YOLOv8源码包从解压到训练全流程：环境配置、参数调优与常见坑

简介YOLOv8 是一套基于深度学习的实时目标检测系统源码包提供完整 Python 实现适合计算机视觉研究者、算法工程师及希望理解检测模型训练与推理流程的开发者。代码基于主流深度学习框架组织涵盖模型构建、数据预处理、损失计算、训练与验证逻辑可掌握 CSPDarknet 类骨干网络、多尺度训练、批归一化、非极大值抑制等关键技术的落地写法。压缩包共 81 个文件包含 62 个 Python 脚本、17 个 YAML 配置文件、1 张结构示意图及 1 份说明文档整体仅 287KB目录结构清晰便于按模块检索学习。目前已有 9043 人学习浏览资源内还包含 yolov8n 在 Paddle 与 OpenVINO 两种后端的权重转换示例对需要跨后端部署的读者有参考价值。通过研读源码还可了解数据增强、优化器选择与学习率调度的工程组合方式为自行设计或复现目标检测项目提供可参照的代码模板。1. YOLOv8源码.rar解压就能跑的幻觉与现实下载好的“YOLOv8源码.rar”躺在桌面上双击解压双击某个 python 文件屏幕弹出一片红色报错。这个流程我见过太多次问题几乎从来不出在“源码写错了”而出在“你还没有把它当成一个工程系统来处理”。这份压缩包通常不是单一脚本而是把模型定义、训练入口、数据配置、第三方依赖描述和一些辅助工具打包在一起。想让它跑起来正确顺序是先验包、再建环境、最后才动代码。这篇笔记面向刚拿到包想跑通检测、想用自己的数据集重新训练、或者打算改源码做二次开发的人目标是让你少走三步弯路把时间花在真正该花的调参上。2. 解压前先看懂这份源码压缩包里到底装着什么2.1 拿到手先做一件事用哈希校验确认压缩包没坏很多人在解压失败后直接删包重下其实更值得先做的是把压缩包的哈希值算出来。压缩包在传输和存储过程中可能发生字节级损坏这种损坏不会让解压工具直接报错但会让源码里某些文件变成半个文件等你跑到对应功能时才突然崩掉。拿到“YOLOv8源码.rar”之后第一件事不是解压而是算一次哈希最好连续算两遍对比确认结果稳定。Linux 或 macOS 下用 sha256sumWindows 下用 Get-FileHash命令都很短# Linux / macOS计算压缩包的 SHA-256 哈希 sha256sum YOLOv8源码.rar# Windows PowerShell等价操作 Get-FileHash -Path YOLOv8源码.rar -Algorithm SHA256如果压缩包来源处附带了原始哈希值直接比对即可如果没有至少记录下自己算出来的值。之后如果出现“解压时报文件头错误”“某个源文件打开是乱码”先回去重新算一遍哈希确认包本身没问题再考虑其他原因。这个动作最多花十秒钟但能帮你把“玄学报错”里最常见的一类直接排除掉。另外建议在解压前顺手确认磁盘剩余空间。YOLOv8 源码本体不大但训练数据集、跑出来的权重文件、日志和缓存加起来会占不少空间。解压到一半提示“磁盘已满”比哈希不一致更尴尬。指定一个空间充足的盘符不要默认存在 C 盘用户目录下。2.2 一份能跑的 YOLOv8 源码包目录里通常有哪些成员源码包和安装包最大的差别在于它不保证解压后立刻可用。你需要先弄清楚这个包里有哪些成员、哪些是核心运行入口、哪些是辅助内容。以常见整理方式来说YOLOv8 源码包里一般会包含这么几类东西代码主体、模型配置文件、数据配置示例、训练与推理脚本、说明文档以及可能附带的权重文件。这些成员的作用和重要性差异很大我在拿到一个包时会先按下面这个思路去分类成员类别常见形态作用缺少时的表现代码主体一组组织好的 Python 模块包含模型结构、前向计算、训练逻辑无法 import 核心模块入口脚本直接报错模型配置描述网络结构的配置文件决定模型深度、宽度、任务头训练命令找不到对应模型结构数据配置描述数据集路径与类别告诉训练脚本去哪里读图、读标签训练能开始但 loss 异常或加载不到数据入口脚本供用户直接调用的脚本或命令行入口把参数传给核心逻辑没有可执行入口只能自己翻代码找函数权重文件训练好的模型权重直接推理或作为预训练起点推理时需联网下载或训练从头开始说明文档环境要求、运行方式、参数解释提供作者当时能跑通的配置你的环境配置只能靠猜注意这里的分类不是让你背书而是给你一个判断标准解压后先找入口脚本再看代码主体位置最后看数据配置目录。如果一个包里找不到任何说明文档你就得额外警惕这份包很可能是某次开发过程中的中间产物依赖和路径都不一定完整。