在 YOLOv11 中使用last.pt（训练中断 / 完成后保存的模型权重）继续训练，核心是加载预训练权重并沿用原有训练配置，确保训练连续性（保留已学习的参数、优化器状态等）。以下是详细步骤、代码实现和关键注意事项：
一、核心原理
last.pt是 YOLOv11 训练过程中自动保存的检查点文件，包含：
- 模型的权重参数（
model.state_dict()）； - 优化器状态（
optimizer.state_dict()），确保继续训练时优化器沿原有梯度方向更新； - 训练轮次（
epoch）、学习率调度器状态（scheduler）等元信息，保证训练连续性。
继续训练的关键是：加载last.pt后，不重置优化器和训练轮次，仅修改训练参数（如总轮次、学习率）即可延续训练。
二、前提条件
- 已安装 YOLOv11 依赖（推荐使用官方
ultralytics库，YOLOv11 已集成其中）：pip install ultralytics>=8.2.0 # 确保版本支持 YOLOv11 - 保留训练时的数据集配置文件（如
data.yaml）、模型配置文件（如yolov11n.yaml，若未自定义则用官方默认配置）； last.pt文件路径正确（默认保存在runs/detect/train/weights/last.pt，或自定义路径）。
三、两种继续训练方式（推荐方式 1）
方式 1：使用 Ultralytics CLI 命令（最简单，推荐）
YOLOv11 官方ultralytics库支持通过命令行直接加载last.pt继续训练，无需编写代码，适合快速上手。
基础命令格式
yolo detect train model=last.pt # 核心：指定 model 为 last.pt data=你的数据集配置.yaml # 必须与原训练的数据集一致 epochs=新的总轮次 # 如原训练了50轮，继续训练到100轮则设为100 batch=批量大小 # 沿用原批量或根据显存调整 lr0=学习率 # 可选，默认沿用原优化器学习率 project=保存路径 # 可选，默认沿用原 runs/detect/train name=exp # 可选，默认沿用原实验名称 resume=True # 关键：开启恢复训练模式（自动加载 optimizer/epoch 信息）示例命令（实战）
假设原训练：用yolov11n.yaml训练了 50 轮，last.pt路径为runs/detect/train/weights/last.pt，现在要继续训练到 100 轮：
# 继续训练（沿用原数据集、优化器状态，总轮次设为100） yolo detect train model=runs/detect/train/weights/last.pt data=data.yaml # 与原训练的数据集一致，不可修改（否则权重不匹配） epochs=100 # 总轮次（原50轮，继续训练50轮） batch=16 # 若显存不足可减小（如8），若充足可增大（如32） lr0=0.001 # 可选：若原学习率过高，可适当降低（默认沿用原优化器学习率） resume=True # 必须设为 True，否则仅加载权重不恢复训练状态 device=0 # 指定GPU（0为第一张GPU，CPU设为cpu）关键参数说明
resume=True：必须开启，否则仅加载模型权重（相当于 fine-tune），不恢复优化器和训练轮次；epochs：新的总轮次（不是新增轮次），例如原训练了 50 轮，想再训练 30 轮，需设为80；data：必须与原训练的数据集完全一致（类别数、类别名称、数据路径），否则会因维度不匹配报错；batch：可根据显存调整（若原批量 16 显存溢出，可改为 8），不影响训练连续性。
方式 2：使用 Python 代码（灵活定制，适合二次开发）
通过ultralytics.YOLO类加载last.pt，手动配置训练参数，支持更灵活的定制（如自定义回调函数、动态调整学习率）。
完整代码示例
from ultralytics import YOLO # 1. 加载 last.pt 模型（自动读取模型配置、优化器状态、训练轮次） model = YOLO("runs/detect/train/weights/last.pt") # 替换为你的 last.pt 路径 # 2. 配置继续训练的参数（关键：resume=True） train_args = { "data": "data.yaml", # 与原训练数据集一致 "epochs": 100, # 总轮次（原50轮→继续到100轮） "batch": 16, # 批量大小（根据显存调整） "lr0": 0.001, # 初始学习率（可选，默认沿用原优化器） "resume": True, # 恢复训练状态（优化器、epoch、scheduler） "device": 0, # GPU编号（CPU设为"cpu"） "project": "runs/detect", # 保存项目路径（可沿用原路径） "name": "train", # 实验名称（可沿用原名，自动覆盖后续检查点） "save": True, # 保存检查点（默认True） "save_period": 10, # 每10轮保存一次检查点 "patience": 50, # 早停耐心值（50轮无提升则停止） } # 3. 开始继续训练 results = model.train(**train_args) # 训练完成后，新的 last.pt 和 best.pt 会保存在 runs/detect/train/weights/灵活定制示例（如调整学习率、冻结部分层）
