哈尔滨优质官网建站企业微信投放广告多少钱

✅ YOLO获取COCO指标(4): 训练(Train)启用COCO API评估（实时监控AP指标）| 发论文必看！ | Ultralytics | 小白友好

重要说明: 本篇博客内容基于 YOLOv12 进行演示，但其核心原理和配置方法适用于所有基于 Ultralytics 框架开发的 YOLO 版本。在应用代码修改时，请注意核对你所使用的具体 Ultralytics 库版本中的文件路径和代码行号，并确保已完成本系列教程前置步骤（特别是验证时启用 COCO API 的相关配置）。

一、问题定位

在使用 Ultralytics YOLO 进行模型训练时，标准的训练日志通常只展示损失函数（如 box_loss, cls_loss, dfl_loss）的变化。虽然这些损失值能反映训练趋势，但开发者往往更关心模型在验证集上的实际性能指标，特别是标准的 COCO 指标（如 mAP），以便：

1. 实时评估模型效果: 了解每个 Epoch 后模型性能的真实提升。
2. 指导超参数调优: 根据 mAP 的变化趋势调整学习率等参数。
3. 实现基于 mAP 的早停 (Early Stopping): 在 mAP 不再提升时及时停止训练，节省资源。
4. 选择最佳模型: 基于验证集上的最高 mAP 保存 best.pt 权重。

然而，默认的 model.train() 流程，即使配置了验证数据集，其在每个 Epoch 结束后的验证阶段，通常不直接计算和输出完整的 COCO 指标。本文旨在解决此问题，实现在训练过程中实时获取并监控 COCO mAP。

二、原理分析

Ultralytics YOLO 的训练流程 (model.train()) 内部会周期性地调用验证器 (Validator) 对模型在验证集上的性能进行评估。这个验证阶段与单独运行 model.val() 使用的是相似的逻辑，都涉及 ultralytics/engine/validator.py (或其子类，如 ultralytics/models/yolo/detect/val.py)。

要在训练的验证阶段计算 COCO 指标，需要克服以下关键点：

1. 数据收集: 验证器在推理过程中需要收集所有预测框的信息，并将其整理成 COCO 格式的预测结果列表（通常存储在 self.jdict 变量中）。这需要 save_json=True 参数被传递给验证器。
2. 触发 COCO API 调用: 在验证器完成对验证集的推理后，需要显式调用能够处理 self.jdict 并与 Ground Truth JSON 文件交互，最终调用 pycocotools 计算 COCO 指标的函数（如 self.eval_json()）。
3. 结果整合: 计算出的 COCO 指标需要被整合回训练过程的日志和结果记录中，例如更新 results 字典，并可能影响 fitness 值（用于判断是否为最佳模型）。

默认情况下，validator.py 在训练模式 (self.training = True) 下执行 __call__ 方法时，可能并未完整执行保存预测 JSON 文件并调用 self.eval_json() 的逻辑。因此，需要对 validator.py 的 __call__ 方法进行修改，以确保在训练的验证阶段强制执行这一评估流程。

重要前提: 本文的修改依赖于 本系列教程前置步骤已正确完成。即，ultralytics/models/yolo/detect/val.py（或对应检测模型的验证器）中关于 is_coco 的判断、anno_json 路径的定位、以及关键的 self.class_map 针对自定义数据集的调整必须已经生效。否则，即使触发了 eval_json()，也可能因为找不到标注文件或类别映射错误而失败。

三、解决方案与实践案例

以下步骤展示了如何修改配置和代码，以在 model.train() 过程中启用实时的 COCO API 评估。

步骤 1: 在 model.train() 调用中设置 save_json=True

在启动训练时，需要将 save_json 参数设置为 True。这将确保在每个 Epoch 结束后的验证阶段，验证器会收集预测结果并准备好生成 COCO 格式的 JSON 数据。

# --- 代码示例：调用 model.train() 并启用 save_json ---
from ultralytics import YOLO		# 导入 YOLO 类# 加载预训练模型或从 YAML 构建新模型
model = YOLO('yolov12n.pt') 		# 或 yolov12n.yaml# 调用训练方法
results = model.train(data='path/to/your/xxx.yaml', 	# 指向你的 COCO 格式数据集配置文件# ... 其他训练参数 ...save_json=True, 				# 关键：确保验证阶段收集预测结果以供 COCO API 使用# ... 其他训练参数 ...
)

