一个真正免费可商用的 YOLO 可视化训练系统Myolotrain 是一个可视化管理 YOLO 视觉模型训练的系统，为计

前言

Myolotrain 是一个可视化管理 YOLO 视觉模型训练的系统，为计算机视觉任务提供了直观的图形界面。该平台集成了数据集管理、模型管理、训练管理和目标检测功能，支持 Windows、Linux、Docker 等多种部署方式，使用户能够轻松地训练和部署 YOLOv8 及以上版本的模型。

系统支持 CPU 与 GPU（含 CUDA 12.6）加速训练，通过 TensorBoard 实时查看训练进度，并具备以下高级能力：

数据集自动分割
数据增强
实时视频/图像检测
动态目标轨迹追踪与预测
在线标注
流媒体处理
华为昇腾 NPU 支持（自 2025-05-13 起）

环境要求（2025 年 10 月起）

Python ≥ 3.12

PyTorch == 2.6.0 + cu126（CUDA 12.6）

若无法安装上述版本，需自行解决 numpy、onnxruntime 等依赖的版本兼容问题：

NumPy 版本对照：numpy.org/doc/
ONNX Runtime CUDA 支持表：onnxruntime.ai/docs/execut…
providers/CUDA-ExecutionProvider.html

注意事项

仅支持 YOLOv8 及以上版本（如 yolov11n），暂不支持 YOLOv5（2025-04-18）
根目录提供 yolov8n.pt 和 yolov11n.pt 预训练模型
datasets_import/ 目录下包含测试数据集，可直接用于功能验证

功能介绍

技术特点

组件	技术栈
后端	FastAPI（高性能 RESTful API）
前端	Bootstrap 5 + 现代 JavaScript
数据库	PostgreSQL
模型引擎	Ultralytics
可视化	TensorBoard

主要特性

直观的 Web 界面
多种数据集导入方式（ZIP 上传 / 服务器本地目录）
数据集自动分割（训练/验证/测试）
灵活训练配置（矩形训练、GPU 显存限制、多卡选择）
完整 NVIDIA GPU 加速支持
TensorBoard 实时训练监控
内置图像/视频检测功能
支持 Windows / Linux / Docker 部署
PostgreSQL 存储数据集、模型、任务信息
异步处理长时间运行任务
多用户并发支持
模块化设计，易于扩展

核心功能

在线标注

支持从系统数据集、ZIP 上传、服务器目录导入图片
AI 自动标注（使用已上传模型）
导出为系统数据集或纯标签文件
"扫描图片"将清除所有现有标注，请慎用

数据集管理

ZIP 上传自动解压并验证结构
本地目录直接导入（自动列出 datasets_import/ 下目录）
自动识别类别数、图片数
支持比例分割（两种模式）
删除前自动校验是否被训练任务引用

模型管理

上传 .pt 模型（预训练或训练生成）
查看模型类型、任务类型、来源
删除前校验是否被任务使用

训练管理

创建任务：选择数据集、预训练模型、参数
配置：batch size、学习率、epochs、图像尺寸、矩形训练
硬件资源：CPU/GPU 选择、显存限制
实时监控损失与指标
集成 TensorBoard
支持暂停/取消任务

模型测试功能

图像/视频上传检测
配置置信度阈值、IoU、类别过滤
可视化结果（框、标签、置信度）
支持结果下载

图像处理功能

预处理：缩放、去噪、亮度/对比度、锐化
质量分析
数据增强：翻转、旋转、噪声、透视变换等

视频处理功能

按间隔提取帧
场景变化检测
运动检测
实时检测：支持报警区域绘制、自定义报警项、轨迹追踪与预测

目标追踪（2025-08-27 起暂时关闭）

技术流程：

1、YOLO 检测 → 2、CBAM+Transformer 特征提取 → 3、交叉注意力匹配 → 4、轨迹更新 → 5、可视化（ID、轨迹线）

目录结构

Myolotrain/
├── app/                        # 应用主代码
│   ├── api/                    # REST API 路由
│   ├── core/config.py          # 配置
│   ├── crud/                   # 数据库 CRUD
│   ├── db/                     # 数据库连接
│   ├── models/                 # ORM 模型
│   ├── patches/torch_load_path.py # PyTorch 环境适配
│   ├── schemas/                # Pydantic 模型
│   ├── services/               # 业务逻辑（训练、检测、TensorBoard 等）
│   └── static/                 # 静态资源（CSS/JS/uploads/datasets/models/results）
├── logs/tensorboard/           # TensorBoard 日志（⭐训练过程日志）
├── datasets_import/            # 本地数据集导入目录（无需压缩）
├── config.yaml                 # 全局配置
├── requirements.txt            # Python 依赖
├── run.py                      # 主运行脚本
├── start.py                    # ⚠️ 初始化脚本（会重置数据库！）
├── train.py                    # 独立训练脚本
└── docker-compose*.yml         # Docker 部署配置

