模型训练和相关报错可以看我的前文：

环境配置创建yolov8属于自己的数据集：

配置pytorch环境（anaconda+cudn+cudnn+pytorch）_cudn+pytorch-CSDN博客

训练数据集报错：

yolov8训练数据集报错处理-CSDN博客

模型训练时出现内存不足问题报错：

yolov8训练数据集报错（内存不足问题）_dataloader 的工作进程(worker)意外退出、-CSDN博客

1.完成模型训练后，测试图片：

# 六、模型测试
# 训练完模型之后，可以验证模型的检测效果，创建detec.py文件，内容如下：
from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('runs/detect/train14/weights/best.pt') # 这里用你训练完以后保存的模型文件

# 推理单张图片
results = model('VOCdevkit/test/images/17.jpg')

# 显示推理结果
for result in results:
	result.show()

测试图片如下:

运行得到训练结果如下：

及：已完成模型训练，能够训练相关测试

2. 训练完成数据查看

训练完成后得到对应的runs文件夹（如图）训练 输出目录：

目录结构解释

• runs/: 这是 YOLOv8 默认的输出目录，所有训练结果都会保存在这个目录下。

  • detect/: 这个子目录通常用于存放检测任务的结果。

    • train/: 这个子目录用于存放训练过程中生成的各种文件和结果。

      • train1/ 到 train142/: 这些是不同的训练实验目录，每个目录对应一次训练实验。目录名称通常包含训练配置的哈希或特定的标识符。

        • weights/: 存放该次训练过程中生成的模型权重文件。

          • best.pt: 在训练过程中在验证集上表现最好的模型权重。

          • last.pt: 训练过程中最后生成的模型权重。

        • args.yaml: 这个文件保存了该次训练实验的配置参数。

        • labels.jpg 和 labels_correlogram.jpg: 这些是可视化文件，可能展示了标签分布或相关性图。

        • results.csv: 这个文件通常包含了训练过程中详细的结果数据，包括每个 epoch 的损失值等。

        • train_batch0.jpg 等: 这些是训练过程中生成的批次图像，用于可视化和调试。

      • train14/ 和 train142/: 这些目录结构类似，包含了各自的训练结果和配置。

日志文件位置

在目录结构中，日志文件可能指的是以下几种文件：

1. args.yaml: 这个文件包含了训练的配置参数，可以视为配置日志，记录了训练时使用的各种设置。

2. results.csv: 这个文件通常包含了训练过程中的详细结果，包括每个 epoch 的损失值、准确率等关键指标。这是最接近传统意义上的“日志文件”的文件，因为它记录了训练过程中的详细数据。

3. labels.jpg 和 labels_correlogram.jpg: 这些文件可能包含了关于标签分布的可视化信息，虽然不是传统日志，但对于分析训练数据的标签分布很有帮助。

如何使用日志文件

• 分析训练过程：通过查看 results.csv 文件，你可以了解模型在每个 epoch 的表现，包括损失值的下降情况，从而分析模型的训练过程和性能。

• 调试和优化：如果训练结果不理想，可以通过分析 args.yaml 和 results.csv 文件来调整训练参数和策略，进行模型的调试和优化。

• 可视化：通过 labels.jpg 和 labels_correlogram.jpg 文件，能够直观地看到标签的分布情况，这对于理解数据集的标签分布和进行数据预处理非常有帮助。

3. 提取损失值，并可视化展示损失曲线

        我们能够写一段简单的代码，提取日志文件中的损失值信息，使用Matplotlib绘制对应的损失函数值：

import matplotlib.pyplot as plt
import csv

# 日志文件路径
log_file = 'runs/detect/train14/results.csv'

# 初始化损失列表
train_box_losses = []
train_cls_losses = []
train_dfl_losses = []
val_box_losses = []
val_cls_losses = []
val_dfl_losses = []

# 打开并读取日志文件
try:
    with open(log_file, 'r', encoding='utf-8') as f:
        reader = csv.DictReader(f)
        next(reader, None)  # 跳过标题行
        for row in reader:
            train_box_losses.append(float(row['train/box_loss']))
            train_cls_losses.append(float(row['train/cls_loss']))
            train_dfl_losses.append(float(row['train/dfl_loss']))
            val_box_losses.append(float(row['val/box_loss']))
            val_cls_losses.append(float(row['val/cls_loss']))
            val_dfl_losses.append(float(row['val/dfl_loss']))

except FileNotFoundError:
    print(f"Error: The file '{log_file}' does not exist.")
except ValueError:
    print(f"Error: The file '{log_file}' contains invalid data.")
except Exception as e:
    print(f"An unexpected error occurred: {e}")

# 绘制训练和验证损失曲线
plt.figure(figsize=(12, 6))
plt.plot(train_box_losses, label='Training Box Loss')
plt.plot(val_box_losses, label='Validation Box Loss')
plt.plot(train_cls_losses, label='Training Class Loss')
plt.plot(val_cls_losses, label='Validation Class Loss')
plt.plot(train_dfl_losses, label='Training DFL Loss')
plt.plot(val_dfl_losses, label='Validation DFL Loss')
plt.title('Training and Validation Loss Curve')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.grid(True)
plt.savefig('training_curve.png', dpi=300)
plt.show()

得到类似图示结果：