命令行完整步骤

目标：确认机器认得你的显卡，并知道它支持哪个 CUDA 版本。

nvidia-smi

• 记下右上角的 CUDA Version（这里是 12.4），第 3 步要照着它选 PyTorch 版本
• 记下显存（8188 MiB ≈ 8 GB），它决定 batch 能开多大
• 提示「不是内部或外部命令」 → 没装 NVIDIA 驱动，先去官网装驱动再回来

目标：把训练用的库装在独立环境里，不污染系统 Python。

conda create -n poultry python=3.10 -y
conda activate poultry

• 命令提示符前面出现 (poultry) 就成功了。之后每一步都要在这个环境下执行， 重新开终端要先 conda activate poultry
• 没装 Anaconda 的话，用 Python 自带的 venv 也行：

  python -m venv poultry
  poultry\Scripts\activate        # Windows
  source poultry/bin/activate     # Linux

目标：装一个能用 GPU 的 PyTorch。这一步最容易装错。

按第 1 步看到的 CUDA 版本，选不高于它的那一行执行。

# RTX 50 系 / Blackwell（驱动 CUDA ≥ 12.8）—— 必选这行
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128

# RTX 20/30/40 系，驱动 CUDA ≥ 12.1
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

# 更老的显卡（驱动 CUDA ≥ 11.8）
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

装完立刻验证，这一步不能跳过：

python -c "import torch;print(torch.__version__, torch.cuda.is_available(), torch.cuda.get_device_name(0))"

• 中间必须是 True。如果是 False，说明装成了 CPU 版： 先 pip uninstall torch torchvision -y 再重装，注意别漏掉 --index-url 那一截
• 版本号里带 +cu128 / +cu121 才是 GPU 版；带 +cpu 就是装错了
• 版本号带 +cu128 了但训练时报 no kernel image，说明卡是 50 系却没装 cu128

目标：装好训练框架，确认它能找到显卡。

pip install ultralytics
yolo version
yolo checks

• yolo checks 会打印一张环境自检表：Python / torch / CUDA / 内存 / 磁盘，全部打勾即可
• 提示 No module named 'ultralytics' → 十有八九是忘了 conda activate poultry

目标：拿到图像和标注文件。

下载地址见本页第 02 节（百度网盘，提取码 MAWH）。解压 .rar：

# Windows: 装 7-Zip 或 WinRAR，右键「解压到当前文件夹」即可

# Linux
sudo apt install unrar -y
unrar x data.rar

• 先随机抽查一对同名文件：images/xxx.jpg 与 labels/xxx.txt， 用记事本打开 txt，里面应该是若干行 0 0.5123 0.4381 0.0864 0.1217 这样的数字
• txt 是空的说明这张图没有目标，属正常（背景图）
• txt 里若是 <annotation><object>... 这种 XML，那是 VOC 格式， 需要先转成 YOLO 格式，本页不展开

目标：让框架按约定的位置找到训练集和验证集。

Ultralytics 只认下面这种结构，目录名和层级不能改：

dataset/
├── data.yaml
├── images/
│   ├── train/         训练图像
│   └── val/           验证图像
└── labels/
    ├── train/         与训练图像同名的 .txt
    └── val/           与验证图像同名的 .txt

关键点：图像和标签靠文件名对应（abc.jpg ↔ abc.txt）， 不靠目录顺序。所以两边必须一起移动，绝不能只挪一边。

数据还没划分训练/验证集的话，用下面这段脚本按 9:1 随机划分 （把 SRC 改成你的数据目录）：

# 保存为 split.py，然后 python split.py
import random, shutil, pathlib

SRC   = pathlib.Path("raw")        # 原始 images/ 与 labels/ 所在目录
DST   = pathlib.Path("dataset")    # 输出目录
RATIO = 0.9                        # 训练集比例

imgs = sorted((SRC / "images").glob("*.jpg"))
random.seed(0); random.shuffle(imgs)
cut = int(len(imgs) * RATIO)
for split, group in (("train", imgs[:cut]), ("val", imgs[cut:])):
    (DST / "images" / split).mkdir(parents=True, exist_ok=True)
    (DST / "labels" / split).mkdir(parents=True, exist_ok=True)
    for p in group:
        shutil.copy(p, DST / "images" / split / p.name)
        lab = SRC / "labels" / (p.stem + ".txt")
        if lab.exists():
            shutil.copy(lab, DST / "labels" / split / lab.name)
print(f"训练 {cut} 张, 验证 {len(imgs) - cut} 张")

目标：告诉框架数据在哪、有几类。

在 dataset/ 下新建 data.yaml，内容如下：

# Linux
path: /root/data1/work/ultralytics-main/dataset
train: images/train
val: images/val

# Windows 把 path 改成（注意用正斜杠，不要反斜杠）
# path: D:/poultry/dataset

names:
  0: chicken

• path 用绝对路径最省事；train / val 是相对 path 的子路径
• names 的编号必须和标注文件第一列对得上。只有一类，所以编号是 0
• 路径里不要出现中文和空格，Windows 上尤其容易因此报奇怪的错

目标：用 1 分钟、极少的数据确认整条链路是通的，再花几小时正式训练。

不要一上来就跑 200 轮。先用这条命令探路——只取 2% 数据、1 轮、小尺寸：

yolo detect train \
  model=yolov8n.yaml \
  data=dataset/data.yaml \
  epochs=1 \
  imgsz=320 \
  batch=4 \
  fraction=0.02 \
  device=0 \
  name=smoke

