🗓️ 四周行动计划总览

周次 核心目标 产出物

第1周 跑通深度学习全流程（分类→检测） 能训练YOLO的代码环境、第一个训练日志

第2周 完成“称重商品识别”项目核心 训练好的YOLO模型（.pt文件）

第3周 工程化部署 + 面试题库 HTTP API服务、面试问答文档

第4周 简历/作品集打磨 + 模拟面试 + 投递 GitHub仓库、自我介绍视频/录音

---

4月3日实操内容（一天完成了4天的计划）

📅 第1周：环境搭建 + 跑通第一个深度学习项目

目标：消除“无实操”恐惧，理解训练全流程。

Day 1-2：环境与工具（2h/天）

1.已经安装 conda25.5.1和Python3.13.5，故未记录软件安装配置，仍然创建虚拟环境yolo8， python版本3.9，-y确认

conda create -n yolov8 python=3.9 -y

2.激活环境，该环境Python版本应该为3.9

conda activate yolov8

3.安装pytorch cpu版本，而非cuda版本（因为本人电脑配置处理器 AMD Ryzen 5 5600U with Radeon Graphics (2.30 GHz) 机带 RAM 16.0 GB (13.9 GB 可用)）

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

4.验证安装

python -c "import torch; print(torch.version)"

反馈：2.8.0+cpu，无报错下一步

5.安装jupyter

pip install jupyterlab

6.安装yolo8官方库ultralytics

pip install ultralytics

7.安装labelimg（可用 Roboflow 在线标注，所以注册了roboflow账户，可下载数据集）

pip install labelimg

8.验证yolo8是否正常

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

结果在C:\Users\runs\detect\predict

时间充裕进行下一步------------------------------------------------------------------------------------------------

Day 3-4：用YOLO训练一个极简检测模型（2h/天）

1.下载一个公开小数据集：Roboflow 搜索 “fruit detection” 找一个小规模（<500张）数据集，导出为YOLO8格式的zip

选择数据集：

https://universe.roboflow.com/yusuf-lkbmx/fruit-5jw1i/dataset/1

2.把文件组织成

C:\project\yolo-projects\fruit_dataset\

├── data.yaml

├── train/

│ ├── images/

│ └── labels/

└── valid/

│ ├── images/

│ └── labels/

多出来了没管

└── test/

├── images/

└── labels/

3.检查data.yaml 文件，检查里面的路径是否正确，一般来说正确

文档中names: ['0']，感觉到识别出的水果可能都会叫做0，后面学习原理后应该进一步把数据集中的水果分类啊（待办）

4.用 YOLOv8 训练 10 epoch

在激活环境下进入数据集目录

cd C:\project\yolo-projects\fruit_dataset

开始训练

yolo train data=data.yaml model=yolov8n.pt epochs=10 imgsz=640 batch=4

参数解释：

• data=data.yaml：数据集配置文件

• model=yolov8n.pt：使用 YOLOv8 nano 预训练模型（已经下载过，会自动复用）

• epochs=10：训练 10 个轮次（第一次训练，10轮足够看到效果）

• imgsz=640：输入图片尺寸

• batch=4：每次迭代处理4张图片（因为是 CPU，设小一点避免内存溢出）

如果训练过程中提示内存不足，可以将 batch=2 或 batch=1。

5.观察 loss 下降曲线和 mAP 输出

你需要关注的是：

• box_loss, cls_loss, dfl_loss：这三个损失值应该随着 epoch 增加而逐渐下降（比如从 1.5 降到 0.5 左右）。

• mAP50：平均精度（IoU=0.5），数值越高越好。10轮后可能只有 0.3~0.5，这很正常。

• 如果训练过程中 loss 不下降或出现 nan，可能是学习率问题或数据问题，先继续观察。

• 耐心等待训练完成，可以去做别的事情，CPU 会一直运算。

6.训练结束后，命令行会显示类似：

Results saved to runs/detect/train

保存在runs/detect/train/weights/ 

• best.pt：验证集上表现最好的模型

• last.pt：最后一个 epoch 的模型

同时会生成训练曲线图 results.png（在 runs/detect/train/ 下），可以打开看一下 loss 曲线。

从下降趋势可以看出，变化不够平缓，可以加大epoch。

7.用训练好的模型预测几张验证集图片

在同一个命令行中执行（确保当前目录仍在数据集目录）：

yolo predict model=runs/detect/train/weights/best.pt source=valid/images

这条命令会对 valid/images 文件夹里的所有验证集图片进行预测，结果保存在 runs/detect/predict 下。

也可以指定单张图片但是没做：

yolo predict model=runs/detect/train/weights/best.pt source=valid/images/某张图片.jpg

打开生成的图片，看看检测框是否正确。

查看10轮训练的结果：

1）mAP50： 0.522

2）loss曲线，在上面

3）漏检或低置信度的图片（低于0.25不显示置信度），分析可能的原因

4）调节阈值重新预测

yolo predict model=runs/detect/train/weights/best.pt source=valid/images conf=0.？

思考反馈：

• box_loss、cls_loss、dfl_loss 三条曲线应该随着 epoch 增加而下降并趋于平稳。如果还在下降，说明可以训练更多轮。

• 如果 loss 曲线震荡剧烈或上升，说明学习率可能不合适或数据有问题。

• ·重点关注 mAP50 这一列（第三列从右数起）。对于一个小数据集、10个 epoch、CPU 训练：

  • mAP50 > 0.5 算不错

  • 0.3~0.5 属于可接受（说明模型学到了基本特征）

  • <0.3 说明效果较差，但作为流程验证仍然有意义