本文档旨在帮助你使用本项目提供的核心训练脚本，进行 YOLO 模型的训练、断点续训及批量实验。

---

确保你已经按照项目根目录 README.md 的说明安装了 Python 环境及依赖库。

conda activate task1  # 激活你的环境
pip install ultralytics

---

training/ 目录下包含两个主要脚本：

• train.py: 单模型训练脚本。适用于日常训练、调试单个模型，支持断点续训。
• train_batch.py: 批量实验脚本。适用于需要一次性训练多个模型（如 YOLOv8/11/26 全系列对比）并统计耗时的场景。

---

这是最常用的训练方式。你可以指定模型版本、数据集路径、训练轮数等参数。

基本用法：

# 使用默认参数训练 YOLOv8n (默认 epochs=100, batch=16)
python train.py --model yolov8n.pt

自定义参数：

# 训练 YOLO11s，设置 50 轮，Batch Size 为 32，使用 GPU 0
python train.py --model yolo11s.pt --epochs 50 --batch 32 --device 0

断点续训 (Resume)：

如果训练意外中断（如断电、程序崩溃），可以使用 --resume 参数从上次保存的检查点继续训练，无需从头开始。

# 从上次中断的地方继续训练
python train.py --model runs/train/cable_damage/yolo11s_cable_damage/weights/last.pt --resume

如果你想复现论文中的实验，对比不同系列模型的性能，可以使用此脚本。它会依次训练列表中的所有模型，并生成一份详细的耗时报告 (training_summary_xxx.json)。

用法：

1. 打开 train_batch.py，在底部的 models_to_run 列表中修改你想要训练的模型（注释掉不需要的）。
2. 运行脚本：

# 训练所有模型，100轮 (自动批量大小)
python train_batch.py --epochs 100

# 快速测试，10轮
python train_batch.py --epochs 10

---

训练完成后，会在 runs/train/{data_name}/ 目录下生成以下文件：

文件名	说明
train.log	训练过程日志，包含 GPU 信息、训练开始/结束时间等
training_summary_YYYYMMDD_HHMMSS.json	JSON 格式的训练总结，包含各模型耗时、状态等信息

文件名	说明
summary.md	Markdown 格式的训练总结，包含 GPU 信息、模型训练时间表格、成本估算等

每个模型的训练结果保存在 runs/train/{data_name}/{model_name}_cable_damage/ 目录下：

文件名	说明
weights/best.pt	最佳模型权重
weights/last.pt	最后一个 epoch 的权重
results.csv	训练指标 CSV 文件
results.png	训练曲线图
train.log	该模型的训练日志

---

• Q: 显存不足 (CUDA Out of Memory) 怎么办？

  • A: 减小 --batch 参数的值（例如从 16 改为 8 或 4）。
  • A: 减小 --imgsz 参数的值（例如从 640 改为 416）。

• Q: 训练结果保存在哪里？

  • A: 默认保存在 runs/train/ 目录下。每个实验会根据模型名称生成一个子文件夹，例如 runs/train/cable_damage/yolo11s_cable_damage。

• Q: 如何查看训练过程的可视化图表？

  • A: Ultralytics 会在 runs/train/xxx/ 目录下自动生成 results.png 等图表。
  • A: 你也可以使用本项目提供的 Streamlit App 的"模型性能对比分析"功能，直接读取 results.csv 进行交互式分析。

• Q: 如何估算训练成本？

  • A: 训练脚本会自动根据 GPU 类型和训练耗时计算预计成本，结果保存在 summary.md 中。

---

参数	默认值	说明
--model	yolov8n.pt	模型权重文件路径或名称
--data	../data/cable_damage/data.yaml	数据集配置文件路径
--epochs	100	训练总轮数
--batch	-1	批次大小 (-1 表示自动批量大小)
--imgsz	640	输入图片尺寸
--device	0	训练设备 (0, 1... 或 cpu)
--resume	False	(仅 train.py) 是否开启断点续训

---

本项目使用 Roboflow 开源数据集，包含 2 类电缆损伤：

英文名	中文名
break	断裂损伤
thunderbolt	雷击损伤

数据集目录结构：

data/cable_damage/
├── train/images/      # 训练集图片
├── train/labels/      # 训练集标签
├── valid/images/      # 验证集图片
├── valid/labels/      # 验证集标签
├── test/images/       # 测试集图片
├── test/labels/       # 测试集标签
└── data.yaml          # 数据集配置文件