这种包不是不能跑只是你要做好自己补环境的准备。怎么判断“能不能跑”我的习惯是先在命令行里尝试把核心模块加载出来。如果 import 都失败问题通常出在依赖没有装全而不是代码内部逻辑有问题。先建立这个判断次序能省掉很多翻源码的时间。2.3 解压乱码、中文路径和重复解压三个容易被低估的坑第一次解压就会遇到坑的人不在少数而且这几个坑几乎都和“压缩包本身没问题”无关。第一个坑是文件名乱码。有些压缩包在制作时用了某些解压工具默认编码Windows 下解压出来会出现一串乱码文件名。这种乱码文件名一旦被 Python 或依赖库读取轻则路径拼接失败重则导入模块时报语法错误。解决方法是换用支持编码切换的解压工具或者在 Linux 下用 unzip 加指定编码参数重新解压遇到乱码文件名优先重压一次而不要强行在乱码环境里继续跑。第二个坑是中文字符路径和太深的目录层级。源码里的模型加载、数据读取、日志写入很多操作都会涉及路径字符串。路径里带着中文、空格或特殊符号不是所有库都能稳得住。遇到过最典型的场景是解压到“C:\Users\用户名\Downloads\YOLOv8源码\yolov8-master”训练跑到一半因为某个子模块读不了路径里的中文而中断。我现在的习惯是解压到盘符根目录下的纯英文短路径比如 D:\yolov8-src路径越短越不容易碰到 Windows 的路径长度限制。第三个坑是重复解压导致两份代码混在一起。有些人收到包后解压了一次发现目录名带“(1)”又解压一次最后两个目录都存在命令行却指向另一个包。这种情况在追踪 bug 时很容易翻车因为你改了一个文件跑起来用的是另一份。规矩很简单先把旧目录删干净再解压新包然后用一个固定目录名别养成“好像放在这里也行”的习惯。解压这一步看似基础但它决定了后面所有排错是否可控。3. 把 YOLOv8 源码跑起来从初始化环境到第一次出框3.1 最小推理命令先跑通再谈改代码解压完成后下一步是建独立环境。常见做法是先在项目根目录创建虚拟环境再以“可编辑模式”安装这份源码。用虚拟环境的原因很简单YOLOv8 的依赖版本比较敏感如果你把它装进全局 Python 环境将来某一个项目升级依赖可能直接把这个环境弄坏。隔离环境是给自己留退路不是额外步骤。# 在源码根目录下创建虚拟环境 python -m venv .venv # Linux/macOS 激活虚拟环境 source .venv/bin/activate # Windows 下激活虚拟环境 .venv\Scripts\activate # 以可编辑模式安装当前源码包及其依赖 python -m pip install -e .这里的关键是“-e”参数也就是 editable 模式。它安装的是链接而不是拷贝意味着你之后修改源码不需要重新 pip install改动会直接生效。对于要二次开发的人来说这一步省掉的重复安装时间非常多。装完之后用一条最小命令验证环境是否正常。# 用源码自带命令行跑一次目标检测推理 yolo predict modelyolov8n.pt source./demo.jpg imgsz640 conf0.25 device0如果源码包里没有自带合适的示例图片换任意一张你手机里的照片也可以。首次运行如果权重文件不存在框架会自动下载一份基础权重正常网络条件下等一会儿就能看到检测框输出。这条命令能跑通说明你的环境、依赖、权重、数据加载链路都正常可以进入后面的改代码和训练环节。如果这一步就报错优先检查是不是装依赖时出现了版本冲突把 pip 输出的完整错误贴到搜索框里比盯着一行提示硬想有效得多。3.2 必调参数拆解imgsz、conf、iou、device 各自管什么最小命令跑通后接下来要理解命令里的参数因为后续所有调试都在调这些值。imgsz 是输入图片的边长默认 640。这个值直接影响检测效果和速度对画面里的小目标尤其明显。如果你要检测的物体本身在画面里就很小直接上 1280 通常比调一堆算法参数更管用代价是推理时间变长显存占用变大。conf 是置信度阈值默认 0.25。它决定一个框只有达到多高的置信度才会被保留。阈值设低一些召回率会变高但也更容易把背景误判成目标设高一些误检少了但容易漏检。调试时不要只凭一次效果调这个值而是拿多张图一起看。iou 是 NMS 去重阈值默认 0.5 附近控制两个重叠框什么时候被合并。两个框重叠面积超过这个比例就认为它们框的是同一个目标保留置信度高那个。如果画面里密集排列着同类目标把 iou 调低一点往往能减少框被吞掉的问题。