程，并重点修正此前容易出错的数据集路径配置问题。

一、前置准备：账号与数据集

在开始前，需完成账号注册和数据集格式确认，这是后续训练的基础。

1. 注册 Kaggle 账号

• 访问 Kaggle 官网，推荐使用谷歌 / Outlook 邮箱注册（国内邮箱可能收不到验证邮件）。
• 注册后无需额外认证，直接进入主界面即可使用免费 GPU 资源。

2. 准备 YOLO 格式数据集

YOLO 模型对数据集结构有固定要求，需提前按以下格式整理，避免后续路径错误：

dataset/  # 数据集根目录（压缩前的文件夹）
├─ images/  # 图片文件夹
│  ├─ train/  # 训练集图片（如 001.jpg、002.jpg）
│  └─ val/    # 验证集图片（建议占总数据的 20%）
├─ labels/  # 标签文件夹（与图片一一对应）
│  ├─ train/  # 训练集标签（如 001.txt、002.txt）
│  └─ val/    # 验证集标签
└─ data.yaml  # 数据集配置文件（核心！路径需严格对应）

关键文件：data.yaml 配置（修正路径问题）

此前容易出现路径错误（如 ../train/images），正确配置需遵循 “路径相对于 data.yaml 所在位置” 的原则。以 2 类目标（class1、class2）为例，正确内容如下：

# data.yaml 正确配置
train: ./images/train  # 相对路径：data.yaml → images → train（核心修正点）
val: ./images/val      # 相对路径：data.yaml → images → val（核心修正点）
nc: 2                  # 目标类别数量（根据你的数据修改）
names: ['class1', 'class2']  # 类别名称（与标签中的数字对应，如 0→class1）

• 错误原因：原 ../train/images 表示 “上一级目录的 train/images”，与上述 dataset 文件夹结构不匹配，会导致模型找不到数据。
• 正确逻辑：./ 代表 data.yaml 所在的当前目录（即 dataset 根目录），直接指向同级的 images/train 和 images/val。

二、步骤 1：上传数据集到 Kaggle

将本地整理好的 dataset 文件夹压缩为 dataset.zip（减少上传时间），再上传到 Kaggle 数据集仓库：

1. 登录 Kaggle 后，点击右上角头像 → 选择 Your Datasets。
2. 点击页面右上角 New Dataset → 选择 Upload 标签。
3. 点击 Choose Files，选择本地的 dataset.zip 压缩包（可拖拽上传）。
4. 填写数据集信息：
   • Dataset name：自定义名称（如 yolo-dataset-2class，后续需用到）。
   • Visibility：选择 Private（私有，仅自己可见，保护数据）。
5. 无需填写其他信息，直接点击页面底部 Create，等待上传完成（视压缩包大小，可能需要 1-5 分钟）。
6. 上传完成后，数据集状态会从 Draft 变为 Published（需等待 Kaggle 处理，约 1 分钟），此时才算真正可用。

三、步骤 2：创建 Kaggle Notebook 并启用 GPU

Kaggle Notebook 是训练模型的核心环境，需先配置好 GPU 和基础设置：

1. 回到 Kaggle 首页，点击顶部导航栏 Code → 选择 New Notebook。
2. 新建 Notebook 后，先启用 GPU（默认是 CPU，训练极慢）：
   • 点击 Notebook 右上角的 Accelerator 下拉框 → 选择 GPU P100（免费额度内，每周 30 小时）。
   • 启用后，右上角会显示 GPU P100 标识，代表配置成功。
   • 新版本

五、步骤 4：解压数据集并检查结构

挂载的数据集是压缩包形式，需先解压到工作目录，再确认结构是否与预期一致：

六、步骤 5：安装 YOLO 依赖库（Ultralytics）

YOLOv8 官方推荐使用 ultralytics 库，需在 Notebook 中安装：

七、步骤 6：训练 YOLOv8 模型

以轻量级的 yolov8n.pt（nano 版本，适合新手测试）为例，配置训练参数并启动训练：

八、步骤 7：保存并下载训练结果

训练完成后，模型权重、日志、可视化图表会保存在指定路径，需压缩后下载到本地：

九、常见问题解决

十、后续操作建议

• （可选）调整 Notebook 名称：点击顶部的 Untitled Notebook，修改为易识别的名称（如 YOLOv8-Training）。这里新版本有点变化，网络需要打开 不然使用pip install会失败：

• 四、步骤 3：挂载自己的数据集

  挂载是将 Kaggle 数据集仓库中的数据，关联到当前 Notebook 的工作目录（/kaggle/working/），方便后续调用：

• 在 Notebook 左侧面板，点击 Data（图标是文件夹 + 数据库，若隐藏可点击左上角「≡」展开）。
• 在 Data 面板顶部的搜索框，输入你之前上传的数据集名称（如 yolo-dataset-2class）。
• 搜索结果中找到你的数据集后，点击其卡片右下角的 Add 按钮（可能显示为「+ Add」）。
• 挂载成功后，会弹出提示 “Dataset added to notebook”，且数据集会被固定挂载到路径：/kaggle/input/你的数据集名称/（例如 /kaggle/input/yolo-dataset-2class/）。
• 验证挂载：在 Notebook 中新建一个代码单元格（点击「+ Code」），输入以下命令并按 Shift+Enter 运行：

