1. 训练结束后，你真正需要关注的是哪个模型文件

当你完成一轮YOLO训练后，runs/train/expX/weights目录下会出现一堆.pt文件：best.pt、last.pt，有时还有epoch=XXX.pt。很多新手会直接选择best.pt，但实际落地时经常发现效果不如预期。

这里的关键问题是：best.pt是根据哪个指标选出来的？在YOLO默认配置中，best.pt基于mAP50-95（COCO指标）自动选择。但你的实际任务可能更关心某个特定类别的精度，或者对推理速度有严格要求。如果训练数据存在类别不平衡，mAP最高的模型在实际场景中可能表现平平。

我一般会先看三个文件：

• best.pt：验证集上综合指标最好的模型
• last.pt：最后一个epoch的模型，可能过拟合但有时在特定数据上表现更好
• epoch=XXX.pt：训练过程中的中间检查点，用于分析模型收敛情况

选择哪个文件取决于你的优先级：如果要部署到生产环境，优先测试best.pt；如果训练数据与验证集分布有差异，last.pt可能更适应你的真实数据；如果需要分析训练过程，中间检查点能帮你找到最佳停止点。

2. 如何快速验证不同模型文件的实用价值

不要只看训练日志里的数字，实际推理测试才是关键。我建议按这个顺序验证：

2.1 准备测试数据集

选择20-50张有代表性的真实场景图片，涵盖简单、中等、困难三种难度。这些图片应该独立于训练集和验证集，能反映实际应用场景。

2.2 批量推理对比

使用相同的推理参数测试所有候选模型：

from ultralytics import YOLO import os # 测试配置 test_images = "path/to/test/images" models_to_test = { "best": "runs/train/exp/weights/best.pt", "last": "runs/train/exp/weights/last.pt", "epoch100": "runs/train/exp/weights/epoch100.pt" } results = {} for name, model_path in models_to_test.items(): model = YOLO(model_path) results[name] = model.predict(test_images, save=False, imgsz=640, conf=0.25)

2.3 关键指标对比

重点关注这些实际指标：

• 推理速度：每张图片的平均处理时间
• 内存占用：GPU显存使用情况
• 检出率：实际场景中目标的检出比例
• 误检率：错误检测的数量
• 类别准确性：对关键类别的识别精度

我通常会用Excel表格记录这些数据，横向对比不同模型的表现。很多时候会发现，best.pt在mAP上略高，但last.pt在特定类别上更稳定。

3. 根据应用场景选择模型的实战策略

3.1 生产环境部署

如果模型要部署到服务器或边缘设备：

• 优先选择best.pt，因为它在验证集上表现最稳定
• 测试模型在不同硬件上的兼容性
• 检查模型体积，过大的文件会影响部署效率
• 验证批量推理时的内存占用峰值

# 生产环境模型验证脚本 def validate_for_production(model_path, test_data): model = YOLO(model_path) # 测试单张推理速度 start_time = time.time() results = model.predict(test_data[0], imgsz=640) single_inference_time = time.time() - start_time # 测试批量推理稳定性 batch_results = model.predict(test_data, batch=8, imgsz=640) # 检查模型大小 model_size = os.path.getsize(model_path) / (1024*1024) # MB return { "single_inference_time": single_inference_time, "batch_stability": len(batch_results) == len(test_data), "model_size_mb": model_size }

3.2 研发迭代场景

如果还在模型优化阶段：

• 保留last.pt和几个关键epoch的检查点
• 分析训练曲线，找到验证指标开始下降的点
• 测试不同模型在困难样本上的表现
• 为下一步的数据增强策略提供依据