device 参数决定用 CPU 还是 GPU。取值 0 表示第一张显卡0,1 表示两张卡一起用cpu 表示纯 CPU 运行。没有独立显卡时千万别看图省事不写显式指定 cpu 可以避免有些机器上 PyTorch 到处找 CUDA 却找不到而浪费时间。一个完整的推理命令可以这样组织yolo detect predict modelbest.pt \ source./test_video.mp4 \ imgsz1280 \ conf0.3 \ iou0.45 \ device0我把显存不确定时最容易忽略的一点也写在这里imgsz 不是随便调大的显存不够时优先降 imgsz 而不是降 batch因为推理阶段没有 batch 概念但大图带来的中间特征图占用是成平方增长的。调试阶段从 640 起步看效果不够再升到 960、1280逐级试别一开始就拉到最大。3.3 源码方式与 pip 包方式共存时怎么确认你改的是哪一份很多人在改源码时遇到一个很隐蔽的问题代码改了运行结果却和原来一模一样。这时候十有八九是环境中同时存在两份实现一份是你解压出来的源码一份是之前用 pip 直接装到 site-packages 里的同名包。命令行里输入 yolo解析到的是哪一份取决于环境变量和安装记录。排查方法很简单在一个全新终端里运行下面这条命令看输出路径指向哪里# 查看当前环境实际加载的 ultralytics 包路径 python -c import ultralytics; print(ultralytics.__file__)如果打印出来的路径是 site-packages 下的目录说明你用的根本不是手头解压出来的源码。解决顺序是先卸载 pip 版再从源码目录执行可编辑安装然后重新执行上面的打印命令确认路径已经指向源码目录。卸载和重装的过程也很短# 卸载现有的 pip 包避免双份实现干扰 python -m pip uninstall ultralytics -y # 回到解压后的源码目录重新以可编辑模式安装 cd D:\yolov8-src python -m pip install -e . # 再次确认加载路径已经指向源码目录 python -c import ultralytics; print(ultralytics.__file__)这一条做完你对源码的所有修改才会真正进入运行链路。这个问题排查起来不难但特别容易被人忽略因为报错信息不会直接告诉你“当前用的是另一个包”只会让你看到自己的改动不生效。以后凡是遇到“改了没反应”先打印包路径再怀疑自己的代码逻辑。提示如果你平时不怎么关注包是从哪装的可以用python -m pip show ultralytics查看安装信息里的 Location 字段它同样能告诉你当前生效的是哪一份实现。养成安装后看一眼路径的习惯能省掉后面很多“改了没反应”的排查时间。4. 用自己的数据重新训练从标注目录到完整训练4.1 把标注数据整理成 YOLO 格式目录结构与标签文件规范推理跑通只是热身多数人拿源码包的目的是换自己的数据重新训练。YOLOv8 训练前数据要整理成它要求的格式。图片和标签分开放通常是一个父目录下有两个子目录分别装图片和对应的 txt 标签文件dataset/ ├── images/ │ ├── train/ # 训练图片 │ └── val/ # 验证图片 └── labels/ ├── train/ # 训练图片对应的标签 └── val/ # 验证图片对应的标签关键点在于目录名字一定不要写错。很多源码里写死了默认读取 images 和 labels 这两个目录名你改成 picture 和 annotation训练时它就一直报找不到图片。标签文件与图片同名同后缀规则例如图片是 000001.jpg标签必须是 000001.txt后缀名无关名字必须完全一致。标签 txt 文件的每一行代表一个目标框格式是五个数字类别索引、目标框中心点 x 坐标、中心点 y 坐标、框宽度、框高度。坐标全部除以图片宽高做了归一化取值在 0 到 1 之间。一个典型的标签文件内容长这样0 0.500000 0.500000 0.250000 0.250000 1 0.620000 0.410000 0.120000 0.350000第一列是类别索引从 0 开始。后面四个数是归一化后的坐标和宽高注意这里的宽高是目标框占图片宽和高的比例不是像素值。