学习pytorch框架和YOLO笔记(重要)

目录一：学习了pytorch一步步从无到有训练创建模型和加载使用自定义模型的过程观后感：参考该章节其他博文 关于PyTorch与YOLO 库的思考，AI 4问遗留问题：有待搭建环境验证和知识细节的总结吸收，后面有时间再总结吧二：学习了调用官方提供的模型，一步步数据准备到数据标注到生成自己的best.pt模型，加载到使用的过程观后感：参考下面AI提问：通过YOLO创建模型有几种方式？基于 Ultralytics YOLO (v8/v9/v10/v11) 创建模型【4 种主流方式】方式 1：加载官方预训练权重（最常用，迁移学习首选）方式 2：通过 yaml 配置文件【新建空白网络（随机初始化权重）】方式 3：yaml + 预训练权重 组合（自定义结构 + 加载预训练权重）方式 4：从已经训练完成的自定义.pt 权重加载模型补充区分：4 种方式适用场景对照表容易踩坑关键知识点拓展：旧版 YOLOv5（非 ultralytics 统一库）方式 4：从已经训练完成的自定义.pt 权重加载模型 具体流程是什么方式 4：加载自己训练好的自定义 best.pt/last.pt 完整流程前置说明两大使用场景流程场景一：加载模型直接推理（预测图片 / 视频 / 摄像头）【最常用】完整代码流程场景二：加载模型【增量继续训练】（断点续训、二次微调）完整流程⚠️ 关键硬性限制完整分步标准化流程（文字版，便于你记笔记）❗高频坑点整理坑 1：混淆resume=True和加载 best.pt坑 2：想修改类别数量，不能直接加载旧 pt坑 3：pt 版本不兼容坑 4：路径中文问题延伸对比区分（帮你理清和另外两种加载方式差异）额外工程拓展best.pt 是怎么生成的，是在已有官方提供的模型生成的新的模型吗一句话核心结论一、完整生成链路（标准流程）二、分步详细解释1）起点：训练启动时，我们一般执行代码2）训练过程发生了什么？3）best.pt/last.pt 如何自动产出？三、关键概念厘清（解决你的核心疑问）问题 1：best.pt 是在官方模型基础上生成的新模型？问题 2：有没有办法不依赖官方模型，从零训练得到 best.pt？四、极易踩坑的认知误区五、极简类比帮助记忆补充延伸一：学习了pytorch一步步从无到有训练创建模型和加载使用自定义模型的过程观后感：参考该章节其他博文 关于PyTorch与YOLO 库的思考，AI 4问遗留问题：有待搭建环境验证和知识细节的总结吸收，后面有时间再总结吧二：学习了调用官方提供的模型，一步步数据准备到数据标注到生成自己的best.pt模型，加载到使用的过程注意：最后的课程目前只看了前5个章节观后感：参考下面AI提问：通过YOLO创建模型有几种方式？基于 Ultralytics YOLO (v8/v9/v10/v11) 创建模型【4 种主流方式】先统一概念：创建模型 = 实例化 YOLO 网络结构，用于训练 / 迁移学习注意：Darknet 原版 YOLO (v3/v4) 属于另一套体系，下面默认讲现在工业最常用的 Ultralytics YOLO方式 1：加载官方预训练权重（最常用，迁移学习首选）pythonfrom ultralytics import YOLO # 自动下载预训练pt权重，构建完整YOLO网络 model = YOLO("yolov8n.pt")✅特点：网络结构 + 预训练参数全部就绪直接拿来训练自己数据集（迁移学习），收敛速度快支持检测 / 分割 / 分类 / 姿态任务方式 2：通过 yaml 配置文件【新建空白网络（随机初始化权重）】pythonmodel = YOLO("yolov8n.yaml")✅特点：只搭建网络骨架，没有训练权重，参数全部随机初始化相当于从零开始训练（Train from scratch）可以复制 yaml 文件，自己修改通道数、深度、宽度，自定义 YOLO 结构重点区分：.yaml只定义网络结构，没有权重；.pt包含网络 + 权重方式 3：yaml + 预训练权重 组合（自定义结构 + 加载预训练权重）python# 使用自己修改后的网络yaml，同时载入官方预训练权重 model = YOLO("custom_yolov8.yaml").load("yolov8n.pt")✅特点：自己修改网络结构（增加注意力模块、修改 neck 层），同时复用主干预训练权重；模型改造、网络创新开发最常用方案。方式 4：从已经训练完成的自定义.pt 权重加载模型python# 加载你自己训练完毕保存的模型 model = YOLO("runs/train/exp/weights/best.pt")✅特点：载入你训练好的成品模型，一般两种用途：继续二次训练（增量训练）直接推理预测图片、视频补充区分：4 种方式适用场景对照表表格创建方式命令写法权重状态使用场景1YOLO("yolov8n.pt")自带官方预训练权重常规项目、快速训练目标检测2YOLO("yolov8n.yaml")随机初始化（空白模型）从零完整训练、学术实验3YOLO("custom.yaml").load("xx.pt")自定义结构 + 载入预训练权重修改网络、创新算法4YOLO("best.pt")载入自己训练完成权重增量续训 / 部署推理容易踩坑关键知识点YOLO("xxx.yaml")只是创建网络，没有权重，直接推理完全不能用，必须先训练！YOLO("xxx.pt")文件内部同时保存【网络结构 + 参数权重】如果你只有权重文件，没有 yaml，依然可以直接加载 pt 文件创建模型；必须依赖 PyTorch 底层！没有 torch，以上所有写法全部报错。