolov5/ │ ├── yolov8/ │ └── yolov11/ ├── datasets/ # 示例数据集和标注文件 ├── configs/ # 各版本的训练配置文件 └── start.bat # 主启动脚本runtime/是整个工具的核心里面已经装好了 torch、torchvision、ultralytics、opencv-python 等库。你不需要也不应该往这个目录里再 pip install 任何东西否则很容易把版本搞乱。configs/目录下按版本分了子目录每个子目录里有一个data.yaml和一个hyp.yaml前者管数据集路径和类别数后者管训练超参。models/里放的是官方预训练权重文件名通常带版本号和规模比如yolov8n.pt、yolov11s.ptn/s/m/l/x 分别对应不同参数量级。提示解压路径不要带中文和空格。我见过因为路径里有空格导致标注工具调用 ffmpeg 时参数截断的案例排查了半天。2.3 版本选择v5、v8、v11 该用哪个工具支持多版本是好事但也容易让人纠结。我的建议是按任务阶段选而不是按“越新越好”选。YOLOv5 的生态最成熟网上教程和预训练权重最多如果你手头的数据集格式比较标准YOLO txt 格式用 v5 起步最稳。YOLOv8 在训练流程上做了很多封装ultralytics库的 API 更统一自动标注和模型转换的衔接更顺适合想一条龙走完标注到部署的人。YOLOv11 是较新的版本在相同参数量下精度通常略好但部分第三方转换工具对它支持还不完整如果你后续要转 ONNX 或 TensorRT先确认转换工具是否覆盖了 v11 的算子。我一般会这样安排先用 v8 跑通全流程确认数据集没问题如果精度不够再切到 v11 对比如果要做边缘部署且转换工具只认 v5就退回 v5 重新训。工具包里三个版本的权重和配置都齐了切换成本很低。3. 自动标注工具配置从图片到 YOLO 格式标签3.1 标注工具怎么启动和初始化自动标注工具通常有两种模式一种是纯本地模型推理用预训练权重先跑一遍生成粗标注你再手动修另一种是调用外部 API但免环境工具一般只保留本地模式避免依赖网络。启动方式很简单进入tools/label_tool/目录双击label_tool.exe或者在主目录执行start.bat label启动后工具会先加载models/下的默认权重。如果你想指定某个版本比如用 YOLOv8s 做自动标注可以在工具界面里选也可以直接改配置文件。配置文件在configs/label_config.yaml关键参数如下model_path: models/yolov8/yolov8s.pt # 自动标注使用的权重 conf_threshold: 0.35 # 置信度阈值低于此值的框不生成 iou_threshold: 0.45 # NMS 的 IoU 阈值 img_size: 640 # 推理输入尺寸 save_format: yolo # 输出标签格式可选 yolo 或 cococonf_threshold是自动标注里最需要调的参数。设高了漏标多设低了误标多。我一般先用 0.35 跑一遍看标注结果再决定往哪边调。save_format选yolo会生成每张图对应的.txt文件每行是class_id x_center y_center width height坐标都归一化到 01 之间。3.2 批量标注和人工修正的衔接自动标注跑完后工具会生成一个labels_auto/目录里面是模型生成的标签。但自动标注不可能百分百准尤其是小目标和遮挡目标。这时候需要人工修正。工具内置了一个简易的标注界面左侧是图片列表右侧是画布。你可以逐张检查拖拽调整框的位置和大小或者删除误标、补上漏标。修正后的标签会保存到labels/目录和labels_auto/分开存放方便对比。这里有个血泪经验不要一次性把几千张图全自动标注完再修那样心理压力太大。我一般会先抽 50100 张跑自动标注人工修完看看模型在你这批数据上的漏标和误标规律。如果漏标集中在某类目标就调低conf_threshold或者换更大的模型权重如果误标多就调高阈值。确认参数合适了再批量跑全量数据。3.3 数据集划分和 data.yaml 怎么写标注完成后需要把数据集划分成训练集、验证集和测试集。工具包里通常带了一个划分脚本在tools/目录下python tools/split_dataset.py --input datasets/raw --output datasets/split --ratio 8:1:1这个脚本会按 8:1:1 的比例把图片和对应的标签文件分别复制到train/、val/、test/三个子目录。划分时注意要按图片级别随机不要按标签行随机否则同一张图的不同目标会被分到不同集合导致数据泄漏。划分完成后改configs/yolov8/data.yamlpath: datasets/split # 数据集根目录 train: train/images # 训练集图片路径相对于 path val: val/images # 验证集图片路径 test: test/images # 测试集图片路径 nc: 3 # 类别数按你的实际类别改 names: # 类别名称顺序要和标注时的 class_id 对应 - person - car - dognc和names必须和标注时的类别定义完全一致。我遇到过有人标注时用了 5 个类别训练时nc写成 3结果训练不报错但精度极低排查半天才发现是类别数对不上。4. 训练启动与参数配置让模型真正跑起来4.1 训练启动器的两种用法免环境工具的训练启动器有图形界面和命令行两种用法。图形界面适合新手选好data.yaml、权重文件、训练轮数点开始就行。命令行适合批量实验和远程操作。命令行方式在工具根目录执行start.bat train --data configs/yolov8/data.yaml --weights models/yolov8/yolov8s.pt --epochs 100 --batch 16 --imgsz 640 --device 0参数逐个说--data指向数据集配置文件--weights指定预训练权重如果要从头训就写yolov8s.yaml--epochs是训练轮数小数据集 100300 轮通常够用--batch是批大小8G 显存跑 640 尺寸建议从 8 或 16 起步爆显存就往下调--imgsz是输入尺寸必须和标注时的推理尺寸一致否则框会错位--device指定显卡编号单卡写 0多卡写0,1。