很多标注工具能直接导出这种格式如果你的原始数据是另一种格式转换脚本的常见做法是遍历每张图片读取对应的标注框把 x_min、y_min、x_max、y_max 换算成中心点加宽高再统一除以图片尺寸。换算时要小心整数除法图片宽高要用浮点数参与计算否则大量小目标框会被整除成 0训练时这些标签等于不存在。4.2 数据配置文件该怎么写path、train、val、names 四个关键项数据整理好之后需要在源码的数据配置目录里放一份 yaml 文件也可以自己新建一个路径随意只要训练命令能读到。这份 yaml 是训练时找数据的唯一依据写错一个路径训练就会以零数据起步损失函数看起来还在下降模型什么都没学到。# 数据配置文件路径请改成你自己的实际路径 path: /home/user/dataset train: images/train val: images/val names: 0: person 1: car这里最关键的是 path 和其下的 train、val 如何配合。train 和 val 的值是相对 path 的路径而不是完整路径。如果你把 train 写成完整的绝对路径而 path 又指向另一个目录源码拼接时反而会得到错误路径。names 必须用列表或字典形式写出全部类别索引必须从 0 开始且连续。如果漏掉某个类别或者中间跳了一个序号训练时类别映射会整体错位验证指标看起来正常真实推理时完全对不上。我自己的习惯是path 写绝对路径train 和 val 写相对路径。这是为了不管你在哪个目录下执行训练命令都能稳定定位到数据集。还有一种常见做法是在项目根目录下运行训练命令然后把 path 写成一个相对根目录的路径这样也能跑通但对路径长度的变化非常敏感不推荐新手这样干。yaml 文件本身用文本编辑器打开就能改注意保存格式是 utf-8类别名里不要带中文或空格否则某些依赖库处理这类字符串时会不可预测地报错。4.3 训练参数怎么设才不翻车batch、epochs、imgsz 的取舍数据准备好了就可以进入训练阶段。训练命令和推理命令共用同一个入口只是动作换成 train。最简版本长这样# 用预训练权重作为起点训练自己的数据 yolo train datadata.yaml modelyolov8n.pt \ epochs100 imgsz640 batch8 device0epochs 指模型完整遍历训练集多少轮。对一个小规模数据集100 轮可以比较稳定地看到收敛趋势数据量大的时候 50 轮左右就可能够用。batch 每次喂给模型多少张图。batch 越大每个 batch 的梯度方向越稳定训练曲线越平滑但显存占用也越高。imgsz 在训练阶段影响更明显因为图片在训练时会被统一缩放到这个尺寸尺寸越大模型看到的目标细节越多但训练时间和显存占用同步上升。给新手一个不容易翻车的经验显存不够时先降 imgsz再降 batch。如果 batch 降到了 2 还是爆显存那基本可以确认是显存确实放不下这个模型结构这时候换更小的预训练模型更实际而不是继续在参数上硬扛。训练曲线出现锯齿状剧烈波动通常是 batch 太小或学习率太高先把 batch 翻倍或者把初始学习率调低一位看看曲线是否变平滑。这两个参数往往比 epochs 更值得反复试。还有一个容易被忽略的参数是 workers也就是数据加载的并行进程数。默认值高可以加快数据读取但每开一个进程就会多占一份内存。实测过不少场景显存还够训练却报内存不足问题往往就出在 workers 拉满。排查训练启动阶段的内存占用时先把 workers 调到 0 或 2 用最小配置跑通再逐步往上涨。注意workers 调大后训练启动阶段的内存占用会明显上升。如果你的机器内存紧张先把 workers 降到 0 验证一次再逐步恢复。这个参数不会影响最终精度只影响训练速度和资源占用。4.4 训练产物解读best.pt、last.pt 与图表曲线训练结束后源码通常会在 runs 目录下按实验顺序生成 exp、exp2、exp3 这样的子目录里面放着这次训练的全部产出。不要只盯着黑匣子一样命令输出真正有价值的是这几个文件权重文件、参数记录和结果图表。权重文件里有两个best.pt 和 last.pt。best.pt 是训练过程中验证集指标最高的那个时刻保存下来的权重last.pt 是最后一轮结束时的权重。推理和部署默认都选 best.pt因为它避开后期过拟合带来的指标下滑。last.pt 则承担另一个作用训练中断后的续训入口。它可以像普通权重一样挂在 model 参数后面继续训练。结果图表里重点看一条曲线验证集 mAP50 的走势。