模型训练整体流程
1.1 环境安装
项目=模型的源码以及模型+python以及一堆包，比如YOLO项目=YOLO源码+python以及相关的包
安装模型环境：1、创建模型环境 2、安装pytorch 3、安装其他包
下载好的模型要放在源码里面
项目特别多的情况下就需要管理环境，可以用anaconda来管理环境，pycharm则是用来提供一个界面
anaconda prompt则是用来提供安装各种包的环境，它的相关命令如下：
每一个环境都需要重新安装pytorch，pytorch的网址为pytorch.org，选择一个合适的版本
pytorch下载好之后，输入一些指令以验证是否安装成功：
安装其他包，根据从github下载的模型源码来下载其他包
首先找到你的源码安装路径
pushd 安装路径 回车 pip install -e . 回车 开始安装所有需要迭代包1.2 推理入门
学习ai就是学习如何解决推理和训练过程中遇到的各种问题
1.2.1 对模型的初步认识
1、模型的任务类型 以yolo为例：from ultralytics import YOLO model = YOLO(r"yolo11n-cls.pt") print(model.task) 这样就可以通过代码知道模型的任务类型 2、模型可预测的类型 print(model.names) 这样就可以知道可预测的物品类型 3、模型的大小 print(sum(p.numel() for p in model.parameters())) 用来看模型的参数数量，数量越多，训练越准确，同时所花费的训练时间也越久1.3 训练入门
什么是数据集？
通常会把图片和标签进行划分，划分为训练集+验证集，比如7：3或8：2
先用训练集训练模型以更新参数，再用验证集验证模型是否好用
所以每训练一轮都是训练+验证
测试集可有可无，在训练过程中用不到，但是在训练结束后可以用来评价模型
准备训练集和验证集
准备数据集文件夹：
1、包含图片和标签的数据集本身，目录结构需要符合一定的要求 2、数据集配置文件，以.yaml为后缀，不是所有模型都需要。作用：告诉模型训练集/验证集的图片/标签分别在哪个文件夹如何让训练跑得更快
两个高效率训练得典型特征：
1、cuda的利用率又高又稳 2、所有资源得利用率都不到100%1、图片尺寸越小，训练越快，但是有训练上限；并且会导致训练效果下降
2、每次从所有图片中拿出的一些图片就叫做一个批次(batch)，一个批次中图片的数量就叫批量(batch size)，每一轮训练就是给模型喂一个又一个的批次，喂一次批次，模型更新一次参数
硬件会影响batch的大小，所以选择合适的batch很重要，太大硬件不够用，太小时间比较长
3、cache是缓存，如果让cache=“ram”，就是指在训练前将所有的图片都放到内存里，这样在训练时就不需要涉及原图，但是前提是内存得足够大，但是不是所有的模型都有cache
数据集
数据增强：将一张图片随机缩放，随机旋转，随机调色和中间裁剪，可以得到多个图片，这就是数据增强
数据集如何获取？
1、数据集网址
2、自己制作数据集，拍摄视频，用python脚本来抽帧；
制作labels标签3、数据集划分，训练集和验证集按照7：3或8：2的比例划分，可以通过python脚本来划分（注意是随机提取）
可以直接写一个split.py 提示词：我现在需要一些python代码随机划分一下数据集，images文件夹里存放.jpg文件，labels文件 夹里存放.txt标签文件，划分结果统一保存到kunkun文件夹里，用这样的目录结构：kunkun\
images\ train\ val\ test\ labels\ train\ val\ test\划分比例设置成可以调整的参数，只复制粘贴文件，不要乱动原本的图片和标签，不要用sklearn这个包，划分的时候要用进度条提示一下进度，注释写清楚一点，我是python小白
模型评价
TP是匹配成功的预测结果，FP是匹配失败的预测结果，FN是匹配失败的真实结果
精确率§ = TP/(TP+FP) = 正确预测/预测总数
召回率® = TP/(TP+FN) = 正确预测/真实总数，召回率是指许多正确结果都被找到了
F1分数(F1 score) = 2×P×R/(P+R)
三个指标都是越接近1越好
PR曲线：当P曲线和R曲线都十分优秀的时候，PR曲线也会十分优秀，AP(平均精度)也会越接近1；PR曲线靠外，AP高的潜台词是能找到一个conf(置信度)使得P和R都很高，具体在哪不知道，只能通过观察P曲线和R曲线来分析
mAP(平均平均精度)