【yolo】YOLO 训练的两个隐藏坑：类别顺序影响收敛 + cache 文件不刷新
【yolo】YOLO 训练的两个隐藏坑：类别顺序影响收敛 + cache 文件不刷新
作者： code bean
关键词： YOLO, 目标检测, data.yaml, 类别顺序, train.cache, val.cache
在最近的 YOLO 训练实验中，我踩了两个隐藏的坑，影响了训练效果和实验结论：
- 修改类别顺序后，训练收敛速度和最终性能居然有差异
- 修改了类别顺序却发现训练结果完全没变，最后才发现是 cache 文件惹的祸
这篇文章把两个问题梳理总结，希望能帮到同样遇到困惑的朋友。
一、类别顺序真的会影响训练结果吗？
我们知道，在 YOLO 的 data.yaml 中定义了类别顺序，例如：
names:0: baidian1: diaose2: heidian3: zangwu
如果我把顺序改成：
names:0: heidian1: zangwu2: baidian3: diaose
并同步修改所有标签文件中的 class_id，从理论上讲，训练的目标函数完全等价，最终应该学到同样的模型。
但是实验发现：
- Loss 曲线下降速度不同
- mAP 有明显差异
- 早停触发的时间也变了
原因分析
这其实是 YOLO 网络结构 + 梯度传播的一个自然结果：
- 分类头输出是
[cls_0, cls_1, ..., cls_n]，类别顺序决定了通道语义 - 改变类别顺序，相当于改变了梯度首先强化的通道
- 早期训练中，BatchNorm 和卷积层的统计量被低 ID 类别优先更新
- 如果类别不平衡或设置了早停，低 ID 类别可能先学会，高 ID 类别还没充分学习就被早停
换句话说：
YOLO 确实可能“先学会 ID 小的类别”，导致收敛路径发生变化，从而影响最终结果。
建议做法
-
固定随机数种子：保证可复现性
yolo detect train data=data.yaml seed=42 -
多次训练取平均：减少偶然因素影响
-
延长训练轮数或禁用早停：让所有类别都有充分学习机会
-
类别不平衡时使用 class weights，保证梯度信号均衡
二、修改了标注文件训练结果没变？注意 cache 文件！
有几次把类别顺序后回复后，惊讶地发现：训练结果几乎完全一致，甚至 loss 曲线几乎一模一样。刚刚还发现改了顺序有用，这次怎么没有用了？？？
后来才发现是 YOLO 的缓存机制 导致的。
YOLO 的 cache 文件是什么
-
train.cache和val.cache是 YOLO 自动生成的缓存文件 -
存放在数据集路径下，保存了：
- 图片路径、尺寸
- 标签信息（class_id + bbox）
- 图片哈希值
- 损坏图片标记
-
作用是加快训练启动速度、自动跳过坏图
为什么会踩坑
YOLO 判断缓存是否失效主要依赖图片哈希和标签文件时间戳。
如果我只是改了 data.yaml 的 names 顺序，没有动标签文件的时间戳，YOLO 就会认为缓存依然有效，继续使用旧的标签数据。
结果就是：
- YOLO 根本没有重新读取标签文件
- 我修改的类别顺序没有生效
- 训练结果完全没有变化
解决方法
手动删除 train.cache 和 val.cache，重新训练即可：
# Windows
del train.cache
del val.cache
或者保留默认参数 cache=True，让 YOLO 重新生成缓存文件。
不要用 cache=False，那会禁用缓存，每次训练都要重新扫描，降低启动速度。
三、最佳实践
-
修改数据集后（改图片、标签、类别顺序），第一步：手动删除
train.cache和val.cache -
科学对比实验时，务必：
- 固定随机种子
- 清理 cache
- 记录多次训练结果取平均
-
观察收敛行为，建议绘制每个类别的 mAP 曲线，直观看不同类别的学习速度
结论
- 类别顺序会影响 YOLO 的收敛路径，特别是数据不平衡时，可能让低 ID 类别先被学会，从而改变最终性能。
- 如果修改了类别顺序但训练结果没变，首先检查
train.cache和val.cache是否被重建，否则 YOLO 可能仍然使用旧的标签数据，导致实验无效。
✅ 通过这次实验，我不仅理解了类别顺序对训练的潜在影响，也学会了在修改数据集后要注意 cache 文件。以后做实验会更谨慎，保证结果真正反映我修改的内容。