训练你的第一个模型

示例：训练药丸检测器#

Ultralytics Platform 的“Train New Model”对话框要求你选择与下方代码相同的选项——基础模型、数据集、epoch 数和图像尺寸——然后在云端 GPU 上运行，或生成对应的本地命令。这些设置在笔记本电脑 CPU 上约一分钟即可完成：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # 在 COCO 上预训练
results = model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v1")
print(results.save_dir)

CLI 和 Python 的功能等效。epochs=10 和 imgsz=320 可缩短 CPU 运行时间；使用 GPU 时，去掉这两个参数并采用默认值（epochs=100、imgsz=640），因为增加 epoch 数和像素数几乎总是有帮助。Train 模式会替你运行这个循环：

逐行阅读日志#

实际输出，精简为前两个和最后两个 epoch：

optimizer: AdamW(lr=0.002, momentum=0.9) with parameter groups ...
Using 92 train, 23 val images for fraction=1.0 at imgsz=320
      Epoch    GPU_mem   box_loss   cls_loss    l1_loss  Instances       Size
       1/10         0G      1.818      3.899   0.008805        206        320: 100% 6/6 3.3s
                   all         23        399      0.957      0.805      0.927      0.548
       2/10         0G      1.434      3.291   0.006285        208        320: 100% 6/6 4.4s
                   all         23        399      0.953      0.911      0.964      0.592
       ...
       9/10         0G      1.121      1.103   0.005143        194        320: 100% 6/6 5.0s
                   all         23        399      0.949      0.957      0.975      0.656
      10/10         0G      1.174      1.125   0.005068        212        320: 100% 6/6 5.1s
                   all         23        399       0.97      0.957      0.977      0.659
10 epochs completed in 0.015 hours.

• optimizer: AdamW(lr=0.002 ...)：默认的 optimizer=auto 已替你选择优化器和学习率。
• Using 92 train, 23 val images：确认这些数字与你的数据集相符。数字较小表示有图像被跳过。
• GPU_mem 0G：正在 CPU 上训练。在 GPU 上，这里会显示内存使用情况；如果在 GPU 机器上看到 0G，说明 GPU 没有被使用。
• 每个 epoch 的第一行：训练集的三项损失、最后一个批次中标注对象的数量（Instances），以及图像尺寸。
• 每个 epoch 的 all 行：验证集上的精确率、召回率、mAP50 和 mAP50-95。这一行最值得关注。

这里，mAP50-95 从 0.0002 的基线升至第一个 epoch 后的 0.548，并在十个 epoch 后达到 0.659。精确率在第 4 个 epoch 降至 0.80 后又恢复：在 23 张验证图像上，单个 epoch 的结果波动较大，因此应判断趋势，而不是只看某一行。运行过程中可参考以下判断规则：

• 损失下降且 mAP 上升：继续运行。
• 从第 1 个 epoch 起损失就持平：按 Ctrl+C 停止，并检查标签和 YAML。
• 精确率远高于召回率：模型过于谨慎，会漏掉物体。召回率远高于精确率：模型会把不存在的物体也检测出来。
• mAP 多个 epoch 都没有变化：增加 epoch 数没有帮助；应更改数据或 imgsz。

三项损失是 YOLO26 损失函数的组成部分；性能指标指南会深入解释每项指标。

查看运行生成的内容#

所有内容都会写入 runs/detect/pills_v1/：

先打开 train_batch0.jpg。如果其中的边界框没有框住物体，说明标签有误，增加多少个 epoch 都无法解决。

优先调整这些参数#

model.train(data="my_dataset/data.yaml", epochs=200, imgsz=1024, batch=-1, patience=20, name="pills_v1_1024")

patience 的默认值 100 意味着 100 个 epoch 的运行永远不会提前停止。设置更小的值，会在运行停滞时结束训练；上图中的曲线也表明此时应停止。无论如何，都会保留 best.pt。

使用多张 GPU 时，传入类似 device=[0, 1, 2, 3] 的列表：Ultralytics 会替你启动分布式数据并行（DDP）训练，batch 表示所有 GPU 的总量，并且默认使用混合精度训练（amp=True）。当运行规模超出笔记本电脑的承受能力时，同一数据集和参数也可以在 Ultralytics Platform 的云端 GPU 上运行，具体内容见训练、查看和微调运行。

避免这些错误#

模型训练技巧指南介绍其余参数，超参数调优指南介绍学习率扫描和遗传调优器。微调指南介绍如何冻结层。