YOLO resume 失效排坑：别让 export 毁了你的 last.pt

前言：本文记录了一次模型训练中断后无法恢复的排查过程。原本只是缺少 scipy 库的简单报错，却在修复后意外发现模型从零开始重新训练。经过层层排查，最终定位到 model.export() 导出 ONNX 时覆盖了权重文件，导致训练状态丢失。本文不仅记录了完整的排查思路，还提供了防止此类问题再次发生的代码级解决方案，适合所有使用 PyTorch 训练框架的开发者参考。

YOLO 训练中断后无法继续训练？可能是导出 ONNX 时覆盖了权重文件

原本这只是一次普通的报错，笔者本想着通过 resume=True 的方式继续训练，但是再次运行时发现无法接着训练该模型了。原本报错很容易解决，仅仅只是缺了一个 scipy 库，在终端运行一句命令即可解决。

解决方案如下:

pip install scipy

问题到此看似已经结束，但是当笔者在调整完路径准备继续训练时，发现模型从零开始重新训练了，同时图也画好了（一般训练结束时才会出图）。

笔者好生疑惑，这是为什么，于是问了万能的 DeepSeek，在 DS 的指导下加了一行打印路径的代码试试情况。



悲 QWQ，遂笔者选择了微调模型。

原因分析：

笔者在 D 老师的指导下，思考了出现这种状况的原因，大概率是因为其中一行代码的结果。

path = model.export(format="onnx")

没错，就是这最后一行不起眼的代码，把导出的模型重命名后，粘贴回了 train-5\weights 文件夹，覆盖了原来的文件，导致原来的文件没有 epoch 和 optimizer，无法通过 resume=True 继续训练。
这行代码本来是用来X-AnyLabeling做数据标记而准备的，没想到成了覆盖epoch等信息的罪魁祸首。

---

解决方案：

为了避免这种情况，可以在导出 ONNX 格式前加个判断，从根本上防止这类事件再次发生。

# 导出 ONNX
export_enabled = True  # 你可以把这个改为 False 来禁用导出

if export_enabled and results:
    print("训练完成，开始导出 ONNX...")
    # 指定导出路径，避免与权重文件夹混淆（防止误覆盖）
    # 默认会生成在模型所在目录，名称为 last.onnx
    onnx_path = model.export(format="onnx", imgsz=1280)
    print(f"ONNX 模型已导出至： {onnx_path}")
elif not results:
    print("训练未成功执行，跳过 ONNX 导出。")
else:
    print("导出功能已禁用 (export_enabled=False)，跳过。")

下面是整个问题的排查与解决流程图：

flowchart TD A["训练报错：缺少 scipy 库"] --> B["安装 scipy 解决报错"] B --> C["调整路径后继续训练"] C --> D{"模型是否从零开始训练？"} D -->|"是"| E["排查原因"] D -->|"否"| F["正常训练"] E --> G["询问 DeepSeek"] G --> H["打印路径情况"] H --> I["发现罪魁祸首：model.export()"] I --> J["该代码将 ONNX 模型导出并覆盖了权重文件"] J --> K["导致权重文件丢失 epoch 和 optimizer 信息"] K --> L["解决方案：添加导出开关判断"] L --> M["设置 export_enabled 变量"] M --> N{"训练成功且导出开启？"} N -->|"是"| O["导出 ONNX 模型"] N -->|"否"| P["跳过导出"] O --> Q["指定导出路径，避免误覆盖"] P --> Q

总结与建议

关键教训

1. 警惕副作用代码：model.export() 这类看似无关的导出代码，可能会意外覆盖关键训练文件。在训练脚本中，任何文件写入操作都应谨慎对待。
2. 路径隔离：导出文件（如 ONNX 模型）应指定独立的输出目录，避免与权重文件夹 weights 混用，从根本上杜绝误覆盖。
3. 添加防护开关：对于非核心功能（如模型导出），建议添加开关变量（如 export_enabled），让开发者可以显式控制是否执行，降低意外触发的风险。

最佳实践

• 训练脚本中所有文件写入操作，建议先打印目标路径，确认无误后再执行。
• 使用 resume=True 恢复训练前，检查权重文件是否包含 epoch 和 optimizer 状态，避免白跑一轮。
• 将模型导出、日志记录等辅助功能封装为独立函数，与主训练流程解耦，便于维护和调试。