  # 查看挂载路径下的文件（替换为你的数据集名称）
  !ls /kaggle/input/yolo-dataset-2class/
  

  若输出 dataset.zip（即你上传的压缩包），说明挂载成功。
• 在 Notebook 中新建代码单元格，输入以下命令解压（替换路径中的数据集名称）：

  # 解压 dataset.zip 到当前工作目录（/kaggle/working/）下的 dataset 文件夹
  !unzip /kaggle/input/yolo-dataset-2class/dataset.zip -d ./dataset
  

  • 运行后会显示解压进度，完成后提示「inflating: ...」。
• 检查解压后的结构是否正确：

  # 查看解压后的 dataset 文件夹内容
  !ls ./dataset
  

  若输出 images labels data.yaml，说明结构与预期一致，可进入下一步；若缺少文件，需重新检查本地数据集压缩前的结构。
• 新建代码单元格，输入以下命令并运行：

  # 安装 ultralytics 库（包含 YOLOv8 模型）
  !pip install ultralytics -q
  

  • -q 表示静默安装，减少输出日志；安装完成后无报错即可。
• 新建代码单元格，输入以下训练代码（关键参数已标注说明）：

  from ultralytics import YOLO
  
  # 1. 加载预训练模型（yolov8n.pt 是最小模型，训练快；可选 yolov8s.pt、yolov8m.pt 等）
  model = YOLO('yolov8n.pt')
  
  # 2. 启动训练（参数根据你的需求调整）
  results = model.train(
      data='./dataset/data.yaml',  # 数据集配置文件路径（必须正确，否则找不到数据）
      epochs=10,                   # 训练轮次（新手先设 10 轮测试，后续可增到 50-100）
      imgsz=640,                   # 输入图片尺寸（YOLO 常用 640，若 GPU 内存小可设 480）
      batch=16,                    # 批次大小（P100 支持 16-32，内存不足可减为 8 或 4）
      device=0,                    # 使用第 0 块 GPU（Kaggle 免费版仅单 GPU）
      project='yolo_training',     # 训练结果保存的项目名（可选，默认是 runs/detect）
      name='train_v1'              # 本次训练的名称（可选，方便区分多次训练）
  )
  

• 按 Shift+Enter 运行代码，训练开始后会实时输出日志：
  • 包含每轮的损失值（loss）、精度（precision）、召回率（recall）、mAP 等指标。
  • 训练过程中若出现「No labels found」，需检查 data.yaml 路径是否正确，或 labels 文件夹是否有 .txt 文件。
• 查看训练结果路径：
  • 若使用默认参数，结果保存在 /kaggle/working/runs/detect/train/。
  • 若自定义了 project 和 name，则保存在 /kaggle/working/yolo_training/train_v1/。
  • 核心文件：
    • weights/best.pt：训练过程中性能最好的模型权重（重点下载）。
    • weights/last.pt：最后一轮的模型权重。
    • results.csv：所有训练指标的详细数据（可用于后续分析）。
• 压缩训练结果（方便下载）：

  # 压缩默认路径的训练结果（若自定义路径需修改）
  !zip -r yolo_train_results.zip /kaggle/working/runs/detect/train/
  

• 下载结果：
  • 在 Notebook 左侧面板，点击 Files（图标是文件夹）。
  • 找到 yolo_train_results.zip 文件，点击其右侧的「↓」下载按钮，保存到本地。

• GPU 突然断开连接：

  • Kaggle 免费 GPU 有 90 分钟无操作超时机制，训练时保持页面打开，或在代码中加入防休眠逻辑（如每 5 分钟打印一次信息）。

• “Out of memory”（GPU 内存不足）：

  • 减小 batch 大小（如从 16 减为 8）。
  • 降低 imgsz（如从 640 减为 480）。
  • 换用更小的模型（如 yolov8n.pt 替代 yolov8s.pt）。

• 数据集路径错误（找不到图片或标签）：

  • 重新检查 data.yaml 中的 train 和 val 路径，确保是 ./images/train 和 ./images/val。
  • 用 !ls ./dataset/images/train 命令，确认 images/train 下有图片文件。
• 本地测试：下载 best.pt 后，用 ultralytics 库加载模型，对本地图片或视频进行预测。
• 优化训练：若精度不足，可增加 epochs（如 50 轮）、换用更大模型（如 yolov8s.pt），或优化数据集（增加样本、标注修正）。
• 管理免费额度：在 Kaggle 首页点击右上角头像 → Settings → Usage，可查看每周 GPU 额度剩余情况。