YOLOv8 模型断点续训完整指南

发表于 2026-04-24 更新于 2026-04-27

YOLOv8 基于上次训练结果继续训练（断点续训）的核心要点是：加载训练过程中自动生成的 last.pt 检查点（包含优化器、EMA、已训练轮次、学习率等完整训练状态），并开启resume=True 参数。需特别注意：切勿使用 best.pt 进行续训，该文件仅保存验证最优权重，不包含任何训练状态，无法实现无缝续训。

以下将从检查点定位、命令行续训、Python脚本续训、核心参数说明、常见问题避坑、完整流程示例六部分，为读者提供可直接落地、无冗余的实操指南。

一、先找到上次训练的检查点（核心前提）

YOLOv8 训练完成后，检查点文件会默认保存至固定路径，不同任务的保存路径如下：

任务类型	保存路径
目标检测	`runs/detect/train/weights/last.pt`
图像分割	`runs/segment/train/weights/last.pt`
图像分类	`runs/classify/train/weights/last.pt`

文件说明

last.pt：续训必用文件，保存完整训练状态（含已训练轮次epoch、优化器参数、学习率调度器、EMA权重等），可实现无缝衔接续训，无需重复配置基础参数。
best.pt：仅保存验证集最优模型权重，不可用于断点续训——若用其启动训练，会重置优化器、学习率等所有状态，从epoch=0重新开始。

二、命令行CLI续训（最常用，适合快速操作）

1. 标准续训（从上次中断轮次继续，总epochs不变）

1 2	# 基础格式（detect任务） yolo detect train resume model=runs/detect/train/weights/last.pt

核心要点：需同时包含 resume 参数和 last.pt 完整路径；无需重复填写data、epochs、imgsz等参数——系统会自动从 last.pt 读取上次训练的所有配置，实现无缝续训。

实操示例：若上次训练中断时已训练至epoch 30，总计划训练100轮，执行以下命令即可从epoch 31继续：

1	yolo detect train resume model=runs/detect/my_train/weights/last.pt

2. 追加更多epochs（在原训练基础上增加训练轮次）

若原训练已完成既定轮次，或想在中断后追加更多训练轮次，只需在续训命令中指定新的总epochs（新总轮次需大于上次已训练轮次）即可：

1 2	# 原训练100轮，现在续训并追加至150轮（新增50轮训练） yolo detect train resume model=runs/detect/train/weights/last.pt epochs=150

3. 极简续训（自动查找最近一次训练的last.pt）

若最近一次训练的检查点未被移动或删除，可直接使用 resume 参数，无需手动指定 last.pt 路径：

1	yolo detect train resume

三、Python脚本续训（适合代码集成、批量训练）

1. 标准续训（加载last.pt + 开启resume=True，无缝衔接）

from ultralytics import YOLO

# 1. 加载上次训练的last.pt（核心步骤，确保路径正确）
model = YOLO("runs/detect/train/weights/last.pt")

# 2. 启动续训：resume=True 是关键，自动继承上次所有训练配置
results = model.train(
    resume=True,  # 必须开启，启用断点续训功能
    # 以下参数可选：仅当需要调整时填写（不填写则继承上次配置）
    # epochs=150,  # 示例：原100轮→150轮，追加50轮训练
    # batch=16,    # 示例：调整批次大小（根据显卡显存灵活设置）
    # imgsz=640    # 示例：调整输入图像尺寸（需与上次一致）
)

2. 追加训练（基于上次权重微调，不严格续训状态）

若无需继承上次的优化器、训练轮次等状态，仅需用上次训练的权重作为初始化进行微调（如新增少量数据集、调整模型参数），可加载 best.pt 或 last.pt，但不开启resume=True：

model = YOLO("runs/detect/train/weights/best.pt")  # 也可使用last.pt
results = model.train(
    data="mydata.yaml",  # 需指定数据集配置（无法继承上次配置）
    epochs=50,  # 从头计算50轮训练，非续接上次轮次
    lr0=0.0001  # 微调用小学习率，避免过拟合（推荐值）
)

四、核心原理与关键参数说明（避坑核心）

1. resume=True 的核心作用

自动读取 last.pt 中记录的已训练轮次（epoch），从 epoch+1 开始继续训练，无需手动记录中断轮次。
加载完整训练状态（含优化器参数、学习率调度器、EMA权重），确保训练连续性——不会重置学习率、动量等关键参数，避免训练效果断层。
自动复用上次训练的所有配置（含数据集配置data.yaml、批次大小batch、输入图像尺寸imgsz等），无需重复配置，提升实操效率。

2. 必须保持一致的配置（避免报错、训练断层）

配置类型	要求
数据集相关	需完全一致：数据集路径、类别数量（nc）、类别名称（names）、标签格式
模型核心结构	不可修改：模型版本（如yolov8n→yolov8s）、损失函数、数据增强核心参数

