YOLO自定义数据集训练实战，标注、格式转换与超参调优把 YOLO 跑通并不难，难的是让它在自己的业务数据上真正可用。公开数据集（COCO、VOC）上的指标再漂亮，也替代不了对现场图像的适配：光照、视角、相机型号、目标尺度、遮挡方式、背景纹理，任何一项发生变化，模型的误检与漏检就会以肉眼可见的方式增长。真正决定项目成败的，往往不是网络结构，而是数据链条：采集是否覆盖了真实分布、标注是否一致、格式转换是否无损、划分是否干净、增强是否合理、超参是否与数据规模匹配。本文以工业界最常见的目标检测（Object Detection）任务为主线，完整走一遍自定义数据集训练的流程：从采集清洗、标注规范、格式转换，到数据集划分、增强策略、超参调优，再到评估与误差分析驱动的迭代。文中所有脚本均可直接运行，代码以 Ultralytics 生态（YOLOv8/YOLO11 通用）为基准，同时说明 MMYOLO 等框架的差异点。读者可以把本文当作一份可执行的检查清单，而不是一篇概念综述。一、自定义数据集训练的整体流程1.1 先定义问题，再定义数据在打开标注工具之前，必须先回答三个问题：模型要输出什么、判定成功的标准是什么、线上以什么形式消费结果。这三个问题分别对应任务类型、评估指标与部署形态。任务类型决定标注形式。只需要知道"哪里有目标"，用水平边界框（Horizontal Bounding Box，HBB）即可；目标密集排列、框大量重叠时，应考虑旋转框（Oriented Bounding Box，OBB）；需要像素级轮廓（缺陷分割、遥感建筑提取）时，要用实例分割（Ins