3.3 资源受限环境

在边缘设备或低配置环境中：

• 可能需要在模型性能和速度之间权衡
• 测试不同输入尺寸下的表现（如640 vs 320）
• 考虑使用更小的模型架构重新训练

4. 训练参数对模型选择的影响

4.1 早停机制（Early Stopping）

如果训练时设置了早停（patience参数），best.pt可能不是在全局最优点，而是在验证指标开始下降前保存的。这时需要：

• 检查训练日志中的早停信息
• 对比早停前后的几个检查点
• 手动选择性能更稳定的模型

4.2 数据增强策略

不同的增强策略会影响模型泛化能力：

• 强增强（mosaic、mixup等）训练的模型可能验证指标略低，但实际泛化更好
• 弱增强训练的模型验证分数高，但可能过拟合验证集

4.3 类别不平衡处理

如果使用了类别权重（cls_pw参数），best.pt的选择标准可能更关注少数类别，这时需要专门测试关键类别的表现。

5. 模型集成与融合策略

当单个模型难以满足所有需求时，可以考虑集成策略：

5.1 投票集成

对best.pt和last.pt的预测结果进行投票：

def ensemble_predict(models_dict, image_path, confidence_threshold=0.5): all_detections = [] for model_name, model_path in models_dict.items(): model = YOLO(model_path) results = model.predict(image_path, conf=confidence_threshold) all_detections.append(results[0].boxes) # 实现投票逻辑 final_boxes = vote_detections(all_detections) return final_boxes

5.2 权重平均

对多个检查点的权重进行平均，有时能获得更好的泛化性能：

import torch def average_weights(model_paths, output_path): averaged_state_dict = {} for path in model_paths: checkpoint = torch.load(path) for key in checkpoint['model'].keys(): if key not in averaged_state_dict: averaged_state_dict[key] = checkpoint['model'][key].clone() else: averaged_state_dict[key] += checkpoint['model'][key] # 计算平均 for key in averaged_state_dict: averaged_state_dict[key] /= len(model_paths) # 保存平均后的模型 final_checkpoint = {'model': averaged_state_dict} torch.save(final_checkpoint, output_path)

6. 长期模型管理建议

6.1 建立模型版本规范

每次训练后，不要覆盖之前的成果：

models/ ├── project_v1/ │ ├── best.pt │ ├── last.pt │ └── training_logs/ ├── project_v2/ │ ├── best.pt │ ├── last.pt │ └── training_logs/ └── model_cards.md # 记录每个版本的关键信息

6.2 创建模型卡片

为每个重要检查点创建简说明：

## 模型v1.2 (best.pt) - 训练数据：自定义数据集v3，5000张图片 - 关键改进：增加了雨天场景数据 - 验证mAP：0.68 - 测试集表现：在困难样本上提升15% - 推荐场景：生产环境部署

6.3 自动化验证流水线

建立自动化的模型测试流程，每次训练后自动对比新旧模型在测试集上的表现，生成对比报告。

7. 常见问题排查清单

当模型表现不如预期时，按这个顺序排查：

7.1 数据问题

• [ ] 测试集与训练集分布是否一致？
• [ ] 是否有标注错误或漏标？
• [ ] 数据增强策略是否过于激进？

7.2 训练问题

• [ ] 学习率设置是否合适？
• [ ] 训练是否充分收敛？
• [ ] 是否存在过拟合或欠拟合？

7.3 模型选择问题

• [ ] best.pt的选择指标是否符合实际需求？
• [ ] 是否需要调整置信度阈值？
• [ ] 模型架构是否适合当前任务？

7.4 部署环境问题

• [ ] 推理时的预处理是否与训练一致？
• [ ] 硬件差异是否影响性能？
• [ ] 内存或计算资源是否充足？

我个人更建议建立标准化的测试流程，每次训练后都用相同的测试集评估所有候选模型，记录关键指标，形成历史数据。这样不仅能选出当前最优模型，还能为后续优化提供数据支持。

实际项目中，没有绝对的"最好"模型，只有最适合当前场景的选择。重要的是建立系统的评估体系，让模型选择从主观猜测变成数据驱动的决策过程。