3. 模型训练与导出：从标注到TensorRT的完整链路
这一章，我们正式进入YOLO部署的核心环节——模型训练与导出。说白了，就是把你手里的原始图片，变成能在嵌入式设备上跑起来的推理引擎。我做了这么多年嵌入式AI，见过太多人在这一步翻车：训练时精度很高，一导出就崩；或者导出的模型在PC上跑得好好的，上板就报错。嗯，这里面的坑，我一个个给你拆开讲。
3.1 自定义数据集标注——别在第一步偷懒
数据集的质量，直接决定模型的天花板。我刚开始做项目时，总觉得标注差不多就行，结果模型训练出来，检测框总是歪歪扭扭。后来花了三倍时间重新标注，才把精度拉回来。所以，标注这件事，值得你认真对待。
3.1.1 标注工具选择
我个人习惯用LabelImg，开源、轻量、支持YOLO格式直接导出。当然，LabelStudio、CVAT这些也都不错。选哪个不重要，关键是格式要对。
| 工具 | 输出格式 | 适用场景 |
|---|---|---|
| LabelImg | YOLO .txt / Pascal VOC .xml | 小团队、快速标注 |
| LabelStudio | JSON / COCO / YOLO | 多人协作、复杂标注 |
| CVAT | 多种格式 | 大规模标注、自动标注辅助 |
3.1.2 YOLO标注格式详解
YOLO的标注格式很简单：每张图片对应一个同名的.txt文件，每行代表一个目标。格式是：
<class_id> <x_center> <y_center> <width> <height>注意，这里的坐标都是归一化的，范围0~1。x_center和y_center是目标框中心点相对于图片宽高的比例，width和height是框的宽高相对于图片宽高的比例。
3.1.3 数据集划分
标注完成后，把数据集分成三份：训练集、验证集、测试集。我一般按8:1:1的比例划分。注意，测试集要完全独立，不能参与任何训练决策。
# 简单的划分脚本
import os, random, shutil
images = os.listdir('images/')
random.shuffle(images)
train = images[:int(0.8*len(images))]
val = images[int(0.8*len(images)):int(0.9*len(images))]
test = images[int(0.9*len(images)):]3.2 YOLOv8训练流程——从配置文件到模型权重
YOLOv8的训练流程，比之前的版本简化了不少。你只需要准备好数据集和配置文件，一行命令就能跑起来。但简化不等于无脑，里面的参数调优还是很有讲究的。
3.2.1 准备数据集配置文件
创建一个data.yaml文件，告诉YOLOv8你的数据在哪：
train: /path/to/train/images
val: /path/to/val/images
test: /path/to/test/images
nc: 3 # 类别数量
names: ['person', 'car', 'bicycle'] # 类别名称3.2.2 选择预训练模型
YOLOv8提供了多种规模的预训练模型：nano、small、medium、large、xlarge。对于嵌入式部署，我建议从nano或small开始。nano模型参数量最小，适合资源受限的设备；small模型在精度和速度之间取得了不错的平衡。
| 模型 | 参数量 | mAP50-95 | 推理速度(FP16) |
|---|---|---|---|
| YOLOv8n | 3.2M | 37.3% | ~1.5ms |
| YOLOv8s | 11.2M | 44.9% | ~2.5ms |
| YOLOv8m | 25.9M | 50.2% | ~4.5ms |
3.2.3 开始训练
一行命令启动训练：
yolo train model=yolov8n.pt data=data.yaml epochs=100 imgsz=640 batch=16这里有几个关键参数：
- epochs：训练轮数。我一般设100~300轮，看验证集loss不再下降就停。
- imgsz：输入图片尺寸。嵌入式设备建议用640或320，太大影响速度。
- batch：批次大小。根据显存调整，能大尽量大。
3.3 模型量化——FP16和INT8
模型量化，说白了就是把模型参数的精度降低，换来更小的体积和更快的推理速度。嵌入式设备上，这一步几乎是必须的。
3.3.1 FP16量化
FP16量化是最简单的，几乎无损。把模型权重从FP32转成FP16，体积减半，速度提升明显。YOLOv8训练完成后，可以直接导出FP16模型：
yolo export model=best.pt format=onnx half=True我在Jetson Nano上测试过，FP16比FP32快了将近一倍，精度只掉了不到0.5%。
3.3.2 INT8量化
INT8量化更激进，精度损失也更大。它需要校准数据集来统计激活值的分布。YOLOv8的INT8量化流程：
yolo export model=best.pt format=onnx int8=True data=data.yaml注意，INT8量化需要你提供校准数据，一般从训练集里取几百张就够了。
3.4 导出为ONNX/TensorRT格式
训练好的模型，最终要导出成部署格式。ONNX是中间格式，TensorRT是NVIDIA平台上的优化引擎。
3.4.1 导出ONNX
ONNX是跨平台的模型交换格式。YOLOv8导出ONNX很简单：
yolo export model=best.pt format=onnx导出的ONNX模型可以用Netron可视化查看结构。我建议你养成这个习惯，检查一下输入输出节点是否正确。
3.4.2 导出TensorRT
TensorRT是NVIDIA的推理优化引擎，能在Jetson系列设备上发挥极致性能。导出TensorRT引擎有两种方式：
- 直接导出：YOLOv8支持直接导出TensorRT：
yolo export model=best.pt format=engine - 通过ONNX转：先用ONNX导出，再用trtexec工具转换：
trtexec --onnx=best.onnx --saveEngine=best.engine --fp16
我个人更推荐第二种方式，可控性更强，可以指定动态batch、精度模式等参数。
3.5 本章知识体系
下面这张图，把整个流程串起来了：
3.6 常见问题与避坑指南
最后，分享几个我实际项目中遇到的坑，希望能帮你少走弯路：
- 标注格式错误：标注文件里的坐标必须是归一化的，而且类别ID要从0开始。我曾经用1开始，结果模型把背景当成了第0类，检测结果全乱套。
- 训练时显存溢出：减小batch size或图片尺寸。如果还不行，试试梯度累积。
- 量化后精度骤降：检查校准数据集是否具有代表性。另外，INT8量化对某些层特别敏感，可以尝试逐层量化或混合精度量化。
- TensorRT导出失败：确保ONNX模型结构正确，有些算子TensorRT不支持，需要手动替换。