• 说明: save_json=True 本身并不直接计算 COCO 指标，但它是后续步骤中触发 COCO API 调用的必要条件。

步骤 2: 修改 validator.py 的 __call__ 方法

需要修改基础验证器类 ultralytics/engine/validator.py 中的 __call__ 方法。在其 if self.training: 代码块内部，返回结果之前，添加强制保存预测 JSON 文件并调用 self.eval_json() 的逻辑。

• 代码位置 (仅供参考，请核对你的版本): ultralytics/engine/validator.py L205 附近，在 if self.training: 块内，return {k: round(float(v), 5) for k, v in results.items()} 语句之前。

# --- validator.py __call__ 方法修改示例 ---# ... 省略 __call__ 方法前面的代码 ...if self.training: # 判断当前是否在训练模式下的验证阶段model.float() # 确保模型在 float 模式# ------------- 新添加的核心逻辑 ------------ #if self.args.save_json and self.jdict:								# 检查 save_json 是否为 True 且 self.jdict (预测结果列表) 是否有内容pred_json_path = self.save_dir / "predictions.json"LOGGER.info(f"Saving training validation predictions to {pred_json_path}...")with open(str(pred_json_path), "w") as f:json.dump(self.jdict, f) 									# 保存预测结果LOGGER.info(f"Calculating COCO metrics for epoch validation...")stats = self.eval_json(stats) 									# ★★★ 触发 COCO API 评估 ★★★stats['fitness'] = stats['metrics/mAP50-95(B)']		            # 更新 fitness 值，用于判断最佳模型 ('best.pt') ，这里默认使用 mAP50-95 作为 fitness# 你可以根据需要调整 fitness 的计算方式，例如结合 mAP50#    stats['fitness'] = 0.1 * stats['metrics/mAP50(B)'] + 0.9 * stats['metrics/mAP50-95(B)']# ------------- 新添加的核心逻辑结束 ------------ #results = {**stats, **trainer.label_loss_items(self.loss.cpu() / len(self.dataloader), prefix="val")}return {k: round(float(v), 5) for k, v in results.items()}else:# ... 省略后续代码 ...

• 修改说明: 这个修改的核心是在训练的验证环节，强制执行 predictions.json 的保存和 eval_json() 的调用。eval_json() 会利用 pycocotools 计算 COCO 指标，并将 metrics/mAP50-95(B), metrics/mAP50(B) 等指标添加到 stats 字典中。随后，这些指标会被包含在返回给训练器的 results 中，并打印在训练日志里，同时 fitness 值（通常基于 mAP）也会被正确更新，用于模型选择。

四、总结与展望

通过在调用 model.train() 时设置 save_json=True，并对 ultralytics/engine/validator.py 中的 __call__ 方法进行适当修改，我们成功地在 Ultralytics YOLO 的训练过程中实现了每个 Epoch 验证阶段的实时 COCO API 评估。这使得开发者能够：

• 实时监控关键性能指标 mAP 的变化。
• 更有效地进行模型调优和选择。
• 可能基于 mAP 实现更可靠的早停策略。

关键要点回顾:

1. 训练启动时，设置 model.train(..., save_json=True, ...)。
2. 修改 validator.py 的 __call__ 方法，在 if self.training: 分支内，当条件满足时调用 self.eval_json(stats)。
3. 确保 fitness 值基于计算出的 COCO 指标进行更新。

希望本教程能帮助你更深入地理解和控制 Ultralytics YOLO 的训练评估流程，获取更精确实时的模型性能反馈。

---

五、参考文献

• Ultralytics YOLO 官方文档:
  • model.train() API 文档: https://docs.ultralytics.com/modes/train/
  • Validator Class (可能在 API 文档或源码注释中): 查阅 Ultralytics GitHub 仓库中的 ultralytics/engine/validator.py
• 本系列教程前置文章 (重要依赖):
  • 教程(3): 验证(Val)时启用 COCO API 评估 (确保 val.py 修改已完成)
• COCO Dataset 官网: https://cocodataset.org/#detection-eval
• pycocotools GitHub Repository: https://github.com/cocodataset/cocoapi