在Pytorch深度学习环境的基础下，加载YOLO模型：
pip install ultralytics opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
完成后用Jupyter确认环境：
创建自己的训练环境（图片数剧库）：
face_db/
├── images/
│ ├── train/ # 80%-90% 训练图片
│ └── val/ # 10%-20% 验证图片
└── labels/
├── train/ # 对应 train 图片的 .txt 标注文件
└── val/ # 对应 val 图片的 .txt 标注文件
确认训练参数后开始训练：
model = YOLO("yolov8n.pt")
# -------------------------- 4. 训练参数 --------------------------
results = model.train(
# 核心负载参数（锁死最低安全值）
data=yaml_path,
epochs=80, # 减少轮数，小数据集足够，避免长时间高负载
imgsz=416, # 降低图片尺寸，算力需求直接砍半
batch=2, # 最小批次，16G显存用2是绝对安全
patience=10, # 10轮无提升自动停，减少无效负载
device=device, # 绑定GPU，避免CPU满载
amp=True, # 必加！混合精度，显存再省30%，50系显卡完美支持
workers=4, # 单线程加载，彻底避免CPU满载卡死
# 模型与保存参数
save=True,
project=r"D:\Users\Admin\YOLO_Map\runs\train",
name="family_face_det_safe",
exist_ok=True,
pretrained=True,
# 优化器与学习率（稳收敛，不震荡）
optimizer="AdamW",
lr0=0.0005, # 小学习率，避免训练震荡
# 数据增强（低强度，避免额外算力消耗）
augment=True,
mosaic=False, # 关闭马赛克增强，直接降低训练负载
mixup=0.0, # 关闭混合增强，进一步减负
close_mosaic=0,
# 额外稳定参数
cache=False, # 关闭内存缓存，避免内存占用过高
plots=False, # 关闭实时绘图，减少CPU/GPU负载
verbose=True,
)
模型训练完成：
用训练好的模型做人脸识别：
