这篇零基础入门人脸识别的实战教程继续往前走。上一篇讲清楚了环境安装和显卡驱动准备这一篇直接进入正题用YOLOv11把“人脸检测”这件事从零跑通覆盖数据集准备、训练参数配置、训练、验证、测试和预测的完整代码流程所有内容都在 RTX 5060 上实测过遇到什么坑、怎么调参、哪些代码可以直接抄我都写在下面了。适合刚接触目标检测、想用人脸检测做一个实际项目但还没理清流程的人也适合已经跑通YOLOv8/v10、想快速迁移到YOLOv11的读者。1. 环境底子先打牢RTX 5060 下的版本组合1.1 为什么RTX 5060对CUDA版本特别挑剔这一节我必须放在最前面说因为版本不对后面所有代码都会崩在import那一行。RTX 5060是Blackwell架构的新卡它和上一代Ampere、Ada架构对软件版本的要求完全不一样。老架构用CUDA 11.x、PyTorch 1.x都能跑但5060必须满足两个硬性条件显卡驱动要新建议直接装官网最新版CUDA版本要支持12.8及以上。很多人第一次跑YOLO装完PyTorch之后训练时报错提示没有可用的内核镜像就是这个原因——驱动和PyTorch内置的CUDA版本配不上新显卡。判断显卡驱动是否支持很简单在终端输入nvidia-smi看右上角的CUDA Version如果显示12.8或更高驱动这关就过了。这里有个常见误区nvidia-smi显示的CUDA Version表示这个驱动最多支持到哪个CUDA版本并不代表系统里已经装了对应的CUDA工具包。做YOLO训练其实不需要单独安装完整CUDA工具包PyTorch自带的CUDA运行库就够了。1.2 安装PyTorch和YOLOv11的正确顺序PyTorch必须装支持cu128的版本命令如下pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128装完之后先验证GPU能不能被PyTorch识别import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))第一行返回True第二行能打印出RTX 5060之类的显卡名称说明PyTorch和显卡已经通了。注意安装顺序很重要一定要先装torch/torchvision再装ultralytics库。如果顺序反了pip会根据系统环境自动给你装一个CPU版本的torch训练的时候根本没走显卡速度慢得离谱。接下来安装官方YOLO库pip install ultralytics安装完可以用一行代码快速验证环境是否完整from ultralytics import YOLO model YOLO(yolo11n.pt)这里说明一下有些教程里写作YOLOv11、yolov11n.pt其实官方权重文件名目前是yolo11n.pt代码里面少一个v不影响流程大家不用纠结这个名字。如果能正常加载模型说明环境已经全部就绪可以进入数据准备环节了。2. 数据是第一个分水岭人脸数据集准备与YOLO格式2.1 目录结构和标注文件到底长什么样很多零基础同学卡在训练之前不是因为代码不会写而是数据集格式搞不清。YOLO训练需要的数据集不是简单扔一堆图片进去就行它有固定的目录结构face_data/ images/ train/ # 训练图片比如 face_001.jpg、face_002.jpg val/ # 验证图片 labels/ train/ # 训练标注face_001.txt、face_002.txt val/ # 验证标注 face.yaml # 数据配置文件图片和标注文件名要严格一一对应比如images/train/face_001.jpg对应的标注文件就是labels/train/face_001.txt后缀从.jpg换成.txt主文件名不能有任何差别。每个txt标注文件里的每一行代表一个目标框格式是五个值类别ID 中心点x坐标 中心点y坐标 框宽度 框高度比如0 0.514843 0.456944 0.324219 0.472222说明这张图里有一个人脸框类别ID是0框的中心点在图片的相对位置x0.5148、y0.4569宽度占整张图宽度的32.4%高度占整张图高度的47.2%。所有坐标必须归一化到0~1之间也就是用像素坐标除以图片的宽或高。这样做的好处是模型不关心图片原始尺寸640x640的图和1920x1080的图可以用同一套标注逻辑。如果从公开数据集下载的标注是XML或JSON格式需要写个脚本转成这种txt格式转换公式是x_center (x_min x_max) / 2 / image_width y_center (y_min y_max) / 2 / image_height box_width (x_max - x_min) / image_width box_height (y_max - y_min) / image_height很多人转格式的时候容易犯一个错左上角坐标(x_min, y_min)用的是VOC格式但YOLO格式里的中心点坐标不是框的左上角加上半宽半高算出来的而是直接用(x_minx_max)/2别搞混了。2.2 face.yaml配置文件逐个字段讲清楚数据准备好了还需要告诉YOLO模型“你的训练数据在哪、一共有几个类别”。