训练参数详解

训练创建对话框中的参数直接决定训练的收敛速度、最终精度和资源消耗。本页逐一说明每个参数的含义、默认值和调整建议，帮助你做出合理配置。

基本训练参数

图1：训练创建对话框中的基本训练参数

核心训练参数

字段	类型	必填	默认值	说明
epochs	数字	必填	100	训练轮数，即整个数据集被完整遍历的次数。建议 100 到 300。过少会欠拟合，过多可能过拟合，可结合早停机制观察曲线决定
batchSize	数字	必填	16	批次大小，每次梯度更新使用的图片数。显存不足时调小（8 或 4），大显存可调大（32 或 64）以加快训练
learningRate	数字	必填	0.01	初始学习率，控制每次参数更新的步长。常用 0.001 到 0.01。过大会导致训练不稳定，过小则收敛缓慢

这三个参数是训练效果的关键。其中学习率影响最大，批次大小受显存约束，轮数需要结合收敛曲线判断。

调优建议

调优建议

• 学习率最关键：如果训练不稳定（Loss 曲线剧烈震荡或出现 NaN），优先尝试降低学习率（如从 0.01 调到 0.001）。
• 批次大小看显存：出现显存不足错误时，先把批次大小减半（如 16 调到 8），再考虑其他参数。
• 图像尺寸影响精度和速度：640 是大多数场景的良好起点。增大尺寸通常能提升精度，但训练和推理都会变慢。
• 轮数先少后多：建议先用 100 轮观察收敛曲线。如果验证集指标还在提升，可以增加轮数继续训练。

图像参数

图2：展开高级设置后的图像参数区

字段	类型	必填	默认值	说明
imageSize	下拉	可选	640	输入图像尺寸（正方形），可选 320 / 416 / 512 / 640 / 800 / 1024 / 1280。尺寸越大精度通常越高，但训练和推理越慢
imageWidth	数字	可选	640	输入图像宽度（矩形模式），步进为 8。仅在开启矩形训练模式时生效
imageHeight	数字	可选	480	输入图像高度（矩形模式），步进为 8。仅在开启矩形训练模式时生效
rectMode	开关	可选	关	矩形训练模式。开启后保留图像原始宽高比，不做正方形缩放，适合非正方形图像

矩形训练模式

矩形训练模式

默认关闭时，所有图像被缩放为正方形（如 640×640），两边的空白区域用填充补齐。这种方式实现简单，但会引入无效的填充像素。

开启矩形模式后，图像保留原始宽高比（如 640×480），不再拉伸或填充。对于宽高比明显偏离 1:1 的数据集（如监控视频的 16:9 画面），可能提升非正方形目标的检测精度。

开启后，系统使用 imageWidth 和 imageHeight 两个字段，而不再使用 imageSize。

显存不足怎么办

显存不足怎么办

训练时如果报错显存不足（CUDA Out of Memory），按以下优先级依次尝试：

1. 减小批次大小：最直接有效，把 batchSize 从 16 降到 8 或 4。
2. 减小图像尺寸：把 imageSize 从 640 降到 512 或 416。
3. 关闭数据增强：减少训练时的额外内存占用。

需要注意的是，GPU 显存使用量大致与「批次大小」和「图像尺寸的平方」成正比。例如图像尺寸从 640 提升到 1280，单张图片的显存占用约为原来的 4 倍。

迁移学习的参数预填

迁移学习的参数预填

从模型版本行点击「用此数据训练」发起训练时，系统会自动预填该版本训练时使用过的参数，包括：

• 模型架构（modelType）
• 训练轮数（epochs）
• 批次大小（batchSize）
• 学习率（learningRate）
• 图像尺寸（imageSize / imageWidth / imageHeight）
• 矩形训练模式（rectMode）

这是一个方便的起点，方便你在已有版本的基础上复用一套验证过的配置。预填值仅供参考，所有字段仍可自由修改。

训练详情中的参数标签

训练详情中的参数标签

训练完成后，在任务详情页可以看到本次训练使用的完整参数。常见的标签及其含义：

• 训练轮数（epochs）：完整遍历数据集的次数
• 批次大小（batch_size）：每次梯度更新使用的图片数
• 图像尺寸（imgsz）：训练时输入图像的尺寸
• 初始学习率（lr0）：训练开始时的学习率
• 最终学习率（lrf）：训练结束时的学习率（由余弦退火等策略决定）
• 优化器（optimizer）：使用的优化算法，如 SGD、AdamW
• 早停耐心值（patience）：验证指标连续多少轮不提升后停止训练
• 数据增强（augment）：是否开启训练时数据增强
• Mosaic 增强（mosaic）：是否开启 Mosaic 拼接增强
• 权重衰减（weight_decay）：正则化项，防止过拟合
• 预热轮数（warmup_epochs）：训练初期学习率从 0 线性升到初始值的轮数

通过这些标签可以追溯每一次训练的完整配置，方便复现实验和对比不同参数组合的效果。