4.2 关键超参怎么调训练配置文件hyp.yaml里的参数很多但真正影响收敛的没几个。我一般只动这几个lr0: 0.01 # 初始学习率小数据集可以降到 0.001 lrf: 0.01 # 最终学习率因子lr0 * lrf 是结束时的学习率 momentum: 0.937 # 动量一般不动 weight_decay: 0.0005 # 权重衰减防过拟合 warmup_epochs: 3.0 # 预热轮数小数据集可以设 12 box: 7.5 # 框回归损失权重 cls: 0.5 # 分类损失权重lr0是最需要调的。如果你用预训练权重微调0.01 通常没问题如果从头训或者数据集很小几百张降到 0.001 更稳。warmup_epochs在微调时可以设小一点因为权重已经比较好了不需要太长的预热。训练过程中工具会在runs/train/exp/下生成日志和权重。重点看results.csv里的metrics/mAP50和train/box_loss。如果box_loss一直不降检查标注格式和data.yaml路径如果mAP50震荡厉害把lr0调小。4.3 训练中断了怎么续训练到一半断电或者手动停了不用从头再来。工具支持断点续训start.bat train --resume runs/train/exp/weights/last.ptlast.pt是最近一个 epoch 保存的权重包含优化器状态和当前 epoch 数。--resume会自动读取这些信息从断点继续。注意不要用best.pt续训best.pt只保存了模型权重没有优化器状态续训效果会打折扣。5. 模型转换与导出从 pt 到 ONNX、TensorRT5.1 转换工具支持哪些格式训练完成后runs/train/exp/weights/best.pt是最终权重。但部署时往往需要转成其他格式。工具包的转换工具支持 ONNX、TensorRT、OpenVINO、CoreML 等常见格式具体支持列表在tools/convert_tool/README里。以转 ONNX 为例start.bat convert --weights runs/train/exp/weights/best.pt --format onnx --imgsz 640 --opset 12 --simplify--format指定目标格式--imgsz必须和训练时的输入尺寸一致--opset是 ONNX 算子集版本12 兼容性较好--simplify会调用 onnx-simplifier 简化计算图减少冗余算子。转换完成后会在同目录生成best.onnx。5.2 转换后的验证不能省转完 ONNX 不代表就能用必须验证输出是否和 PyTorch 一致。工具包里带了一个验证脚本python tools/verify_onnx.py --pt runs/train/exp/weights/best.pt --onnx runs/train/exp/weights/best.onnx --img datasets/split/test/images/001.jpg这个脚本会分别用 pt 和 onnx 推理同一张图打印两组框的坐标和置信度。如果差异超过 0.01说明转换过程中有算子没对齐需要检查opset版本或者换用--simplify再试。我见过转 TensorRT 时因为某个激活函数不支持导致输出全零的情况不验证根本发现不了。5.3 不同版本的转换差异YOLOv5 转 ONNX 时输出层通常是三个特征图需要额外做 decodeYOLOv8 和 v11 的输出已经包含了 decode 后的框转换后直接可用。如果你用 v5 转 ONNX 后推理结果不对先确认推理代码里有没有做 decode。工具包的转换工具会自动处理这些差异但如果你手动改过模型结构就要自己检查。另外YOLOv11 转 TensorRT 时部分版本的工具需要指定--dynamic参数来支持动态 batch。如果你的部署场景 batch 不固定记得加上。6. 装完怎么验证跑通三个必查项和一个习惯工具装完、标注跑完、训练启动、模型转换完成这一套流程走下来怎么确认真的没问题我一般会做三个检查缺一不可。第一用测试集跑一次评估。训练结束后工具会自动在验证集上算 mAP但验证集参与过调参不够客观。手动在测试集上跑start.bat val --data configs/yolov8/data.yaml --weights runs/train/exp/weights/best.pt --split test看输出的mAP50和mAP50-95。如果测试集 mAP 比验证集低超过 10 个百分点说明模型过拟合了需要加数据或者加正则。第二用一张新图片做端到端推理。找一张训练集里没出现过的图跑start.bat predict --weights runs/train/exp/weights/best.pt --source test.jpg --conf 0.25看输出的框位置和类别是否合理。这一步能发现数据标注里的系统性问题比如类别标反、框普遍偏大或偏小。第三检查转换后的模型在目标平台上能否加载。如果你转 ONNX 是为了在 C 里用就写个最小加载脚本跑一遍如果转 TensorRT 是为了在边缘设备部署就在目标设备上跑一次推理。不要只在开发机上验证。检查项命令通过标准测试集评估start.bat val --split testmAP50 与验证集差距小于 10%新图推理start.bat predict --source test.jpg框位置合理类别正确转换模型加载目标平台加载脚本输出与 pt 一致误差小于 0.01这三个检查做完基本能确认整套流程跑通了。但还有一个习惯是我踩过坑之后强制自己执行的每次换数据集或者换版本先拿 10 张图跑一遍完整流程——标注、训练 1 个 epoch、转换、推理。确认这 10 张图的链路没问题再上全量数据。听起来麻烦但比起训了 100 个 epoch 才发现标注格式错了这 10 分钟花得值。从那以后我每次拿到新的免环境工具包都强制走一遍这个最小验证流程不跳过任何一步。希望帮到你。本文还有配套的精品资源点击获取
