多模态微调实战（06）：全量训练的后台、断点与监控
演示集跑通后，才进入全量。全量意味着：时间以「天」计、必须可中断、必须可续训、必须能看懂进度。这一篇讲长时训练的运维细节。 这是「多模态微调实战」的第 06 篇。从「几十分钟」跨到「数天」，运维方式要随之升级。 一、规模与时间预期 项目 量级 训练样本 约 37 万 验证样本 约 4 万 epoch 3（可调） 单卡 16GB 常见要数天；具体取决于分辨率、I/O、实现细节 显存 约 9～11GB 量级（冻结 ViT + LoRA） 不要相信「一定 30 小时」这种绝对数字；以你机器上稳定后的 s/it 估算： 1剩余小时 ≈ 剩余 step × 每 step 秒数 / 3600 二、启动方式：前台 vs 后台前台适合调试： 1bash script/train_lora_full.sh 关掉终端，训练一般也会停。 后台（推荐）1bash script/train_lora_full_bg.sh 典型实现要点： nohup ... & 写入日志； 记录 PID； 提供 status / stop 子命令。 ...
YOLO 目标检测实战（04）：验证与预测
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： 1bash scripts/03_val_test.sh 脚本分两步。 1. Val1234567yolo 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： 1234runs/val/coco12...
多模态微调实战（05）：微调前后的评测对比
没有评测的微调，只是「loss 在下降」。对 OCR，建议至少同时看三个指标：完全匹配、字符级准确率、编辑距离。这一篇讲怎么把基座和 LoRA 摆到同一把尺子下对比。 这是「多模态微调实战」的第 05 篇。评测是决定「要不要投入全量训练时间」的依据。 一、评测原则 同一验证集、同一提示词、同一解码参数； 先评基座，再评 LoRA（或合并后模型）； 指标脚本与业务规则一致（是否忽略空格、大小写等要事先约定）。 二、指标定义 指标 含义 Exact Match 预测字符串与标签完全一致的比例 Character Accuracy 基于编辑距离的字符级正确率均值 Avg Edit Distance 平均 Levenshtein 距离（越小越好） 伪代码直觉： 12exact = mean(pred == label)char_acc = mean(1 - edit_distance(pred, label) / max(len(label), 1)) 三、推荐流程3.1 基座推理用 swift infer（或封装脚本）对验证 JSONL 批量推理，输出...
RustInPractice TUI（05）：多窗口与桌面行为
多窗口 UI 的核心不是同时创建多个窗口，而是让前后层级、点击激活、拖动和关闭都由 Desktop 统一维护。desktop_showcase 用三个重叠的非模态窗口展示这一点。 对应 turbo-vision/desktop_showcase。截图来自实际运行状态，最晚加入的窗口位于最前。 建立层级窗口依次加入 Desktop，后加入的窗口在初始状态位于前方。每个窗口的文本 View 只关心客户区，窗口移动、激活和关闭交给框架。 12345678910app.desktop.add(Box::new(make_window( Rect::new(4, 2, 44, 12), "Window 1 - Background", "Non-modal window.",)));app.desktop.add(Box::new(make_window( Rect::new(32, 4, 74, 15), "Window 3 - Foreground", "Topmost ...
RustInPractice TUI（04）：列表、焦点与选择反馈
列表控件把“当前选择”从一串散落的按键判断中抽离出来。ListBox 负责导航和滚动，应用只在收到选择命令时读取选中项并决定下一步。 对应 turbo-vision/list_widgets。截图展示了可用方向键、翻页键和 Enter 操作的初始列表。 数据与选择命令列表由控件持有项目，并在 Enter 确认时发出专用命令。这样事件循环不需要自行维护索引。 1234567const CMD_LIST_SELECT: u16 = 101;let mut listbox = ListBoxBuilder::new() .bounds(Rect::new(4, 3, 36, 16)) .on_select_command(CMD_LIST_SELECT) .build();listbox.set_items(vec!["Rust".into(), "C++".into(), "Python".into()]); 事件顺序绘制时需要同时画 Desktop、ListBox 与状态栏。收到普通键盘事件后...
