|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| TL;DR（一句话总结） 这一课围绕"跑通一个目标检测训练流程"展开，四件事串成一条线：用数据增强给模型制造难题 （马赛克 + 随机遮挡）→ 把 JSON 标注转成 YOLO 格式的 TXT → 改配置文件适配自己的类别数 → 配好参数开跑 。理解了这条线，你就具备了自己训练一个检测模型的能力。 |
读完你能明白：马赛克增强和随机遮挡到底在解决什么问题、打标的 JSON 怎么变成 YOLO 能读的 TXT、以及第一次训练该怎么配置参数。
一、先聊聊背景：YOLO 后来由谁来维护？
YOLO 系列最有意思的一点是------它的后续版本不是原作者做的 。
原作者在发布 YOLOv3 后宣布停止相关研究，公开表达过不愿让这项技术被滥用于军事用途的立场。此后，YOLOv4、v5 由第三方机构与团队（如美团、清华大学等）沿着原始思想继续开发。
关于 v4 和 v5 的关系，记住一句就够：原理完全一致，只是代码实现不同 。所以学懂一个，另一个直接迁移。
那 v4 强在哪？对比一下就清楚了：
|--------------|-------------|-----------------|
| 模型 | 精度（mAP） | 速度 |
| YOLOv3 | 中等 | 快 |
| YOLOv4 | 更高 | 依然保持高帧率 |
| EfficientNet | 也高 | 慢，与 YOLO 不在同一量级 |
简单说，YOLOv4 在"又快又准"这件事上做到了更好的平衡 。
二、数据增强：为什么要给模型"制造麻烦"？
数据增强的本质是：用有限的数据，造出更多样的训练样本，逼模型学到更全面的特征 。
（一）老版本做得太少了
YOLOv1 到 v3 的数据增强代码极少，基本只有一个动作------用 OpenCV 的 flip 函数做镜像翻转 （左右翻转一下）。就这一招，显然不够。
（二）马赛克增强：四张图拼成一张
这是重点。它的演进过程很有意思，是一条"逐步加码"的路线：
- 早期尝试 ：把两张图片加权融合，或遮挡图片局部 ------ 指标提升了一部分
- 随机贴图 ：在狗的图片上随机贴一张猫的图片 ------ 各项指标都涨了
- 四图拼接 ：最终演变成把四张图拼成一张 ------ 场景更复杂，效果最好
为什么随机贴图有效？因为模型原来太"偷懒"了------它只看动物头部 就能判断是猫还是狗，根本不看尾巴和爪子。你随机贴一只猫上去，头部特征被干扰，模型被迫去学尾巴、爪子、身体轮廓这些其他部位的特征 ，学到的东西自然更全面。
四图拼接是同样的思路再加强：一次性塞进四个场景，物体的对比度和上下文复杂度都上去了。
|----------------------------------------------|
| 一句话理解马赛克 让模型在一张图里同时见到更多场景，逼它别只盯着一个特征下结论。 |
（三）随机遮挡：把关键部位"糊掉"
另一招是随机遮挡 ：用随机值，或者训练集的平均像素值，把图像里的某块区域替换掉。
目的很明确------防止模型死盯着一个位置 。比如识别飞机，如果模型只认机翼，那把机翼遮住它就不认识了。
做法是：遮机翼 → 逼它去学机身；遮机身 → 逼它去学机翼和尾翼。来回遮挡几轮，模型对每个部位都有印象，特征就学全面了 。
三、标注转换：JSON 怎么变成 YOLO 的 TXT？
用 Labelme 打完标，得到的是 JSON 文件。但 YOLO 要的是 TXT。这一步靠 json_to_yolo.py 脚本自动完成。
（一）五步走完整个流程
第一步：建立标签映射。 先在脚本里定好"名字 → ID"的映射字典，比如狗 = 0、猫 = 1 。这个 ID 必须和后面训练时的顺序一致，否则类别就对不上了。
第二步：读取 JSON。 用 os.listdir 遍历目录下的所有 JSON 文件，再用 json.load 把内容读进内存。
第三步：提取框和图片尺寸。 从 JSON 的 shape 字段里取出矩形框的两个对角坐标点 （左上角、右下角），同时拿到图片的原始宽度和高度------后面归一化要用。
第四步：算中心点 + 归一化。 这一步是核心，也是新手最容易迷糊的地方。YOLO 格式记录的不是"左上角 + 右下角"，而是中心点 + 宽高 。所以要换算：
|------------------------------------------------------------------------------------------|
| 中心点 X = (左上角 X + 右下角 X) / 2中心点 Y = (左上角 Y + 右下角 Y) / 2宽 = 右下角 X - 左上角 X高 = 右下角 Y - 左上角 Y |
拿到像素值后，还要归一化 成 0 到 1 之间的相对值：
