目标：用训练得到的 best.pt 做一次正式 val，再在样例图上 predict，确认微调权重确实可用、加载路径无误。

这是「YOLO 目标检测实战」的第 04 篇。完整目录见 00 · 系列导读。

一、前置条件

  • 已有 runs/train/coco128/weights/best.pt（见 03 · 短训）；
  • 本地数据 yaml 仍在：data/datasets/coco128.local.yaml。

二、执行

容器内：

1
bash scripts/03_val_test.sh

脚本分两步。

1. Val

1
2
3
4
5
6
7
yolo detect val \
  model=/workspace/runs/train/coco128/weights/best.pt \
  data=/workspace/data/datasets/coco128.local.yaml \
  device=0 \
  project=/workspace/runs/val \
  name=coco128 \
  exist_ok=True

输出目录示例：

1
2
3
4
runs/val/coco128/
├── BoxPR_curve.png / BoxF1_curve.png ...
├── confusion_matrix.png
└── val_batch*_labels.jpg / val_batch*_pred.jpg

关注终端打印的 Precision / Recall / mAP50 / mAP50-95，并与训练曲线对照。

2. Predict

1
2
3
4
5
6
7
yolo detect predict \
  model=.../best.pt \
  source=/workspace/data/images \
  device=0 \
  project=/workspace/runs/detect \
  name=test_best \
  exist_ok=True

可视化在 runs/detect/test_best/。可以和冒烟结果 smoke 对比：短训前后框与分数的变化通常不大（数据量极小），但路径与权重加载应无误。

三、手动再跑一张（可选）

1
2
3
4
5
6
7
yolo detect predict \
  model=/workspace/runs/train/coco128/weights/best.pt \
  source=/workspace/data/images/bus.jpg \
  device=0 \
  project=/workspace/runs/detect \
  name=my_test \
  exist_ok=True

四、通过标准（本实验）

  • val 正常结束并写出曲线图；
  • predict 生成带框图片；
  • 无 CUDA / 权重路径错误。

下一步

权重可用后，开始考虑跨框架部署。→ 05 · 导出 ONNX 与结果对齐