如果它持续上升且没有在后期明显回落说明训练基本健康。如果 mAP50 一直不动先回去检查标签文件而不是调模型结构。标签文件是空文件、类别索引写错、框坐标归一化后超出 0 到 1 范围这三种情况都会让模型在训练集上学不到东西图表自然也不会给你好脸色。args.yaml 这个文件记录了训练时用的全部参数建议每次训练完都保留它。后面想复现或对比参数实验时直接看这份文件就知道上一次怎么设置的不用翻聊天记录猜配置。5. 复现源码过程中的常见问题与避坑记录5.1 现象训练刚开始就 OOMbatch 降到 1 依旧报错训练刚跑没几步终端直接报显存不足这是新手最容易碰到的拦路虎。有人第一反应是继续降 batch但降到 1 仍然爆显存说明瓶颈根本不在 batch。常见原因有三类一是 imgsz 设得太大中间特征图的显存占用随分辨率平方增长二是后台还挂着其他占用显存的程序比如推理进程、渲染工具或另一个训练任务三是多显卡环境下默认把所有卡都占用了但你只想用其中一块。解决顺序也按照这个优先级来。先把 imgsz 从 640 降到 416这一步能释放大量显存然后强制指定 device0避免多卡环境把每张卡都分配一遍再把 workers 降到 0排除数据加载进程占内存的干扰。一个最小验证命令是# 用最小显存配置先跑通一次训练 yolo train datadata.yaml modelyolov8n.pt \ imgsz416 batch1 workers0 device0如果这个配置还爆显存基本可以放弃在同一张卡上跑这个大模型的念头换更小的模型结构或者考虑用梯度累积来模拟大 batch。注意梯度累积只是把多次小 batch 的梯度攒起来显存占用并不会因此降低它是用来缓解小 batch 带来的训练不稳定不是解决显存不足的方案这点要分清。5.2 现象loss 不去前几十轮纹丝不动loss 从第一轮开始就没什么变化或者缓慢下降后又掉头上涨。先说结论这种情况绝大多数不是网络结构问题而是数据问题。空标签文件是最常见的原因图片路径正确但标签目录里全是 0 字节文件模型每次看到一批图都没有目标可以学loss 数值也就失真了。先随机打开几个标签文件看一眼内容确认不是空的再做其他排查。其次检查类别索引。比如你的数据集有 person 和 car 两类但标签文件里写的是第 0 类和第 1 类而 names 列表里定义的是 cat 和 dog模型就会在这两类之间来回学错。再检查归一化坐标有些转换脚本会把目标框坐标直接写成像素值大目标还好小目标会导致 loss 剧烈波动。最后才是调学习率把初始学习率降到默认值的十分之一打开余弦退火增加训练轮数# 小学习率起步配合余弦退火观察收敛 yolo train datadata.yaml modelyolov8n.pt \ epochs200 lr00.0001 cos_lrTrue这条命令不值得立刻用更值得做的是先用 16 张图、10 个 epoch 跑一个最小实验。如果最小实验里 loss 能下降说明全量训练大概率也能收敛如果最小实验都不动问题就锁定在数据上不用花时间在代码和参数里找。5.3 现象验证集 mAP 很高实际视频里框乱跳这是训练完最容易让人沮丧的场景验证集上 mAP 数据漂亮一到真实视频里目标框不是漏检就是抖来抖去。原因很直接视频帧和验证集图片的分布不一致。验证集通常来自同一个拍摄条件下清晰、稳定的图片而视频里有运动模糊、低照度、目标遮挡模型没见过这些形态。解决不是换高级模型而是先对视频里的失败帧做分析。把视频抽帧挑出那些模型表现差的帧看看问题集中在目标过小、目标重叠还是背景复杂。目标过小就去提高推理的 imgsz比如从 640 提到 1280目标重叠就去调低 iou背景误检太多就去调高 conf。把这些失败帧补充进训练集往往比更换更大的预训练模型收益更明显。走完这一步仍然抖再考虑在输出端做时序平滑也就是把前后帧的检测框做加权平均而不是单帧独立出结果这种方法能明显减弱抖动感。# 用更高分辨率和更严格的置信度跑视频减少漏检和乱框 yolo predict modelbest.pt source./dashcam.mp4 \ imgsz1280 conf0.4 iou0.4注意这里的 conf 从默认 0.25 提到 0.4并不是越高越好调的时候拿同一个视频反复看直到框的位置在连续帧之间稳定下来再去处理下一类问题。5.4 现象改了源码不生效用的还是旧逻辑这个问题在 3.3 里已经提到过但它在二次开发阶段出现的频率太高单独再列为一条。