一、 YOLO 训练结果存储位置

默认情况下，YOLO 会将训练产出保存到项目的 runs/detect/ 目录下。

1. 默认存储路径

YOLO 默认将结果存放在：

runs/detect/train/

2. 自定义存储路径 (推荐)

为了在进行多次实验时更好地管理模型，避免混淆，强烈建议在训练时使用 project 和 name 参数自定义保存路径。

from ultralytics import YOLO

# 加载模型
model = YOLO('yolo11n.pt')

# 训练模型
model.train(
    ...
    project='Traffic_System',      # 相当于“大项目名称”，会在当前目录下创建此文件夹
    name='yolov11n_lr0.01_batch32' # 相当于“本次实验的编号”，作为子文件夹
)

这样，结果就会被保存到： Traffic_System/yolov11n_lr0.01_batch32/

---

二、 文件夹命名的“自增”与覆盖机制

YOLO 具有自动重命名机制，旨在保护您的实验数据不被意外覆盖。

• 自动重命名（默认行为）：

  • 如果不设置 name 参数，YOLO 默认使用 train 作为名字。

  • 第一次运行：生成 runs/detect/train/

  • 第二次运行：YOLO 检测到 train 已存在，为了保护旧数据，它会自动创建一个 runs/detect/train2/

  • 依此类推：会出现 train3, train4 ...

• 强制覆盖（调试模式）： 在调试代码或快速迭代时，使用 exist_ok=True 参数。

  model.train(..., exist_ok=True)
  

  设置后，如果重新运行训练，它会直接覆盖掉原有的文件夹，而不是产生一堆数字编号的文件夹。

---

三、 YOLO 模型训练结果详解

运行完训练代码后，YOLO 会在输出目录下生成一个详尽的“报告”。这个目录结构遵循 Ultralytics 的标准规范，设计目的是为了既能拿到模型，又能回溯训练过程。

1. 结构拆解

train/
├── weights/               # 最核心：存放训练好的模型权重
│   ├── best.pt            # 表现最好的模型（验证集上 mAP 最高）
│   └── last.pt            # 最后一轮训练完的模型（用于断点续练）
├── args.yaml              # 记录：本次训练所有的超参数配置
├── results.csv            # 记录：每一轮的 Loss、Precision、Recall、mAP 数值
├── results.png            # 可视化：Loss 和 mAP 随时间变化的曲线图
├── confusion_matrix_Normalized.png   # 评估：混淆矩阵（看模型容易把哪种车认错）
├── F1_curve.png           # 评估：F1 分数与置信度的关系曲线
├── train_batch0.jpg       # 预览：训练集的第一批图片标注（检查数据对不对）
└── val_batch0_pred.jpg    # 预览：验证集的第一批预测结果（直观感受模型准不准）

2. 关键文件详解

2.1 核心文件夹：weights/ (相当于模型的灵魂)

这里存放的是训练的物理产出。

• best.pt：

  • 原理：在 50 轮训练中，模型每一轮都会在“验证集”上考试。系统会自动记录 mAP 指标最高的那一轮权重。

  • 用途：生产环境唯一指定文件。当把系统部署到摄像头或视频处理时，只拷贝这个文件即可。

• last.pt：

  • 原理：无论好坏，它只记录最后一轮（第 50 轮）的模样。

  • 用途：断点续传。如果 Colab 突然断网或掉线，我们下次可以用 model = YOLO("last.pt") 接着之前的进度练，不用从第一轮重来。

---

2.2 训练日志与配置 (复盘的工具)

• args.yaml：

  • 详细内容：它记录了启动训练时所有的参数——学习率是多少、图片缩放到了多大、用了哪个 GPU、甚至连没设置的默认参数（如马赛克数据增强的比例）都在这里。

  • 意义：当我们一个月后忘了这模型是怎么练出来的，打开它，就能完全复刻实验

• results.csv：

  • 详细内容：一个表格文件，行是轮次（Epoch），列是各种损失值（Loss）和精度指标（mAP）。

  • 意义：如果想自己用 Excel 或 Python 绘制更漂亮的图表，数据源就在这里。

---

2.3 可视化图表 (相当于体检报告)