RustInPractice TUI（03）：菜单、状态栏与命令路由
菜单、快捷键和状态栏不应各自执行业务逻辑。它们都应转成统一命令，再由一个边界明确的分发点处理。menu_status 演示了这条链路。 对应 turbo-vision/menu_status。启动时的 About 对话框展示了菜单和状态栏都已绘制。 定义命令内置命令如 CM_NEW、CM_OPEN 和 CM_QUIT 可直接使用；应用自己的命令应避开内置范围。 12345678const CMD_ABOUT: u16 = 100;let help_menu = SubMenu::new( "~H~elp", Menu::from_items(vec![MenuItem::with_shortcut( "~A~bout", CMD_ABOUT, 0, "F1", 0, )]),); 单一分发点事件循环先把 Ctrl-N、Ctrl-O、Alt-X 映射为 Command 事件，再依次交给菜单栏和状态栏处理，最后只在 handle_command 中改变应用状态或打开对话框。 123...
RustInPractice TUI（02）：模态表单与 UI 状态
表单的难点不是画两个输入框，而是让输入状态在控件和提交逻辑之间保持一致。dialog_form 用模态 Dialog 暂时接管事件循环，并用共享数据保存输入。 对应 turbo-vision/dialog_form。截图中的姓名和邮箱均为 demo 固定示例数据。 状态归属InputLine 接收 Rc<RefCell<String>>。Rc 允许输入框和提交代码共同持有同一份字符串，RefCell 把借用检查放到运行时。这个组合只适合单线程 UI 状态；跨线程更新应使用消息通道或同步原语。 12345678let name_data = Rc::new(RefCell::new(String::from("Alice")));dialog.add(Box::new( InputLineBuilder::new() .bounds(Rect::new(14, 3, 44, 3)) .max_length(28) .data(Rc::clone(&name_data)) ...
RustInPractice TUI（01）：终端窗口与事件循环
终端 UI 不是把 println! 拼成界面，而是维护一组 View，并在绘制、输入和命令之间循环。这个番外使用 turbo-vision 的 Rust 实现，从一个可关闭的窗口开始。 对应 turbo-vision/hello_window。以下截图来自 Docker 中实际运行的 100x30 终端帧。 最小结构Application::new() 初始化终端和 Desktop。窗口由 WindowBuilder 创建，再向其中加入 Label 和 Button。Rect::new(x1, y1, x2, y2) 使用的是两个对角点，不是宽高。 1234567891011let mut app = Application::new()?;let mut window = WindowBuilder::new() .bounds(Rect::new(15, 5, 65, 16)) .title("Hello Turbo Vision") .build();window.add(Box::new(LabelBuilder::new...
YOLO 目标检测实战（03）：COCO128 短训
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）： 1bash 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 ...
多模态微调实战（04）：小规模 LoRA 试跑，先证明流程可用
在上全量之前，先用 两千级样本 把 LoRA 跑通。这一步的目标不是刷榜，而是回答三个问题：命令能不能跑完？显存是否稳定？验证指标有没有「方向正确」的提升？ 这是「多模态微调实战」的第 04 篇。先小后大的「小」，就在这一篇。 一、训练命令骨架核心是 swift sft。下面是一组在约 16GB 单卡上验证过的参数思路： 1234567891011121314151617181920212223242526272829303132PYTORCH_ALLOC_CONF=expandable_segments:True \IMAGE_MAX_TOKEN_NUM=512 \MAX_PIXELS=802816 \CUDA_VISIBLE_DEVICES=0 \swift sft \ --model /workspace/model/Qwen3-VL-4B-Instruct \ --dataset /workspace/dataset/ocr_plate/train.jsonl \ --val_dataset /workspace/dataset/ocr_plate/val....