|---------------------------------------------------------|
| 宽方向比例 = 1 / 图片原始宽度高方向比例 = 1 / 图片原始高度归一化后的值 = 像素值 × 对应比例 |
这么做的意义是：不管你的图是 800×600 还是 1920×1080，模型看到的都是统一的相对坐标 ，训练才稳定。
第五步：写入 TXT。 创建一个和 JSON 同名的 TXT 文件，但存到独立的 labels 目录 下（不要和原图混放）。写入格式很简单，空格分隔：
|--------------------|
| 类别ID 中心点X 中心点Y 宽 高 |
例如 0 0.512 0.483 0.240 0.365。一张图里有多个物体，就一行一个。
（二）两个必须注意的坑
|-----------------------|-------------------|
| 坑 | 后果 |
| 英文单词拼错（如 dog 拼成 doge） | 全班标签匹配不上，直接训练失败 |
| 图片文件名重复 | 图片和 JSON 对不上，标签错乱 |
所以要组织检查两件事：拼写必须绝对准确 、文件名必须唯一 （重复的就重命名或弃用）。
四、开跑训练：参数怎么配？
数据备好了，接下来就是把模型和参数调到能跑起来的状态。这一步分准备、改配置、设参数、加载权重四小段。
（一）准备工作
确保图片和标签都已转成 YOLO 标准格式：训练集图片 + 验证集图片 + 对应的 TXT 标签，数量要够。然后改 json_to_yolo.py 里的输入路径，跑一下就生成 labels 文件夹了。
环境方面，框架代码结构庞大（models、utils 等模块），建议自己理一理导入关系。缺库就装，比如 torch。
（二）改配置文件（两处必改）
第一处：模型配置。 复制 yolo_v3.cfg，重命名成自己的 custom 版本，然后把三个位置 的 classes 从默认的 80 改成实际类别数（比如猫狗就是 2 ）。
|----------------------------|
| 容易漏 是三个位置都要改，改漏一个就会报错。 |
第二处：数据配置。 新建一个自定义 yaml 文件，模仿 COCO 的格式，严格写这四行：
|---------|-----------------------------|
| 字段 | 填什么 |
| classes | 实际分类数（如 2） |
| train | 训练集图片路径汇总 txt 的总目录 |
| valid | 验证集图片路径汇总 txt 的总目录 |
| names | 按打标顺序填类别名（如 dog, cat），顺序不能乱 |
（三）常用训练参数
参数通过 argparse 传递，可以在 IDE 的运行配置里改，也可以直接在命令行加。核心参数一览：
|----------------------|----------|----------------------------------|
| 参数 | 含义 | 建议 |
| Epoch | 训练轮数 | 默认 10，按需调整 |
| Batch size | 每批次图片数 | 默认 2；内存溢出就调到 1 |
| Gpu acquisition | 梯度累计次数 | 用于加速，较少使用 |
| Image size | 输入尺寸 | 默认 416×416，可选 320~608 之间 32 的倍数 |
| Checkpoint interval | 权重保存频率 | 每隔多少轮保存一次 .pt |
| Evaluate interval | 验证频率 | 每隔多少轮在验证集上评估 |
| Compute map | 是否计算 mAP | 设为 true 则每 10 个批次算一次 |
| Multi-scale training | 多尺度训练 | 通常设为 true |
显存不够的典型症状是报内存溢出（OOM），第一反应就是把 Batch size 调到 1 。
（四）加载权重开跑
在 train.py 里加载 Darknet53 预训练权重 作为初始参数，可以指定 CPU 线程数处理数据打包（默认 0 即自动）。
最后给新手一颗定心丸：第一次用小规模数据集训练时，损失值震荡甚至出现无穷大，都是正常现象 。这一阶段的重点是跑通整个流程 ，为后面上手 YOLOv5 打基础，不用死磕指标。
五、总结
这堂课的完整链路，可以浓缩成四步：
- 数据增强 ：马赛克四图拼接 + 随机遮挡，逼模型学全面特征；
- 格式转换 ：JSON → 归一化 → 中心点坐标 → TXT，注意拼写和文件名；
- 配置适配 ：cfg 改三处 classes，yaml 写四行配置；
- 参数开跑 ：按需设 Epoch / Batch size / Image size，加载预训练权重。
一句话记住：数据增强让模型"见多识广"，格式转换让模型"读得懂"，参数配置让模型"跑得动"。