新建face.yaml文件内容如下path: D:/yolo_face/face_data # 数据集根目录建议写绝对路径 train: images/train # 训练图片目录相对于path val: images/val # 验证图片目录相对于path nc: 1 # 类别数量人脸检测只有1个类别 names: [face] # 类别名称列表有几个细节值得注意。path字段可以写绝对路径也可以写相对路径但零基础阶段我建议直接写绝对路径比如D:/yolo_face/face_data避免运行时因为当前目录不对找不到数据。train和val字段是相对于path的路径不要写完整路径否则容易重复拼接。nc和names必须对应nc是数字1names列表里只有一个元素face。顺便说一下为什么要单独训练一个人脸类别而不是直接用官方YOLO模型里的person类。COCO数据集里的person类检测的是整个人体画出来的人脸框要么太小要么框不准而且person类包含各种姿态人脸检测任务的特征分布差异很大。单独训练一个face类检测头只负责学习人脸这一类特征模型更专注推理结果也更干净。3. 训练前的代码准备与超参解析3.1 预训练权重怎么选YOLO官方提供了不同尺寸的预训练权重nano、small、medium、large、xlarge尺寸越大精度越高但显存占用和训练时间也越大。RTX 5060这种8GB左右的显存零基础入门阶段我强烈建议先用nano版本也就是yolo11n.pt。为什么第一个项目不要追求大模型因为人脸检测任务本身相对简单类别少、目标特征明显nano模型完全能跑出不错的效果。更重要的是用nano模型把全流程跑通之后你对训练、验证、预测的代码逻辑和数据格式都有了直观理解后续再换s、m版本的模型其实是改一行代码的事。如果一上来就用最大模型显存溢出、训练时间过长、参数调试难度增加很容易把信心磨没了。加载预训练权重的代码from ultralytics import YOLO # 加载nano版本预训练权重 model YOLO(yolo11n.pt)预训练权重是基于大规模通用数据集训练过的虽然它的类别列表里没有face但底层卷积已经学会了边缘、纹理、形状这些通用特征这些特征对人脸检测非常有帮助。你在这基础上微调比从零开始随机初始化权重训练快得多小数据集也不容易过拟合。3.2 train()参数逐项拆解训练代码的核心就一个train方法model.train( dataface.yaml, epochs100, batch8, imgsz640, device0, workers4, patience20, optimizerauto, lr00.01, ampTrue, cacheTrue, seed42, projectruns/face_train, nameexp1, )每个参数我都说明一下方便你按自己的情况调整参数名含义建议与说明data数据配置文件路径直接写face.yaml的路径epochs训练轮数第一次跑可以先设30流程通了再加大batch每次迭代喂给显卡的图片数显存不够就降到4或2或者用batch-1自动检测imgsz输入图片分辨率默认640不要轻易调大越大的分辨率越吃显存device使用的计算设备0表示第一张GPUCPU训练设置为cpuworkers数据加载线程数Windows系统如果卡住调成0patience早停耐心值连续多少轮验证指标没提升就停止训练optimizer优化器选择auto会自动选新手不用管lr0初始学习率默认0.01如果loss不下降可以降到0.001amp混合精度训练默认开启能省显存、加快速度cache是否缓存图片到内存数据集不大可以开True太大就关掉seed随机种子固定42保证每次结果可复现project/name训练输出目录生成的权重和图表都保存在这里重点说说batch和amp。RTX 5060玩yolo11n640分辨率下batch8很稳如果用的是s版本可能要降到4。拿不准的时候先试batch-1框架会自动用二分法探测当前显卡能承受的最大batch值这比自己瞎猜靠谱。amp混合精度在50系显卡上是默认开启的它能让一半的计算用FP16跑训练速度提升明显且显存占用降低。如果训练过程中出现loss变成nan的情况可以先关闭amp试试不过对大多数人来说保持默认就对了。4. 训练代码实操与过程解读4.1 完整训练代码和训练过程中的关键输出环境没问题、数据格式正确、配置文件写好了训练就是一段完整但很简单的代码from ultralytics import YOLO model YOLO(yolo11n.pt) model.train( dataface.yaml, epochs100, batch8, imgsz640, device0, workers4, patience20, optimizerauto, lr00.01, ampTrue, cacheTrue, seed42, )跑起来之后终端会打印每一轮的训练情况包括box_loss、cls_loss、dfl_loss这些损失值以及precision、recall、mAP50、mAP50-95这些验证指标。