数据标注需用LabelImg或CVAT标出目标框和类别，统一命名并生成.xml或.json文件；数据组织按YOLO、Faster R-CNN、TensorFlow要求转为对应格式；训练推荐YOLOv8或Faster R-CNN，注意学习率、增强与早停；部署需导出ONNX，用ORT/TensorRT加速，再封装API服务。
数据标注：用LabelImg或CVAT标出目标框和类别
标注是训练前最耗时但最关键的一步。推荐用LabelImg（轻量、本地运行）或CVAT（支持多人协作、带插件和自动标注辅助）。标注时需统一命名规范（如全小写、无空格），每张图生成一个同名的.xml（Pascal VOC）或.json（COCO）文件，内容包含目标位置（xmin, ymin, xmax, ymax）和类别名（如“car”“person”）。注意遮挡、小目标、边界模糊样本要如实标注，别跳过难例——模型后期泛化力就靠这些。
数据组织与格式转换：按框架要求整理成标准结构
不同模型对输入格式敏感。例如：
- YOLOv5/v8需要train/val/test三份图像+对应.txt标签（每行class_id center_x center_y width height，归一化到0~1）；
- Faster R-CNN（PyTorch torchvision）常用COCO格式，用coco_utils.py加载，或转为自定义Dataset类返回image, target（含boxes、labels、image_id）；
- TensorFlow Object Detection API则依赖TFRecord文件，需用官方generate_tfrecord.py脚本转换。
建议写个简单脚本自动划分训练集（如8:1:1）、检查标签完整性（有图无标/有标无图）、过滤无效框（坐标越界、宽高≤0），省得训练时报错中断。
模型训练：选好基线、调参、监控收敛
新手从YOLOv8（Ultralytics）或torchvision.models.detection.fasterrcnn_resnet50_fpn起步最稳。命令行一行启动训练：
yolo detect train data=dataset.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=16
立即学习“Python免费学习笔记（深入）”；
关键点：
- 学习率：初始设0.01（YOLO）或0.02（Faster R-CNN），用余弦退火或StepLR；
- 数据增强：YOLO默认开Mosaic+MixUp，小数据集可保留，大场景可关Mosaic防过拟合；
- 早停与保存：监控mAP@0.5，保存best.pt而非last.pt；
- 验证频率：每5~10个epoch跑一次val，看loss是否下降、mAP是否爬升，卡住就调学习率或增数据。
模型部署：转ONNX + 推理加速 + 封装接口
训练完的.pt或.pth不能直接上线。分三步走：
- 导出为ONNX：YOLOv8用yolo export model=best.pt format=onnx；Faster R-CNN用torch.onnx.export()，注意dynamic_axes设好batch和box数；
- 推理加速：用ONNX Runtime（CPU快）、TensorRT（NVIDIA GPU极致加速）、或OpenVINO（Intel CPU优化）加载ONNX，比原生PyTorch提速2~5倍；
- 封装服务：Flask/FastAPI写个HTTP接口，接收图片base64或URL，返回JSON格式检测结果（类别、置信度、xyxy坐标）；也可打包成Docker镜像，方便上K8s或边缘设备（Jetson、RK3588）。
基本上就这些。不复杂但容易忽略细节——标得不准、路径写错、归一化漏做、ONNX输入尺寸没对齐，都可能让模型训不出或跑不动。边做边验证每一步输出，比全跑完再debug省十倍时间。