from ultralytics import YOLO model = YOLO("runs/detect/train/weights/last.pt") # 示例1：调整学习率（覆盖原优化器学习率） train_args = { "data": "data.yaml", "epochs": 100, "batch": 16, "lr0": 0.0005, # 降低学习率（原学习率可能过高，避免震荡） "lrf": 0.01, # 学习率衰减因子（默认0.01） "resume": True, } # 示例2：冻结主干网络，仅训练头部（适合微调，可选） # for param in model.model.model[0].parameters(): # 冻结主干网络 # param.requires_grad = False # 开始训练 model.train(**train_args)四、关键注意事项（避坑指南）
1. 数据集必须一致
- 继续训练时的
data.yaml必须与原训练完全一致：类别数、类别名称、训练 / 验证集路径不能修改； - 若需修改数据集（如新增类别、调整数据路径），不能直接用
last.pt继续训练，需重新训练或作为预训练权重 fine-tune（resume=False）。
2. 避免覆盖原有权重（可选）
- 若想保留原
last.pt，可修改project或name参数，将新训练结果保存到新路径：# CLI 方式：保存到新路径 runs/detect/train_resume yolo detect train model=last.pt data=data.yaml epochs=100 resume=True project=runs/detect name=train_resume
3. 学习率调整建议
- 若原训练已接近收敛（
val_loss趋于平稳），继续训练时建议将lr0降低为原学习率的 1/10 ~ 1/5（如原lr0=0.01，改为0.001），避免过拟合或震荡； - 若原训练中断时
val_loss仍在下降，可沿用原学习率（不指定lr0参数，自动加载优化器状态）。
4. 显存不足的解决方案
- 减小
batch大小（如从 16 改为 8、4）； - 启用半精度训练（
amp=True，默认开启），节省显存； - 降低图像分辨率（
imgsz=640改为imgsz=480，需在train_args中添加imgsz=480，但注意：原训练若用 640，继续训练也需保持一致，否则权重不匹配）。
5. 训练中断后的恢复
- 若继续训练时再次中断，YOLOv11 会自动保存新的
last.pt，下次训练时仍可加载该文件继续，无需额外操作； - 若
last.pt损坏，可尝试用best.pt（训练过程中验证集效果最好的权重）继续训练，此时resume=False（仅加载权重，不恢复优化器状态）：yolo detect train model=runs/detect/train/weights/best.pt data=data.yaml epochs=100 resume=False
五、常见问题排查
问题 1：加载last.pt报错 “dimension mismatch”
- 原因：
data.yaml与原训练数据集不一致（类别数、输入尺寸变化）； - 解决方案：确保
data.yaml与原训练完全一致，输入尺寸（imgsz）保持不变。
问题 2：继续训练后val_loss突然飙升
- 原因：学习率过高，或数据集发生变化；
- 解决方案：降低
lr0（如原0.01改为0.001），检查数据集是否一致。
问题 3：“No optimizer found in last.pt”
- 原因：
last.pt仅保存了模型权重（如手动保存的model.save()，而非训练过程中自动保存的检查点）； - 解决方案：用
resume=False加载权重（相当于 fine-tune），重新初始化优化器：yolo detect train model=last.pt data=data.yaml epochs=100 resume=False
六、总结
YOLOv11 继续训练last.pt的核心是：
- 确保
data.yaml、imgsz与原训练一致； - 训练时指定
model=last.pt并开启resume=True； - 按需调整
epochs、batch、lr0等参数，避免过拟合或显存溢出。
通过 CLI 命令可快速实现，通过 Python 代码可灵活定制，适合不同场景的需求。训练完成后，新的last.pt（最新权重）和best.pt（验证集最优权重）会自动保存，可用于后续推理或再次继续训练。
