YOLO26训练可视化：loss曲线查看与分析教程-平芜编程栈

YOLO26训练可视化：loss曲线查看与分析教程

你有没有遇到过这种情况：模型训练了几十个epoch，结果却不尽如人意？想优化却无从下手？其实，答案就藏在训练过程中的loss曲线上。本文将带你深入YOLO26的训练日志，手把手教你如何查看、解读并利用loss曲线来判断模型状态，真正实现“看得见”的训练。

本镜像基于YOLO26 官方代码库构建，预装了完整的深度学习开发环境，集成了训练、推理及评估所需的所有依赖，开箱即用。

1. 镜像环境说明

核心框架:pytorch == 1.10.0
CUDA版本:12.1
Python版本:3.9.5
主要依赖:torchvision==0.11.0,torchaudio==0.10.0,cudatoolkit=11.3,numpy,opencv-python,pandas,matplotlib,tqdm,seaborn等。

2. 快速上手

启动完是这样的

2.1 激活环境与切换工作目录

在使用前，请先激活的 Conda 环境，命令如下：

conda activate yolo

镜像启动后，默认代码存放在系统盘。为了方便修改代码，请先将代码文件夹复制到数据盘，命令如下：

cp -r /root/ultralytics-8.4.2 /root/workspace/

之后进入代码目录：

cd /root/workspace/ultralytics-8.4.2

2.2 模型推理

修改 detect.py 文件，如下图所示：

# -*- coding: utf-8 -*- """ @Auth ：落花不写码 @File ：detect.py @IDE ：PyCharm @Motto :学习新思想，争做新青年 """ from ultralytics import YOLO if __name__ == '__main__': # Load a model model = YOLO(model=r'yolo26n-pose.pt') model.predict(source=r'./ultralytics/assets/zidane.jpg', save=True, show=False, )

推理代码的参数解释：

model参数：该参数可以填入模型文件路径。
source参数：该参数可以填入需要推理的图片或者视频路径，如果打开摄像头推理则填入0就行。
save参数：该参数填入True，代表把推理结果保存下来，默认是不保存的，所以一般都填入True。
show参数：该参数填入True，代表把推理结果以窗口形式显示出来，默认是显示的，这个参数根据自己需求打开就行，不显示你就填 False 就行。

使用以下命令测试推理效果：

python detect.py

推理结果终端会显示的，自己去查看即可。

2.3 模型训练

模型训练还需要修改 data.yaml 数据集配置文件，需要自己上传 YOLO 格式数据集，并在data.yaml中修改对应的路径。示例如下：

data.yaml 参数解析如图所示：

之后修改 train.py 文件，如下图所示：

我的 train.py 文件代码如下，参考一下：

# -*- coding: utf-8 -*- """ @Auth ：落花不写码 @File ：train.py @IDE ：PyCharm @Motto :学习新思想，争做新青年 """ import warnings warnings.filterwarnings('ignore') from ultralytics import YOLO if __name__ == '__main__': model = YOLO(model='/root/workspace/ultralytics-8.4.2/ultralytics/cfg/models/26/yolo26.yaml') model.load('yolo26n.pt') # 加载预训练权重,改进或者做对比实验时候不建议打开，因为用预训练模型整体精度没有很明显的提升 model.train(data=r'data.yaml', imgsz=640, epochs=200, batch=128, workers=8, device='0', optimizer='SGD', close_mosaic=10, resume=False, project='runs/train', name='exp', single_cls=False, cache=False, )

修改完成后，在终端使用以下命令训练自己的模型：

python train.py

训练过程如下，会输出保存的结果路径在哪里的，自己去查看和下载就行。

2.4 下载数据

服务器训练完，会保存模型，下载到本地就可以拿去用了，通过 Xftp 拖拉拽下载文件夹/文件，从右边拖拽文件夹/文件到左边的文件夹就行，文件的话可以鼠标双击就可以下载了，一般数据集比较大压缩后在下载，节约下载时间，反正上传和下载数据操作一样，只是拖拉拽方向不同。双击传输的任务，就可以看到传输状态了。

3. 训练日志与loss曲线生成

当你运行python train.py后，YOLO26会在project/name指定的目录（默认为runs/train/exp）下自动创建一个训练日志文件夹。这个文件夹里藏着我们最关心的东西——训练过程的详细记录。

3.1 日志文件结构

训练开始后，你会看到类似这样的目录结构：

runs/ └── train/ └── exp/ ├── weights/ # 存放best.pt和last.pt ├── results.csv # 关键！所有指标的数值记录 ├── args.yaml # 本次训练的超参数配置 └── ... # 其他图像化结果

其中，results.csv是我们的重点。它是一个标准的CSV文件，每一列代表一个训练指标，每一行代表一个epoch的数据。你可以用pandas轻松读取它。

3.2 使用Pandas加载训练数据

我们可以写一段简单的Python脚本来读取并分析这些数据。在你的项目目录中创建一个名为plot_loss.py的文件：

import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 设置中文字体支持（可选） plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS'] plt.rcParams['axes.unicode_minus'] = False # 读取results.csv results_path = 'runs/train/exp/results.csv' # 注意：YOLO26的CSV文件第一行可能是空的或注释，skiprows=1跳过第一行 data = pd.read_csv(results_path, skiprows=1) # 查看前几行数据，确认列名 print(data.columns.tolist())