零基础同学不需要每个数值都吃透重点看两个东西loss是不是在整体下降mAP50是不是在整体上升。如果看到loss一轮比一轮低mAP50从0.2慢慢涨到0.7以上说明模型正在正常收敛。训练结束后输出目录下会生成几个关键文件。runs/face_train/exp1/weights/里有两个权重文件best.pt是验证集上表现最好的权重last.pt是最后一轮的权重。以后做预测、做验证都用best.ptlast.pt只在你想接着断点续训时用。同目录下还有results.png这个图把整个训练过程的loss曲线和指标曲线都画出来了判断训练状态非常直观。4.2 训练过程中的几个注意点第一次跑训练建议加一行设置把epochs改成30甚至20。因为你要验证的是整个流程是否通畅而不是立刻训练出成品模型。如果一口气设100个epoch跑了半小时才发现数据集路径有问题或者显卡配置不对劲时间全浪费了。小epoch数快速跑两三轮然后中断看输出目录里是否生成文件再放心跑正式训练。中断后想接着训练一行代码搞定model YOLO(runs/face_train/exp1/weights/last.pt) model.train(resumeTrue)Ultralytics框架会自动读取上次训练的参数继续跑不需要重新写配置。还有一点关于数据增强。官方YOLO库默认开启了马赛克增强、随机翻转、色彩扰动等这些对提升人脸检测的泛化能力很有帮助。初学者不要一上来就关掉数据增强也不要去改那些复杂的增强参数默认方案在大多数场景下就是最优解。人脸检测最怕的就是过拟合——训练集上的框画得准一到新照片就漏检默认的数据增强能明显缓解这个问题。5. 验证指标与模型评估5.1 val()代码及指标提取训练完不等于结束你需要客观评估模型到底行不行。验证代码非常简洁from ultralytics import YOLO model YOLO(runs/face_train/exp1/weights/best.pt) metrics model.val( dataface.yaml, splitval, imgsz640, batch8, device0, )跑完以后框架会打印出验证集上的各项指标同时把这些指标对应的图表保存到输出目录。如果你想在代码里拿到这些指标做下一步处理可以这样取# 所有指标都在 metrics.box 里 mAP50_95 metrics.box.map # mAP50-95 mAP50 metrics.box.map50 # mAP50 precision metrics.box.mp # 精确率 recall metrics.box.mr # 召回率5.2 怎么判断验证结果是好是坏先解释两个最关键的概念。精确率precision表示模型检测出来的框里有多少是真正的人脸精确率低说明模型一直在乱框。召回率recall表示图片里真正的人脸模型成功找出了多少召回率低说明模型漏检严重人脸在眼前却框不出来。目标检测任务通常用mAP指标综合衡量这两个维度其中mAP50是IoU阈值设为0.5时的平均精度mAP50-95是IoU从0.5到0.95取多个阈值算出来的平均精度。对人脸检测来说我的经验是mAP50超过0.9基本达到可用水平mAP50-95超过0.7说明模型定位很准。如果各项指标普遍偏低先检查标注文件有没有问题再看epochs是不是太少、学习率是不是不合适而不是急着换更大的模型。验证过程的输出目录里有两个值得看的图。混淆矩阵图能看出模型在哪些类别上互相搞混但对于单类别检测重点看对角线上的数值大不大。PR曲线图能帮助你理解精确率和召回率的权衡曲线越靠近右上角说明模型越强。如果曲线下降很快说明高置信度阈值下精确率还行但阈值一低就误检这时候需要在预测阶段适当提高置信度阈值。6. 测试与预测模型真正用起来6.1 图片预测完整代码训练和验证都通过了接下来就是把模型用在没见过的图片上。测试和预测其实是一回事就是用训练好的权重文件对新的图片输出检测结果。代码很简单from ultralytics import YOLO model YOLO(runs/face_train/exp1/weights/best.pt) results model.predict( sourcetest_images/, # 可以是单张图片路径也可以是一个文件夹 conf0.25, # 置信度阈值 iou0.5, # NMS的IoU阈值 imgsz640, # 推理分辨率 device0, saveTrue, # 保存画好框的图片 save_txtTrue, # 保存检测结果的txt文件 save_confTrue, # 在txt里同时保存置信度 line_width2, )参数解释一下。conf置信度阈值控制在0到1之间只有置信度大于这个值的框才会输出。阈值调低检出的框变多但有误检阈值调高漏检变多但框更可信。iou参数是NMS去重阈值同一个目标可能被生成多个重叠框IoU超过这个值的框会被合并。默认0.5够用如果觉得重叠框去不干净可以调到0.6。saveTrue会把标注好的人脸框图片保存到runs/detect/predict目录下save_txtTrue会在同一个目录的labels文件夹里生成每个检测框的坐标信息。