3、系统要求

类别	要求
操作系统	Windows 10/11, Linux (Ubuntu 18.04+), macOS
Python	3.12 或更高
数据库	PostgreSQL 12+
CPU	建议 4 核以上
内存	建议 8 GB RAM 以上
存储	至少 10 GB 可用空间
GPU	NVIDIA GPU（支持 CUDA，推荐但非必需）

快速开始

Windows 安装（推荐）

1、安装 PostgreSQL

用户名：postgres，密码：postgres
确保服务已启动

2、安装 Python 3.12

勾选 "Add Python to PATH"

3、获取项目

git clone https://gitee.com/rock_kim/Myolotrain.git
cd Myolotrain

4、启动系统

以管理员身份运行 启动.bat

保持命令窗口开启

5、访问

Web 界面：http://localhost:8000

4.2 Docker 部署

CPU 版本：
```
docker-compose up -d
```
GPU 版本（需安装 NVIDIA Container Toolkit）：
```
docker-compose -f docker-compose-gpu.yml up -d
```
访问：
- Web：http://localhost:8000
- TensorBoard：http://localhost:6006

GPU 设置

CUDA 12.6（默认）

# Windows 示例
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

包名示例：torch-2.6.0+cu126-cp312-cp312-win_amd64.whl

2.6.0 = PyTorch 版本

cu126 = CUDA 12.6

cp312 = Python 3.12

验证 GPU

import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA是否可用: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"CUDA版本: {torch.version.cuda}")
    print(f"GPU数量: {torch.cuda.device_count()}")
    for i in range(torch.cuda.device_count()):
        print(f"GPU {i}: {torch.cuda.get_device_name(i)}")

CPU 用户无需安装 CUDA 相关依赖

使用指南

数据集管理

导入方式

ZIP 上传：打包后上传，系统自动解压验证
服务器导入：选择 datasets_import/ 下目录

分割

在列表页点击"分割数据集"
设置比例（如 70% / 20% / 10%）

模型管理

上传 .pt 文件
系统自动识别模型类型（detect/classify 等）

训练管理

1、选择数据集与预训练模型

2、配置参数（batch, epochs, imgsz, rect）

3、选择 GPU（支持多卡）

4、点击"开始训练"

5、通过 TensorBoard 监控

模型测试

上传图像/视频
调整阈值
查看/下载结果

注意事项

数据集格式

必须包含 classes.txt 或 data.yaml

ZIP 包内文件需在根目录（无外层文件夹）

图像尺寸

故障排除

问题类型	解决方案
数据库连接失败	检查 PostgreSQL 是否运行；核对 `config.py` 和 `init_db.py` 中的连接参数
训练失败	检查数据集格式；确保磁盘/内存充足；查看 `logs/` 下日志
Web 无法访问	检查 8000 端口占用；确认依赖已安装；查看应用日志
TensorBoard 无数据	检查 6006 端口；确认 `logs/tensorboard/` 有日志；尝试手动启动 `tensorboard --logdir logs/tensorboard`

最后

如果你觉得这篇文章对你有帮助，不妨点个赞支持一下！你的支持是我继续分享知识的动力。如果有任何疑问或需要进一步的帮助，欢迎随时留言。

也可以加入微信公众号 [DotNet技术匠] 社区，与其他热爱技术的同行一起交流心得，共同成长！

优秀是一种习惯，欢迎大家留言学习！

一个真正免费可商用的 YOLO 可视化训练系统

前言

环境要求（2025 年 10 月起）

注意事项

功能介绍

技术特点

主要特性

核心功能

在线标注

数据集管理

模型管理

训练管理

模型测试功能

图像处理功能

视频处理功能

目标追踪（2025-08-27 起暂时关闭）

目录结构

3、系统要求

快速开始

Windows 安装（推荐）

4.2 Docker 部署

GPU 设置

CUDA 12.6（默认）

验证 GPU

使用指南

数据集管理

推荐格式

导入方式

分割

模型管理

训练管理

模型测试

注意事项

故障排除

最后