4. YOLOv8模型训练实战：配置训练参数、启动训练、观察Loss曲线、模型评估与导出
好，到了真正动手的环节了。前面我们聊了数据集怎么准备、环境怎么搭，现在终于可以跑训练了。说实话，我第一次在树莓派上跑YOLOv8训练时，心里也没底——怕显存不够、怕训练到一半崩了、怕Loss曲线像心电图一样乱跳。但别担心，这一章我会把每一步拆开讲清楚，你跟着走就行。
4.1 训练参数配置：别让默认值坑了你
YOLOv8的训练参数很多，但真正需要你动手调的，其实就那么几个。我个人习惯是先跑一个“探路”版本，参数保守一点，看看数据有没有问题，再回头精调。
下面这个配置，是我在树莓派4B上验证过的。显存只有4GB，所以batch size不能大。
from ultralytics import YOLO
# 加载预训练模型（轻量版）
model = YOLO('yolov8n.pt') # n = nano，最适合树莓派
# 训练参数配置
results = model.train(
data='dataset/data.yaml', # 数据集配置文件
epochs=100, # 训练轮数
batch=8, # 批次大小（树莓派建议4-8）
imgsz=320, # 输入图片尺寸（原版640，我们降一半）
workers=2, # 数据加载线程数
device='cpu', # 强制使用CPU训练
lr0=0.001, # 初始学习率
patience=20, # 早停耐心值
save_period=10, # 每10轮保存一次模型
project='runs/train', # 输出目录
name='yolov8n_custom', # 实验名称
exist_ok=True, # 覆盖已有结果
amp=False # 关闭混合精度（CPU下反而慢）
)
关键参数说明：
- imgsz=320：这是最关键的改动。原版640x640在树莓派上训练太慢，320x320能快3-4倍，精度损失在可接受范围内（约2-3% mAP）。
- batch=8：树莓派4B的4GB内存，batch=8是上限。如果你用树莓派5（8GB版），可以试试batch=16。
- patience=20：如果连续20轮验证集精度没提升，训练自动停止。省电又省时间。
注意：千万不要在树莓派上用GPU训练！虽然YOLOv8支持CUDA，但树莓派的GPU不是NVIDIA的，强行用device='cuda'会报错。老老实实用CPU，虽然慢，但稳定。
4.2 启动训练：一杯咖啡的时间
配置好参数后，直接运行上面的代码就行。训练过程中，你会看到类似这样的输出：
Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size
1/100 0.00G 1.234 2.345 1.123 12 320
2/100 0.00G 1.198 2.201 1.089 15 320
3/100 0.00G 1.156 2.134 1.056 10 320
...
嗯，这里要注意：GPU_mem显示0.00G是正常的，因为我们用的是CPU。别被这个吓到，继续跑就行。
我第一次跑的时候，看到Loss值半天不降，差点想中断重来。后来发现，YOLOv8的初始Loss本来就偏高，前10轮主要是在“热身”——让模型先适应你的数据集分布。所以，耐心点，至少等20轮再下结论。
4.3 观察Loss曲线：读懂模型的“心电图”
训练过程中，YOLOv8会自动生成Loss曲线图，保存在runs/train/yolov8n_custom/results.png。这张图很重要，它能告诉你模型学得怎么样。
我一般看三个关键指标：
| 指标 | 正常表现 | 异常表现 | 怎么办 |
|---|---|---|---|
| box_loss | 平稳下降，最后趋于平缓 | 震荡剧烈或突然上升 | 降低学习率，或检查数据标注 |
| cls_loss | 快速下降后稳定在0.5以下 | 一直很高（>2.0） | 检查类别数量是否匹配 |
| dfl_loss | 缓慢下降，波动不大 | 突然跳变 | 可能是batch size太小 |
我的经验：如果Loss曲线在30轮后还在剧烈震荡，别犹豫，直接停掉。调低学习率（比如从0.001降到0.0005）再重新跑。我曾经有一次忘了调学习率，跑了60轮才发现Loss根本没收敛，白白浪费了一下午。
4.4 模型评估：别只看mAP
训练完成后，YOLOv8会自动在验证集上评估。你会看到类似这样的结果：
Model summary: 225 layers, 3,157,200 parameters, 3,157,200 gradients
Class Images Instances Box(P R mAP50 mAP50-95)
all 100 500 0.892 0.856 0.912 0.678
person 100 150 0.934 0.912 0.956 0.734
car 100 200 0.901 0.867 0.923 0.689
bike 100 150 0.842 0.789 0.857 0.612
这里我建议你重点关注两个指标：
- mAP50：IoU阈值0.5时的平均精度。对于部署到树莓派这种边缘设备，mAP50达到0.85以上就算不错了。
- 推理速度：YOLOv8不会直接告诉你FPS，但你可以用下面的代码测一下：
import time
import torch
# 加载训练好的模型
model = YOLO('runs/train/yolov8n_custom/weights/best.pt')
# 模拟树莓派上的推理
dummy_input = torch.randn(1, 3, 320, 320)
start = time.time()
for _ in range(100):
_ = model(dummy_input)
end = time.time()
print(f"平均推理时间: {(end - start)/100*1000:.2f} ms")
print(f"预估FPS: {100/(end - start):.1f}")
树莓派上的目标：
- 推理时间 < 100ms（即FPS > 10）
- mAP50 > 0.80
- 模型大小 < 10MB
如果达不到，别灰心。后面几章我们会讲量化、剪枝、蒸馏，这些技术能把模型再压缩2-4倍。
4.5 模型导出：为部署做准备
训练完成后，我们需要把PyTorch模型导出成适合树莓派部署的格式。YOLOv8支持多种导出格式，我推荐你用ONNX或TensorFlow Lite：
# 导出为ONNX格式（推荐）
model.export(format='onnx', imgsz=320)
# 导出为TensorFlow Lite格式（树莓派上运行更快）
model.export(format='tflite', imgsz=320)
导出后，你会得到两个文件：
best.pt：原始PyTorch模型（约6MB）best.onnx或best.tflite：导出的部署模型（约5.5MB）
我曾经踩过的坑：导出ONNX时，如果遇到算子不支持的错误，多半是因为你用了自定义的模块。YOLOv8原版模型一般没问题，但如果你改了网络结构，导出前记得检查一下。另外，导出TFLite时，树莓派上需要安装tflite-runtime，别装错了包。
4.6 本章知识结构图
下面这张图，把整个训练流程串起来了。你可以把它当作一个检查清单，每一步做完就打个勾。
4.7 常见问题与避坑指南
最后，分享几个我实际踩过的坑，希望能帮你省点时间：
- 训练到一半内存爆了：把batch size降到4，或者把imgsz降到256。树莓派的4GB内存真的很紧张。
- Loss一直不降：检查一下数据集的标注文件，我遇到过标注框坐标超出图片范围的情况，YOLOv8不会报错，但Loss就是降不下去。
- 导出ONNX失败：升级ultralytics到最新版，老版本对ONNX导出的支持不够好。
- 模型在树莓派上跑得慢：别急着优化代码，先看看是不是用了原版640x640的输入尺寸。降到320x320，速度能翻倍。
好了，这一章的内容就到这里。你按照上面的步骤走一遍，应该能顺利跑通YOLOv8的训练流程。记住，第一次训练别追求完美，先跑通再说。后面我们有的是时间优化。