【一、无 GPU 环境踩过的血泪坑】
盲目追大尺寸坑：以为 imgsz 越大精度越高，直接设 1280。结果 CPU 扛不住 —— 单张图预处理时间从 0.1 秒涨到 0.8 秒，每个 epoch 要 4 小时（GPU 才 10 分钟！），跑了 3 个 epoch 还因为系统内存炸了（服务器就 16G 内存），训练记录全丢。
过度压缩尺寸坑：为了快，把 imgsz 降到 256。结果原始包裹图是 1024×768，缩到 256 后小包裹（30×30 像素）直接糊成色块，验证集小目标 AP 从 0.5 掉到 0.1，业务完全没法用。
忽略内存占用坑：设 imgsz=640、batch=8，以为 CPU 能扛。训练时用
htop一看，内存占满 16G 还超了，系统直接杀进程。后来才知道，CPU 训练没有 GPU 显存缓冲，数据全堆系统内存，imgsz 和 batch 一涨内存就崩。没开矩形训练坑：图是长方形（1024×768），强行用正方形 imgsz=640，拉伸后包裹变形，检测框全偏到角落。CPU 本来就慢，还因为拉伸多做了无效计算，雪上加霜。
【二、无 GPU 下 imgsz 选择的核心逻辑】
算力限制：imgsz 不能超 416（除非能接受慢）
CPU 算力比 GPU 弱 10-20 倍，而 imgsz 和计算量是平方关系：imgsz 从 320→416，计算量涨 1.7 倍；416→640，计算量涨 2.2 倍。亲测：
imgsz=320：CPU（i7-12700）单 epoch 约 1 小时
imgsz=416：单 epoch 约 1.5 小时
imgsz=640：单 epoch 约 3.5 小时（除非业务必须，否则不推荐）
内存限制：按 “内存 = (imgsz/320)² × 4G × batch” 估算
CPU 训练时，图像数据、特征图全放系统内存，没有 GPU 显存分担。比如服务器 16G 内存，按这个公式算：
batch=2 + imgsz=320：约 4G×2=8G（安全）
batch=2 + imgsz=416：约 (416/320)²×4G×2≈7.2G（安全）
batch=4 + imgsz=416：约 14.4G（接近 16G 上限，容易崩）
所以无 GPU 下 batch 建议设 1-2，imgsz 优先 320/416。
目标尺寸：必须满足 “imgsz ≥ 小目标尺寸 ×10”
CPU 没法像 GPU 那样靠大尺寸补精度，只能靠 “不压缩过头” 保特征。比如我这边小包裹最小 30×30 像素：
若 imgsz=256：30×(256/1024)=7.5 像素（糊了）
若 imgsz=320：30×(320/1024)=9.375 像素（勉强能识别）
若 imgsz=416：30×(416/1024)=12.1875 像素（精度够）
所以小目标最小尺寸 ×10，是 imgsz 的底线。
【三、无 GPU 下 imgsz 选择实操步骤（亲测有效）】
步骤 1：先摸透数据集和服务器底子
- 数据集分析：
用 LabelImg 看目标尺寸：记小目标最小尺寸（我这是 30×30）、原始图尺寸（1024×768）。
算 imgsz 底线：30×10=300，所以 imgsz 至少 320（得是 32 的倍数）。
- 服务器评估：
看内存：
free -h查可用内存（我这 16G，可用 12G）。看 CPU 核心：
lscpu查核心数（16 核，能开多线程加速）。
步骤 2：选初始 imgsz（别纠结，先试 320 或 416）
若小目标多 + 内存≥16G：初始 imgsz=416，batch=2
若内存≤8G + 目标偏大：初始 imgsz=320，batch=1
长方形图必开
--rect：比如我这 1024×768，开 rect 后 imgsz 会自动调成 416×312（接近原比例），省算力还不拉伸。
步骤 3：试训 10 个 epoch，盯三个关键指标
训练速度：单 epoch 超 2 小时就降 imgsz（比如 416→320），业务等不起。
内存占用：用
htop看峰值内存，超可用内存 80% 就降 batch（2→1）或 imgsz。小目标 AP：验证集小目标 AP＜0.3，就试着把 imgsz 涨一档（320→416），前提是速度能接受。
我这边试训结果：416+batch=2，单 epoch1.5 小时，内存占 8G，小目标 AP0.52，刚好达标。
步骤 4：确定最终值（别追求完美，够用就好）
别想着 “再涨点 imgsz 提升精度”，CPU 环境下精度提升 1% 可能要多花 1 小时 /epoch，不值。
我最终定的：imgsz=416，batch=2，开 rect，小目标 AP0.52，单 epoch1.5 小时，3 天能训完 100epoch。
【四、无 GPU 下常见问题 Fix（附命令）】
- 内存溢出（OOM）
原因：imgsz 太大或 batch 太高。
解法：先降 batch 到 1，还不行就降 imgsz（416→320）。
命令示例：
yolo train data=package.yaml model=``yolov8n.pt`` imgsz=416 batch=1 --rect
- 训练太慢（单 epoch 超 2 小时）
原因：CPU 算力不够，还开了没必要的功能。
解法：
① 用最轻量模型：YOLOv8n（比 v8s 快 50%）；
② 关冗余数据增强：
--augment False（别开马赛克、随机缩放，CPU 扛不住）；③ 开 OpenMP 加速：
export OMP_NUM_THREADS=16（用满 CPU 核心）。命令示例：
export OMP_NUM_THREADS=16 && yolo train data=package.yaml model=``yolov8n.pt`` imgsz=416 batch=2 --rect --augment False
- 小目标漏检严重
原因：imgsz 太小，目标特征丢了。
解法：在速度能接受的前提下，把 imgsz 从 320→416，再不行就做数据裁剪（把原始图裁成 416×416，只保留包裹区域，小目标占比变大）。
裁剪工具：用 OpenCV 写个脚本，按标注框位置裁图，5 分钟搞定 1000 张图。
【五、无 GPU 专属小技巧】
预处理提前做：把所有图按最终 imgsz（比如 416×312）提前 resize 好，训练时直接读，省得 CPU 实时预处理（能快 10%）。
别用 float16：CPU 对 float16 支持差，反而比 float32 慢，老老实实设
--half False。断点续训必开：CPU 训练慢，万一崩了能续训（
--resume True），我之前没开，崩了白跑 3 小时。
【总结】
无 GPU 下选 imgsz，核心就是 “低头认怂”—— 别跟 GPU 比精度，先保证能跑起来、跑得完，再谈精度。我这物流场景，416×416+YOLOv8n 就够用，没必要死磕 640。下次再遇到纯 CPU 训练，直接按这个流程来，能省两天踩坑时间。
