如何在自定义数据集训练YOLOv8后保存模型以便后续续训？

YOLOv8 有自己封装的模型管理逻辑，不用直接调用 torch.save，以下是正确的操作方式：

1. 训练时自动保存 #

默认情况下，YOLOv8 训练过程中会自动在 runs/detect/train/weights 目录下生成两个权重文件：

• last.pt：保存最新一轮训练的权重，用于继续训练
• best.pt：保存验证集性能最优的权重，用于最终推理

你第一次训练1轮后，这个目录里已经生成last.pt，直接用它续训即可。

2. 继续训练的代码示例 #

from ultralytics import YOLO

# 加载训练到一半的last.pt权重
model = YOLO("runs/detect/train/weights/last.pt")
# 继续训练，epochs设为总轮次（比如之前训了1轮，现在要再训5轮就设为6）
model.train(data="/image_datasets/Website_Screenshots.v1-raw.yolov8/data.yaml", epochs=6)

3. 手动保存与加载 #

如果需要手动指定路径保存模型，用YOLOv8自带的save()方法：

# 训练后手动保存
model.save("custom_yolov8_model.pt")

# 后续加载时还是用YOLO类
model = YOLO("custom_yolov8_model.pt")
# 继续训练或推理都可以
model.train(...)

为什么之前的方法无效？ #

YOLOv8的YOLO类是Ultralytics封装的高阶模型，包含了训练配置、数据信息等额外内容，直接用torch.save保存整个模型或state_dict会丢失这些关键配置，导致加载后无法正常训练或推理。

内容的提问来源于stack exchange，提问作者Kalleni