现象是你在源码里加了打印语句跑了十几遍都没看到输出于是开始怀疑自己是不是改错函数。先用包路径打印确认当前运行的是哪一份实现。如果指向 site-packages你的源码改动当然不会被加载。还有一个更容易被忽略的版本源码目录里有多个入口文件命令行默认调用的是其中一个而你以为改的是另一个。可以先用 grep 或全局搜索打印出入口文件里实际调用的核心函数位置再对号入座。确认路径正确后记得在 Python 里清掉 pycache 缓存有些旧字节码会留在缓存目录里导致新代码不生效。命令很简单# 强制清理源码目录下的 Python 缓存文件 find . -type d -name __pycache__ -exec rm -rf {} 在 Windows 上手动搜索删除pycache目录即可。这一步做完再重新运行如果新代码还是没有生效那就不是加载问题而是代码分支逻辑本身没有走到你修改的那个分支需要去看调用堆栈而不是继续在路径上纠结。5.5 现象训练中断两天成果直接归零训练到第 80 轮突然断电、蓝屏、或者远程连接断开再回到电脑前发现终端没了。如果没设置检查点保存策略前面所有迭代白跑这正是我常用“后悔药”来形容的场景。YOLOv8 默认会在每个 epoch 结束后更新 last.pt所以中断后大概率还有挽救空间关键是你知不知道续训的正确姿势。续训不需要把 epochs 重新加到 100直接在 model 参数里传入 last.pt并打开 resume 开关# 从上次中断的权重继续训练避免从头开始 yolo train datadata.yaml modelruns/train/exp5/weights/last.pt resumeTrue这条命令会把优化器状态、学习率、当前轮次一起恢复而不是简单地把 last.pt 当成初始权重重训。如果你手头连 last.pt 都没有说明保存频率太低或者中断发生得太早。针对这种情况可以在训练配置里把检查点保存间隔调小让每个 epoch 都保留一次权重快照磁盘占用并不大换来的却是中断时只丢一个 epoch 的损失。养成训练前先看一眼保存策略的习惯比祈祷这次不断电可靠得多。6. 部署前的最后一公里导出、验证与固定随机种子6.1 从 pt 到 ONNX / TensorRT导出一条命令不一定够训练完 best.pt 之后很多人直接把它丢给部署环境但实际部署往往更依赖专用推理格式。导出 ONNX 是最常见的做法它跨框架跨平台部署端集成成本低# 导出 ONNX固定 640 输入 yolo export modelbest.pt formatonnx imgsz640 opset12目标设备是 NVIDIA 显卡时还可以导出 TensorRT 引擎推理速度更快。注意 engine 和显卡型号绑定换卡要重新导出half 半精度能提速但个别小目标可能漏检不是无脑开的选项。6.2 导出后必须做的验证跑同一份验证集看指标变化导出格式之后不做验证就部署很容易出现精度凭空掉一截。我的习惯是导出前先用 pt 跑一遍验证集导出后再用导出文件跑同一份验证集两次结果放在一起对# 导出前基准验证 yolo val modelbest.pt datadata.yaml # 导出后验证模型路径换成实际导出的文件名 yolo val modelbest.pt.onnx datadata.yaml如果两次 mAP50-95 差得比较明显优先检查输入尺寸和数据预处理是否一致最常见的问题就是导出时 imgsz 写错部署端按另一个尺寸预处理框自然不准。6.3 复现训练结果先把随机种子固定下来训练和导出都通过后最后一步是固定随机种子。数据打乱顺序和权重初始化都包含随机性不在脚本开头固定随机源同一份配置跑两次可能得到不同结果。把下面这段放到训练脚本最前面# 固定随机种子保证结果可复现 import random, numpy as np, torch random.seed(0) np.random.seed(0) torch.manual_seed(0) torch.cuda.manual_seed_all(0)可复现性比单次训练成绩更重要。模型效果再好如果别人按同一份配置跑不出接近指标参数实验就无从对比。我吃过的亏是导出后跳过验证直接拿 onnx 跑视频结果输入尺寸不一致框抖到没法看。现在我的习惯是初始化、训练、导出、验证的配置和指标全部记在同一份笔记里导出后必跑一次 val。这套流程走顺后源码复现就不再是黑匣子。养成这个习惯后续每一步都有据可查希望帮到你。本文还有配套的精品资源点击获取