2026-07-30 训练记录 — SeaShips + RF-DETR
这是一篇个人学习与实操记录，当前主要用于整理 SeaShips 数据集处理与 RF-DETR 训练流程，暂时还没有形成特别成熟的结论或系统化观点。
不过，日拱一卒，功不唐捐。持续积累训练经验和数据处理细节，往往比一次性求全更重要。
1. Q：GitLab 克隆数据集到服务器
两个IP位于同一子网（
由于 GitLab 已禁用密码登录，因此只能通过 Personal Access Token 进行认证。需要进入 read_repository 权限即可满足数据集克隆需求。
执行 GitLab 克隆时，可以直接把 token 写入 URL，这样能够绕过 VS Code credential helper 带来的 socket 相关问题：
# token 直接嵌 URL，绕过 VS Code credential helper 的 socket 问题git -c credential.helper= clone 'https://用户名:token@/datasets/seaships_7000.git' 数据集克隆完成后，记得及时清理安全痕迹，避免 token 泄露：
# 1. 清 shell 历史history | grep 'token'history -d <行号># 2. 改 git remote（去掉 URL 里的 token）cd seaships_7000 && git remote -vgit remote set-url origin https:///datasets/seaships_7000.git 2. 数据集格式转换 — VOC → YOLO
SeaShips(7000) 数据集使用的是 Pascal VOC 标注格式，而 RF-DETR 训练通常要求采用 YOLO 格式，因此在模型训练前必须先完成数据集格式转换。
转换公式（VOC → YOLO）如下：
x_center = (xmin + xmax) / 2 / 图片宽y_center = (ymin + ymax) / 2 / 图片高width= (xmax - xmin) / 图片宽height = (ymax - ymin) / 图片高YOLO 的 txt 标注文件每一行格式为：class_id x_center y_center width height，并且所有坐标值都需要归一化到 0-1 区间。
目录结构如下：
seaships_yolo/ ├── data.yaml ├── train/images/ + labels/ ├── valid/images/ + labels/ ← 注意 RF-DETR 要求 "valid" 不是 "val" └── test/images/ + labels/
完成 VOC 转 YOLO 后，建议进行人工校验：抽取同一个 xml 文件和对应 txt 文件，手动计算标注框参数，确认转换结果正确无误，避免训练阶段因标签错误影响模型效果。
3. 训练
from rfdetr import RFDETRMediummodel = RFDETRMedium()# 权重自动下载到 ~/.roboflow/models/model.train(dataset_dir="/opt/datasets/seaships_yolo",epochs=100,batch_size=4,)model.sa ve("/opt/datasets/seaships_rfdetr_medium.pt")在 RF-DETR 训练过程中，可以使用下面的命令持续监控训练进程、GPU 占用和关键指标：
nvidia-smi | grep python # 进程在不在tail -3 /opt/rf-detr/output/metrics.csv# 看 mAP训练速度偏慢的主要原因是：DETR 系列目标检测模型通常比 YOLO 慢 3-5 倍，因为 Transformer 结构和匈牙利匹配本身就带来更大的计算开销；同时，如果服务器上还有 vLLM 或 Ollama 等服务运行，也会额外占用显存资源，进一步影响训练效率。
4. 续训
每个 epoch 都会自动保存 checkpoint 到 output/checkpoint_N.ckpt。如果训练中断，或者需要继续训练，只要加载最新的 checkpoint 即可恢复续训：
model.train(dataset_dir="/opt/datasets/seaships_yolo",epochs=100,batch_size=4,resume="/opt/rf-detr/output/checkpoint_19.ckpt",# 改成最新编号)这里需要特别注意，参数名是 resume，而不是 ckpt_path，这一点在实际续训时很容易写错。
5. AI辅助经验
整个操作流程里，基本上是遇到问题就先问 AI 下一步应该怎么做，然后再结合实际环境逐步执行。回顾下来，有几点经验比较重要：第一，先确认是否存在风险以及如何规避，比如 token 泄露、命令历史清理、远程地址暴露等安全问题；第二，关键步骤一定要自己复核，例如数据集格式转换时对照 xml 和 txt 检查标注是否一致；第三，在正式训练前先把完整流程问清楚，包括数据准备、格式转换、训练、监控和续训，不要盲目只跟着“下一步”操作。