运行这段代码，你会看到输出的列名列表。YOLO26通常包含以下几类loss：

train/box_loss: 训练集边界框回归损失
train/cls_loss: 训练集分类损失
train/dfl_loss: 训练集分布焦点损失（Distribution Focal Loss）
val/box_loss: 验证集边界框损失
val/cls_loss: 验证集分类损失
val/dfl_loss: 验证集DFL损失
metrics/precision,metrics/recall,metrics/mAP_0.5等：验证集性能指标

4. loss曲线绘制与解读

有了数据，接下来就是画图。我们将分步骤绘制关键的loss曲线，并告诉你每条线背后的意义。

4.1 绘制总损失曲线

首先，我们绘制训练和验证的总损失（这里以box_loss为例，因为它对检测任务最关键）：

# 设置绘图风格 sns.set_style("whitegrid") plt.figure(figsize=(12, 6)) # 绘制box loss plt.plot(data['epoch'], data['train/box_loss'], label='Train Box Loss', color='blue') plt.plot(data['epoch'], data['val/box_loss'], label='Validation Box Loss', color='orange') plt.xlabel('Epoch') plt.ylabel('Loss') plt.title('YOLO26 Training: Box Loss Curve') plt.legend() plt.tight_layout() plt.savefig('box_loss_curve.png', dpi=300, bbox_inches='tight') plt.show()

4.2 绘制完整多子图分析

更专业的做法是将多个关键指标放在一张图里进行综合分析：

fig, axes = plt.subplots(2, 2, figsize=(15, 10)) fig.suptitle('YOLO26 Training Progress Analysis', fontsize=16) # 1. Box Loss axes[0, 0].plot(data['epoch'], data['train/box_loss'], label='Train', color='blue') axes[0, 0].plot(data['epoch'], data['val/box_loss'], label='Val', color='orange') axes[0, 0].set_title('Box Loss') axes[0, 0].set_xlabel('Epoch') axes[0, 0].set_ylabel('Loss') axes[0, 0].legend() # 2. Classification Loss axes[0, 1].plot(data['epoch'], data['train/cls_loss'], label='Train', color='green') axes[0, 1].plot(data['epoch'], data['val/cls_loss'], label='Val', color='red') axes[0, 1].set_title('Classification Loss') axes[0, 1].set_xlabel('Epoch') axes[0, 1].set_ylabel('Loss') axes[0, 1].legend() # 3. DFL Loss axes[1, 0].plot(data['epoch'], data['train/dfl_loss'], label='Train', color='purple') axes[1, 0].plot(data['epoch'], data['val/dfl_loss'], label='Val', color='brown') axes[1, 0].set_title('DFL Loss') axes[1, 0].set_xlabel('Epoch') axes[1, 0].set_ylabel('Loss') axes[1, 0].legend() # 4. mAP_0.5 axes[1, 1].plot(data['epoch'], data['metrics/mAP_0.5'], label='mAP@0.5', color='teal') axes[1, 1].set_title('Validation mAP@0.5') axes[1, 1].set_xlabel('Epoch') axes[1, 1].set_ylabel('mAP') axes[1, 1].legend() plt.tight_layout() plt.savefig('training_dashboard.png', dpi=300, bbox_inches='tight') plt.show()

5. 如何正确解读loss曲线

画出曲线只是第一步，关键在于“读懂”它们。以下是几种常见情况的解读：

5.1 理想情况：健康收敛

表现：训练loss和验证loss都稳定下降，最终趋于平稳，且两者差距不大。
含义：模型正在有效学习，没有明显过拟合，训练可以继续直到loss不再显著下降。

5.2 过拟合（Overfitting）

表现：训练loss持续下降，但验证loss在某个点后开始上升。
解决方法：
- 增加数据增强（YOLO26中可通过augment参数控制）
- 使用早停（Early Stopping），YOLO26的patience参数可设置
- 减少模型复杂度或增加正则化

5.3 欠拟合（Underfitting）

表现：训练loss和验证loss都很高，且下降缓慢或停滞。
可能原因：
- 模型容量不足（尝试更大的YOLO26变体，如yolo26l）
- 学习率设置不当（过高导致震荡，过低导致收敛慢）
- 数据标注质量差或数据量不足

5.4 训练loss震荡

表现：训练loss上下波动，不平稳。
原因：batch size太小或学习率太高。
建议：适当增大batch size或降低学习率（lr0参数）。

6. 实用技巧与注意事项

不要只看最后的loss值：关注整个下降趋势比单看最后一个数字更重要。
结合mAP等指标一起看：loss下降不代表性能一定提升，最终要以验证集的mAP为准。
定期保存中间模型：YOLO26默认保存best和last模型，确保不会因意外中断而前功尽弃。
利用TensorBoard（可选）：如果你启用了TensorBoard，可以在训练时实时监控loss曲线，无需等待训练结束。

7. 总结

通过这篇教程，你应该已经掌握了如何从YOLO26的训练日志中提取数据，并绘制出关键的loss曲线。更重要的是，你学会了如何解读这些曲线，从而判断模型的训练状态，及时发现问题并调整策略。记住，训练不是“扔给模型就不管了”，主动监控和分析才是获得高性能模型的关键。

获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

YOLO26训练可视化：loss曲线查看与分析教程