如何逐轮训练YOLO模型并每轮保存训练统计信息？

针对你需要每轮训练后保存统计信息再继续训练的需求，给你梳理几种可行的操作方式，以及对应你疑问的解答：

核心方案选择 #

方式1：用resume参数自动续训（最便捷） #

YOLO训练时，每轮结束后会自动在weights目录生成last.pt，这个文件保存了当前训练的完整状态（包括模型权重、优化器参数、学习率调度器状态等）。

下一轮训练时，直接启用resume参数即可：

# 第一次训练（第1轮）
model.train(data='your_data.yaml', epochs=1)

# 处理第1轮的统计信息（保存到指定位置）

# 续训第2轮
model.train(data='your_data.yaml', epochs=2, resume=True)

这里epochs=2表示总训练轮数为2，程序会自动加载last.pt的状态，接着第1轮的进度跑完第2轮。之后每轮重复这个逻辑：处理统计信息后，把epochs设为当前轮数+1，加上resume=True即可。

方式2：手动加载权重逐轮训练（更灵活） #

如果需要更精细的控制（比如每轮后可能调整训练参数），可以手动加载上一轮的last.pt，然后每次只训练1轮：

# 第1轮训练
model = YOLO('yolov8n.pt')  # 初始模型
model.train(data='your_data.yaml', epochs=1)
# 处理第1轮统计信息

# 第2轮训练：加载上一轮的last.pt
model = YOLO('weights/last.pt')
model.train(data='your_data.yaml', epochs=1)
# 处理第2轮统计信息

# 后续轮次重复上述加载+训练+处理的流程

对你疑问的明确解答 #

• 是否需要将epochs设为2？
  如果用resume方式，设epochs=2是对的，它代表总训练轮数，程序会自动续完剩下的轮次。如果是手动加载权重的方式，每次都设epochs=1即可，因为你是逐轮触发训练。

• 是否要启用resume=true？
  是的，resume=True是官方推荐的续训方式，它会完整继承上一轮的训练状态（包括优化器、学习率等），避免从头开始训练导致的进度断裂，适合你这种连续训练的场景。

• 选last.pt还是best.pt加载？
  优先选last.pt，因为它保存的是上一轮训练结束时的最新训练状态，续训时能保持训练的连贯性。best.pt是验证集表现最优的模型快照，用它续训相当于从一个最优状态重新开始，会丢失之前的训练进度（比如学习率调度、优化器状态），一般只用于推理或后续微调，不适合连续训练。

内容的提问来源于stack exchange，提问作者vct12345