目标：在 COCO128（128 张训练图）上对 s 档模型做一次短训，走通完整训练流水线。这一阶段指标不是重点——数据集太小，数字本来就会抖——可复现和产物路径清晰才是要拿到手的东西。

这是「YOLO 目标检测实战」的第 03 篇。完整目录见 00 · 系列导读。

一、数据配置

训练使用本地 yaml：data/datasets/coco128.local.yaml。要点：

  • path 固定为容器内 /workspace/data/datasets/coco128；
  • train / val 均指向 images/train2017（COCO128 官方小集常见写法）；
  • 含 COCO 80 类 names；去掉会触发联网下载的 download 字段。

这样即使训练时断网，也不会再去拉 zip。

二、执行

容器内（GPU 空闲）：

1
bash scripts/02_train_coco128.sh

默认超参（可按显存调整）：

参数 默认值
imgsz 640
epochs 5
batch 16
workers 4
device 0
project / name runs/train / coco128

三、产物

1
2
3
4
5
6
7
8
runs/train/coco128/
├── weights/
│   ├── best.pt      # 后续 val / export / API 的核心
│   └── last.pt
├── results.csv
├── results.png
├── confusion_matrix*.png
└── train_batch*.jpg / val_batch*_pred.jpg ...

一次示例短训（5 epochs，仅作数量级参考，不同机器会有差异）：

epoch mAP50 mAP50-95
1 ~0.74 ~0.57
5 ~0.75 ~0.58

COCO128 极小，数字波动完全正常；关键是 best.pt 能稳定写出来。

四、训练侧注意点

  • shm：compose 已给训练容器较大共享内存；仍报错就降 workers。
  • OOM：优先降 batch，再考虑降 imgsz。
  • AMP：Ultralytics 默认可开混合精度，有利于 16GB 级显存。

下一步

有了 best.pt，正式验证它。→ 04 · 验证与预测