预测结果返回后如何在代码里拿到每个框的坐标这是做后续业务开发最常用的操作for r in results: boxes r.boxes for box in boxes: x1, y1, x2, y2 box.xyxy[0].cpu().numpy() # 左上角和右下角坐标 conf box.conf[0].item() # 置信度 cls int(box.cls[0].item()) # 类别ID人脸就是0这里有个经验之谈box.xyxy默认存放在GPU上直接使用需要先调用.cpu()转出来。如果你要做实时人脸计数或者配合其他业务逻辑每秒处理多少帧、置信度阈值怎么权衡都要从这些基础数据开始做。6.2 视频和摄像头场景的坑处理视频文件和摄像头时编码逻辑几乎一样# 视频文件 results model.predict(sourcetest.mp4, conf0.25, saveTrue) # 摄像头实时检测0代表默认摄像头 results model.predict(source0, conf0.25, showTrue, streamTrue)摄像头那一段可以在弹出的窗口里实时看到检测框按q键退出。视频文件用saveTrue处理结果会保存成带标注框的视频文件。个人强烈建议视频和摄像头预测一定要加streamTrue。如果不加streamTrue框架会把整个视频所有帧一次性读入内存再逐帧推理一个几分钟的视频可能直接占掉几个GB内存。加上streamTrue之后变成边读边处理内存占用非常稳定实测下来差别巨大。摄像头场景默认的推理帧率在RTX 5060上用nano模型是相当流畅的人脸检测这么轻量的任务这卡完全能胜任。如果发现画面卡顿优先检查是不是没加streamTrue其次把imgsz降到480也能明显提速。7. 常见问题与排查实录这一节把我实测过程中遇到的、以及身边人经常问的问题整理成速查表新手遇到报错直接对着查。现象原因解决办法torch.cuda.is_available()返回FalsePyTorch装成了CPU版本重新按cu128源安装torch/torchvision训练报错no kernel imageCUDA版本太旧不支持Blackwell架构更新显卡驱动确保PyTorch是cu128版本训练刚开始就OOMbatch太大或模型太大调小batch换成nano模型开启amp数据加载一直卡住不动workers多进程在Windows下兼容问题把workers设为0验证提示no labels foundlabels目录下txt文件缺失或路径不对检查txt文件名和图片名是否完全一致检查yaml路径图片路径报错或无法读取数据集路径包含中文或空格把数据集放全英文路径下loss变成nan学习率过高或amp不稳定降低lr0到0.001关闭amp训练loss降了但val指标不涨过拟合了增大数据量、加大数据增强、减少epochs除了表格里的问题有一个Windows用户特别容易踩的坑数据集路径里绝对不能有中文。YOLO底层图像读取对中文路径支持很烂报错信息往往还特别隐晦。任何跟数据读取有关的稀奇古怪问题先检查项目路径是否是纯英文。还有一个关于显存的问题。RTX 5060如果跑yolo11n还是OOM先别急着怀疑显卡不行很可能是电脑里其他程序把显存占了比如浏览器、直播软件。训练前用nvidia-smi看一眼显存占用情况干净显存比盲目降batch更有效。关于模型训练时间给一个大概的参考。用yolo11n640分辨率约5000张训练图片batch8在RTX 5060上跑100轮通常几个小时能完成。如果只跑30轮摸流程数据集一两千张的情况下基本半小到一个小时就能看到完整的loss曲线和验证指标。8. 实操心得与避坑经验这一节是我从头到尾跑完这个项目之后最想对新同学说的话。第一不要迷信“必须用大模型”。我见过很多同学一上来就跑yolo11l或者yolo11x结果RTX 5060的8GB显存连batch2都吃紧训练动辄十几个小时最后效果还没nano好。人脸检测的任务复杂度在那儿摆着先把nano模型的精度调到满意再说换模型真的只是改一个文件名的事。第二数据质量决定性能上限。模型算法能做的优化始终有限训练集里如果大量图片标注框偏离实际人脸位置或者图片模糊、光照极端再强的模型也没用。我调过的模型里最明显的效果提升往往不是来自换骨干网络而是重新清理了一遍标注数据。第三第一次跑通全流程比追求精度重要得多。环境问题、格式问题、代码问题这些比调参更折磨人。先用少量数据集、较小epoch数把训练、验证、预测整条链跑通看到框画在脸上了再回头细调参数心态完全不同。第四预测阶段的参数一定要动手调。很多同学觉得模型训练完就万事大吉其实在conf阈值上做点微调往往效果立竿见影。我自己的习惯是把conf设为0.25然后用测试图片集跑一遍看看误检和漏检情况再根据结果是偏多还是偏少适当上调或下调。最后留一个真实体会用人脸检测模型做自己的小项目遇到的绝大多数问题都出在数据准备和版本兼容上而不是模型结构本身。把这篇里的目录结构、yaml配置、版本要求这三样东西吃透之后换数据集、换模型、换部署方式的成本都会很低。下一篇可以聊聊把best.pt导出成ONNX或者TensorRT格式在CPU或者边缘设备上做推理加速的路子这个方向对实际落地帮助很大。