① results.png —— 整体趋势图

这张图通常由 10 个小图组成，分为两大部分：

• 左侧 (Loss 曲线)：包括 train/box_om、train/cls_loss 等。

  • 理想状态：像滑梯一样顺滑下降，最后趋于平稳。

  • 异常信号：如果曲线像“心电图”一样剧烈震荡，说明学习率可能太高了，导致模型不能收敛；如果曲线在末尾突然往上翘，说明模型产生了过拟合。

• 右侧 (Metrics 曲线)：包括 metrics/mAP50(B) 等。

  • 理想状态：像爬山一样稳步上升。

② confusion_matrix_Normalized.png —— 归一化混淆矩阵

这是一个 的方阵，横轴是模型预测的，纵轴是真实的。

• 对角线（深色区）：代表预测正确的数量。颜色越深，说明该类别识别越准。

• 非对角线区域：代表“张冠李戴”。

  • 案例：如果 Car 行和 Truck 列的交叉点数值很高，说明模型经常把小车认成卡车。这时我们就知道：我需要给模型多看一些卡车的特写图。

• Background 这一行/列：代表漏检（把车看成背景）或误报（把背景看成车），比如说car和background交叉处高达0.80，则说明我们需要在训练集中添加更多的背景图（没有标注物体的图片），帮助模型区分物体与背景。

③ F1_curve.png 

这张图展示了 F1 分数（查准率和查全率的调和平均数）随置信度阈值（Confidence Threshold）的变化趋势

• 含义：横坐标是“置信度阈值”（Confidence），纵坐标是 F1 分数（精确率和召回率的平衡点）。

• 实战意义：它告诉我们，在部署系统时，把置信度过滤门槛设为多少最合适。通常曲线最高点对应的 Confidence 值（比如 0.621）就是最优解。

• 最佳置信度：

  蓝色粗线代表所有类别的综合 F1 分数。最高点位于置信度约为 0.621 处，此时综合 F1 分数达到 0.96。这意味着在部署模型时，建议将置信度阈值设置为 0.621 左右，以获得最佳的检测效果。

• 各类别表现：

  Van (红色线)： 综合 F1 分数最高，在较宽的置信度范围内表现稳定；Truck (绿色线)： F1 分数相对较低，说明卡车的检测难度较大，对置信度变化较为敏感。

• 阈值影响：

  当置信度阈值小于 0.4 时，所有类别的 F1 分数都在迅速上升；当置信度阈值大于 0.8 时，F1 分数急剧下降，说明过高的阈值会导致大量目标被筛掉。

---

2.4 实时效果图 (直观反馈)

• train_batchx.jpg：

  

  • 检查点：如果图里的框画歪了，说明原始标注数据有问题，“地基”就没打好。

• 这是训练开始前生成的。它展示了模型看到的经过“数据增强”（旋转、变色、拼接）后的图片。

• val_batch0_pred.jpg：

  

  这是验证集上的预测预览。

  • 意义：这是最爽的一张图，可以直接看到模型在它没见过的图上画出的框。如果框很稳、标签对，说明系统已经初步成型。

---

2.5 总结：怎么看训练结果

1. 看 results.png：确认模型练“会”了（曲线收敛）。

2. 看 confusion_matrix_normalized.png：确认模型没把 Car 和 Truck 搞混。

3. 取 weights/best.pt：打包带走，去写视频检测逻辑。

---

3. 必须遵守的规定/常识

1. 覆盖规则：如果再次运行训练且 name 仍为 train，而没有设置 exist_ok=True，YOLO 会自动创建一个 train2 文件夹，而不会覆盖旧的。

2. 权重独立性：best.pt 已经封装了模型结构信息。不需要 data.yaml 就可以在任何安装了 ultralytics 的电脑上运行这个模型进行推理（预测）。

3. 结果解读限制：不要只看 train_loss。如果 train_loss 极低但 val/mAP 也低，说明模型过拟合了（如同只会背题，不会考试）。