local_train_tool

通用目标检测训练流水线（支持 6-bit 数值范围的 .tif 图像 + YOLO 单行 .txt 标签）。

功能

• 读取数据集（YOLO 目录结构）：
  • images/train, images/val
  • labels/train, labels/val
• 将 TIFF 图像转换为 float32 单通道 TIFF（不使用 8-bit PNG；当像素范围为 0~63 时按 6-bit 线性归一化）
• 训练前对训练集支持离线数据增强（可配置增强副本数）：
  • Mosaic（多图拼接小目标增强）
  • random crop（裁剪后缩放回原尺寸）
  • random rotation（90/180/270）
  • flip（水平/垂直）
  • 轻度平移 + 缩放仿射
  • 随机局部遮挡（Cutout）
  • 随机对比度变化
  • 随机亮度变化
  • CLAHE-like 局部对比度增强
  • 随机 gamma 变化
  • 随机直方图扰动（分位拉伸+强度扰动）
  • 随机高斯噪声
  • 随机高斯模糊
  • 轻度模糊+噪声联合退化
• 自动执行 uint16 TIFF 增强兼容性检查（启动训练前）
• 使用 ultralytics 的通用检测训练接口（RT-DETR / YOLO）
• 支持公开 COCO 预训练权重快捷选项：
  • coco-rtdetr-l（RT-DETR-L）
  • coco-rtdetr-x（RT-DETR-X）
  • coco-yolo11-l（YOLO11-L）
  • coco-yolo11-x（YOLO11-X）
  • coco-yolov8-x（YOLOv8-X）
  • coco-deformable-detr-l（Deformable DETR-L）
  • coco-deformable-detr-x（Deformable DETR-X）
  • coco-dino-l（DINO-L）
  • coco-dino-x（DINO-X）
  • coco-nino-l（NINO-L，当前映射为 DINO-L）
  • coco-nino-x（NINO-X，当前映射为 DINO-X）
• 训练期间写入 TensorBoard（损失曲线）
• 训练期间按 val/box_loss + val/cls_loss + val/dfl_loss 选出并保存最优权重：
  • best_val_loss.pt

安装依赖

pip install ultralytics pillow numpy tensorboard

训练命令示例

python train_rtdetr.py \
  --dataset-root /path/to/dataset \
  --class-names object \
  --epochs 100 \
  --batch 16 \
  --imgsz 640 \
  --augment-copies 1 \
  --augment-seed 42 \
  --augment-mosaic-prob 0.35 \
  --augment-translate-scale-prob 0.6 \
  --augment-cutout-prob 0.45 \
  --augment-clahe-prob 0.45 \
  --augment-gamma-prob 0.5 \
  --augment-hist-perturb-prob 0.5 \
  --augment-blur-noise-combo-prob 0.35 \
  --model coco-rtdetr-l \
  --project runs/detect \
  --name rtdetr_train

说明：

• 可使用本地模型路径或官方权重名（例如：rtdetr-l.pt、rtdetr-x.pt、yolo11x.pt、yolov8x.pt）：
  • --model /path/to/your_model.pt
  • --model rtdetr-l.pt
• 当 --model 取 coco-rtdetr-l 或 coco-rtdetr-x 时，脚本会从公开地址下载权重到 weights/（可用 --weights-dir 修改）；下载仅允许 https://github.com，并会校验目标文件名及落盘路径安全性。
• 当 --model 取 coco-yolo11-l / coco-yolo11-x / coco-yolov8-x / coco-deformable-detr-l / coco-deformable-detr-x / coco-dino-l / coco-dino-x / coco-nino-l / coco-nino-x 时，直接使用 Ultralytics 内置模型名加载对应 COCO 预训练权重。
• 数据预处理目录默认为 <dataset-root>_prepared：
  • 若该目录已存在，默认直接复用；
  • 可使用 --force-rebuild-prepared 强制重建；
  • 可使用 --reuse-prepared 显式声明复用（与 --force-rebuild-prepared 互斥）。
• 增强参数：
  • --augment-copies：每张训练图像生成多少份离线增强样本（默认 0，即不额外生成）。
  • --augment-seed：离线增强随机种子（默认 42）。
  • 方案2（Mosaic）：--augment-mosaic-prob（默认 0.35）
  • 方案3（平移+缩放仿射）：--augment-translate-scale-prob（默认 0.6）
  • 方案4（Cutout）：--augment-cutout-prob（默认 0.45）
  • 方案5（CLAHE-like）：--augment-clahe-prob（默认 0.45）
  • 方案6（模糊+噪声联合）：--augment-blur-noise-combo-prob（默认 0.35）
  • 方案7（Gamma 与直方图扰动）：
    • --augment-gamma-prob（默认 0.5）
    • --augment-hist-perturb-prob（默认 0.5）

TensorBoard 监控

tensorboard --logdir runs/detect

然后在浏览器打开输出地址查看训练/验证损失曲线。