3. 常见参数冲突处理（实操必备）

续训时仅修改需调整的参数（如epochs、batch、device），其余参数保持默认，避免手动配置与last.pt 中的配置冲突。
若出现CUDA内存不足（显存不够）：续训时可手动指定较小的batch尺寸（如batch=8），系统会自动覆盖上次的batch配置。

五、常见问题与避坑（实操高频问题解决）

1. 报错：Resume checkpoint not found（找不到续训检查点）

原因：路径错误；指定了best.pt而非last.pt；训练因强制中断导致 last.pt 损坏。

解决：确认命令或脚本中指定的路径必须指向 last.pt；若文件损坏，只能用 best.pt 重新启动训练（无法续训）。

2. 续训后从epoch=0开始（未实现真正续训）

原因：使用best.pt 而非 last.pt；未开启 resume=True（Python脚本）或未加 resume 参数（命令行）。

解决：更换为 last.pt，并确保开启resume=True（脚本）或添加 resume 参数（命令行）。

3. 学习率/优化器异常（续训后训练效果变差）

原因：使用 best.pt 续训（无优化器状态，会重置学习率）；手动修改学习率、优化器类型等参数，与 last.pt 中的状态冲突。

解决：改用 last.pt 续训，续训时不随意修改学习率、优化器相关参数。

4. 数据集/类别不匹配（报错或预测异常）

原因：续训时使用的data.yaml与上次训练的配置不一致（如类别数、类别名称、数据集路径修改）。

解决：确保续训时使用的data.yaml与上次训练完全一致；若需修改数据集，建议采用”微调”方式（不开启resume=True）。

六、完整示例流程（从初始训练→中断→续训，实操可直接套用）

Step1 初始训练（设定总轮次，正常启动训练）

1 2	yolo detect train model=yolov8n.pt data=mydata.yaml epochs=50 imgsz=640 batch=16 # 训练过程中，检查点会保存至：runs/detect/train/weights/last.pt（此时记录epoch=50）

Step2 模拟中断（如手动Ctrl+C、断电等意外情况）

假设训练中断时，已训练至epoch 30（未完成50轮），此时 last.pt会保存当前训练状态（epoch=30、优化器参数等）。

Step3 断点续训（从epoch 31继续，直至完成50轮，或追加至更多轮次）

1
2
3

# 续训至100轮示例
yolo detect train resume model=runs/detect/train/weights/last.pt epochs=100
# 系统自动读取last.pt中的状态，从epoch=31开始训练，直至完成100轮，继承所有初始配置

七、拓展补充（进阶实操必备）

1. 自定义检查点保存路径（避免路径混乱）

若需将检查点保存至指定路径，可在初始训练时指定project 和 name 参数：

# 初始训练：指定保存路径（project为文件夹，name为子文件夹）
yolo detect train model=yolov8n.pt data=mydata.yaml epochs=50 project=my_yolov8_train name=detect_task
# 检查点保存路径：my_yolov8_train/detect_task/weights/last.pt

# 续训时指定该路径
yolo detect train resume model=my_yolov8_train/detect_task/weights/last.pt epochs=100

2. 续训时调整学习率（按需优化）

若续训时发现模型出现过拟合、收敛变慢等问题，可在续训命令/脚本中微调学习率：

1	yolo detect train resume model=runs/detect/train/weights/last.pt epochs=100 lr0=0.0005

model = YOLO("runs/detect/train/weights/last.pt")
results = model.train(
    resume=True,
    epochs=100,
    lr0=0.0005  # 微调学习率，比初始学习率（0.01）小一个数量级，避免过拟合
)

说明：续训时学习率建议微调（通常为初始学习率的1/10~1/2），避免因学习率过高导致模型震荡、效果退化。

3. 多任务续训通用逻辑（检测/分割/分类通用）

无论是什么任务，断点续训的核心逻辑完全一致，仅需对应修改任务类型和检查点路径：

# 图像分割续训
yolo segment train resume model=runs/segment/train/weights/last.pt epochs=80

# 图像分类续训
yolo classify train resume model=runs/classify/train/weights/last.pt epochs=60

4. 续训日志查看与分析（排查问题）

续训时会自动延续上次的训练日志，日志保存路径与检查点路径一致（runs/xxx/train/results.csv），可通过以下方式查看：

直接打开 results.csv，查看每一轮的损失值、mAP、准确率等指标，判断续训是否正常收敛。
使用TensorBoard查看日志可视化结果：

1	tensorboard --logdir=runs/detect/train/logs

注意：若续训后指标出现断崖式下降，需检查 last.pt 完整性、数据集配置一致性或学习率设置。

八、总结

YOLOv8 断点续训的核心是「加载 last.pt + 开启 resume=True」，关键在于保证数据集配置、模型结构与上次训练一致，避免因参数冲突、文件损坏导致续训失败。

无论是命令行快速操作，还是Python脚本集成，均需遵循这一核心逻辑；若需追加轮次、微调参数，仅需在续训时指定相关参数即可。

通过以上完整指南，可轻松实现YOLOv8模型的无缝续训，提升训练效率，避免因意外中断导致的训练成果浪费。