盯住输出里这两行：

• images 数量对得上吗？远少于实际张数说明有文件没被识别
• corrupt 必须是 0。不是 0 说明有损坏的图或格式不对的标签
• backgrounds 别等于 images。全部成了 background，说明标签根本没读到，见第 9 步

目标：眼见为实。这是新手最容易翻车的地方——训练跑完了，才发现标签一张没读到。

冒烟测试结束后，打开它生成的那张预览图：

runs/train/smoke/train_batch0.jpg

• 图上应该能看到画好的矩形框，框住鸡头。这就是送进网络的真实样本
• 一个框都没有 → 标签没读到，按顺序检查：
  1. labels/ 里的文件名和 images/ 里的是否完全同名（含大小写、扩展名）
  2. 标签每行是不是 5 个数字 class cx cy w h，且后四个在 0～1 之间
  3. 标签文件是不是 UTF-8 编码、行尾没有奇怪符号
  4. data.yaml 里 train: 指的是 images/train 而不是 labels/train
• 同目录下的 labels.jpg 是标注分布图，能看出框的尺寸与位置分布是否合理

目标：跑满 200 轮。这就是本课题各模型实际使用的命令。

yolo detect train \
  model=yolov8n.yaml \
  data=dataset/data.yaml \
  epochs=200 \
  imgsz=640 \
  batch=48 \
  device=0 \
  optimizer=SGD \
  lr0=0.01 \
  lrf=0.01 \
  momentum=0.937 \
  weight_decay=0.0005 \
  warmup_epochs=3.0 \
  patience=50 \
  close_mosaic=10 \
  amp=true \
  seed=0 \
  deterministic=true \
  workers=8 \
  project=runs/train \
  name=exp_yolov8n

换模型只改 model= 一处，比如 yolov8m.yaml、yolov9m.yaml、 rtdetr-l.yaml；同时把 name= 改掉，避免覆盖上次结果。

• 显存不够就按这个顺序调：batch 48 → 32 → 16，还不行再降 imgsz 640 → 512
• 想一次试几个模型，把命令存成脚本，用第 14 步的方法批量跑

目标：判断「一切正常」还是「需要干预」。

训练会按轮打印进度，几个判断标准：

• 三个 loss 应整体下降（box_loss / cls_loss / dfl_loss）。 中间抖动正常，只要趋势向下
• 前几轮 mAP 为 0 是正常的。随机初始化的模型要几轮后才有有效预测，看到 0 别急着停
• loss 变成 nan → 学习率太高，把 lr0 从 0.01 降到 0.001 重跑
• 几十轮后 mAP 一直卡在 0 → 回第 9 步查标签
• 想看实时进度：另开终端 tail -f runs/train/exp_yolov8n/results.csv， 或等训练结束看 results.png

训练结束（或中断）后目录里会有这些产物：

目标：评测、看图、导出部署格式。

# 1) 在验证集上重新评测, 得到与页面成绩表同口径的指标
yolo detect val model=runs/train/exp_yolov8n/weights/best.pt data=dataset/data.yaml

# 2) 拿一批新图做预测(单张、目录、视频都行)
yolo detect predict model=runs/train/exp_yolov8n/weights/best.pt source=test_images/ save=true

# 3) 导出为 TorchScript, 便于部署到边缘设备
yolo export model=runs/train/exp_yolov8n/weights/best.pt format=torchscript

• 想调整检出数量，在 predict 后加 conf=0.25（只保留得分高于 0.25 的框）
• 预测结果默认保存在 runs/detect/predict/ 下

目标：不浪费已经跑过的轮数。

直接 Ctrl+C 停掉不会损坏数据，续训只要一条命令：

yolo detect train resume model=runs/train/exp_yolov8n/weights/last.pt

• 注意用 last.pt，不是 best.pt —— 续训要从最后一轮的完整状态 （含优化器动量、学习率位置）接上
• 续训会读回当初的 args.yaml，不用再写一遍参数

目标：复现本页第 05 节的成绩表。

把模型名写成列表循环，逐个训练、互不干扰：

# 保存为 run_all.sh，然后 bash run_all.sh
#!/usr/bin/env bash
MODELS="yolov5n yolov5s yolov8n yolov8s yolov8m yolov9t yolov9s yolov10n rtdetr-l"

for m in $MODELS; do
  echo "===== 开始训练 $m ====="
  yolo detect train \
    model=${m}.yaml data=dataset/data.yaml \
    epochs=200 imgsz=640 batch=48 device=0 \
    optimizer=SGD lr0=0.01 lrf=0.01 \
    patience=50 close_mosaic=10 amp=true \
    project=runs/train name=exp_$m
done
echo "===== 全部完成，结果在各 runs/train/exp_*/ 目录下 ====="

# Windows PowerShell 版
$models = "yolov8n","yolov8s","yolov8m"
foreach ($m in $models) {
  yolo detect train model="$m.yaml" data=dataset/data.yaml `
    epochs=200 imgsz=640 batch=48 device=0 `
    optimizer=SGD lr0=0.01 patience=50 `
    project=runs/train name="exp_$m"
}

跑完把各目录的 results.csv 收进一个文件夹，执行 python tools/build_poultry_metrics.py（见第 08 节说明）， 本页的对比表就会自动更新。