网站大小seo引擎优化服务

YOLOv13保姆级入门教程(三)：模型训练与验证全流程！ | 手把手教你构建数据集、标签格式转换与yaml配置

---

---

📖 前言

Hello，大家好！欢迎来到YOLOv13保姆级教程的第三部分，也是最激动人心的实战环节。在上一期《环境配置与推理验证》中，我们已经成功搭建了YOLOv13的运行环境。

今天，我们将正式开始使用我们自己的数据集来训练和验证YOLOv13模型。这对于将YOLO技术应用于实际项目至关重要。

(1) 准备自定义数据集

在开始训练之前，你需要有一个已经标注好的、符合YOLO格式的数据集。

1.1 数据集结构

这里我们以一个PCB电路板缺陷检测数据集为例，它的目录结构如下：

/path/to/your/dataset/
├── images/
│   ├── 01_missing_hole_01.jpg
│   ├── 01_missing_hole_02.jpg
│   └── ...
├── labels/
│   ├── 01_missing_hole_01.txt
│   ├── 01_missing_hole_02.txt
│   └── ...
├── train.txt
└── val.txt

• images/: 存放所有原始图片。
• labels/: 存放与图片同名的.txt标注文件，每一行代表一个边界框。
• train.txt 和 val.txt: 分别存放训练集和验证集所有图片的绝对路径。

小贴士：关于如何从XML格式转换为YOLO的TXT格式，可以参考我之前在YOLOv12系列中详细讲解的《数据集构建》教程。

1.2 创建数据集配置文件 (.yaml)

为了让YOLOv13知道如何使用你的数据集，我们需要创建一个.yaml格式的配置文件。

1. 参考官方配置：
   在yolov13-main/ultralytics/cfg/datasets/目录下，有很多官方数据集的.yaml文件，例如coco.yaml。我们可以复制一份并进行修改。

2. 创建你的.yaml文件：
   我们将coco.yaml复制并重命名为PCB.yaml。

3. 修改配置文件内容：
   打开PCB.yaml，修改以下关键部分：

   # 数据集根目录的路径
   path: /path/to/your/DATASET  # 修改为你数据集的绝对路径
   train: train.txt  # 训练集图片路径列表文件
   val: val.txt      # 验证集图片路径列表文件
   # test: (可选)# 类别信息
   names:0: Missing_hole1: Mouse_bite2: Open_circuit3: Short4: Spur5: Spurious_copper
   

   • path: 必须是你的数据集根目录的绝对路径。
   • train/val: 指向包含图片路径的.txt文件。
   • names: 定义你的类别名称，顺序必须与标注文件中的类别ID（从0开始）严格对应。

(2) 配置并开始训练

准备好数据集配置文件后，我们就可以配置训练脚本并启动训练了。

1. 创建训练脚本
   在yolov13-main目录下创建一个train.py文件。

2. 编写训练代码
   将以下代码粘贴到train.py中。这段代码与官方README中的示例基本一致，但我们做了一些关键修改。

   from ultralytics import YOLO# 1. 加载一个模型配置 (这里使用yolov13n.yaml从零开始训练)
   #    也可以加载预训练权重，如 model = YOLO('yolov13n.pt')
   model = YOLO('yolov13n.yaml')# 2. 训练模型
   results = model.train(data='ultralytics/cfg/datasets/PCB.yaml',  # ‼️ 关键：指向你的数据集配置文件epochs=600,batch=-1,  		# 设为-1，YOLO会自动寻找最佳batch sizeimgsz=640,scale=0.5,  mosaic=1.0,mixup=0.0,  		# S:0.05; L:0.15; X:0.2copy_paste=0.1,  # S:0.15; L:0.5; X:0.6       device='0'  		# 指定使用第0号GPU，多卡用 '0,1,2,3'
   )
   

3. 理解关键训练参数：

   • model: 可以是.yaml（从零训练）或.pt（使用预训练权重）。对于自定义数据集，强烈推荐使用预训练权重，这样收敛更快，效果更好。
   • data: 这是最关键的一步，必须准确指向你刚刚创建的数据集.yaml文件。
   • epochs: 训练的总轮数。可以先设小一点测试，实际训练时根据收敛情况调整。
   • batch: 每批次训练的图片数量。设为-1可以让YOLO自动测试并选择显存允许的最大值，非常方便。
   • device: 指定训练用的GPU。

4. 启动训练
   在激活了yolov13的conda环境下，运行脚本：

   # (yolov13) ...$ 
   python train.py
   

   如果一切配置正确，你会看到终端开始打印模型结构，并启动auto batch测试，然后正式开始训练。训练日志和权重文件会保存在runs/detect/train/目录下。

(3) 模型验证 (Validation)

训练完成后，你需要验证模型在验证集上的性能。

1. 创建验证脚本
   在yolov13-main目录下创建val.py文件。

2. 编写验证代码

   from ultralytics import YOLO# 1. 加载你训练好的模型权重
   #    通常是 runs/detect/trainX/weights/best.pt
   model = YOLO('runs/detect/train/weights/best.pt')# 2. 运行验证
   metrics = model.val(data='ultralytics/cfg/datasets/PCB.yaml',  # 同样指向你的数据集配置文件batch=128,half=True  # 使用半精度推理，可以加速
   )
   

   • model: 这里加载的是你训练过程中保存下来的最佳权重 (best.pt)。
   • data: 同样指向你的数据集配置文件。

3. 运行验证

   # (yolov13) ...$
   python val.py
   

   运行结束后，终端会打印出详细的性能指标表格，包括每个类别的P (Precision), R (Recall), mAP50, mAP50-95等。

---

(4) 总结

本期教程详细讲解了使用自定义数据集训练和验证YOLOv13的全流程：

1. 准备了符合YOLO格式的数据集。
2. 创建并配置了关键的.yaml数据集文件。
3. 修改并运行了训练脚本，并解释了核心参数。
4. 使用训练好的权重进行了模型验证，并解读了性能指标。

至此，你已经掌握了YOLOv13从环境配置到模型训练的核心技能。下一期，我们将探讨如何使用训练好的模型进行图片、视频的推理，以及模型的导出。我们下期再见！