跳到主要內容

CV Day 13 YOLO11 實戰（一）：訓練自己的資料集

CV Day 13 YOLO11 實戰（一）：訓練自己的資料集

執行需求：Colab T4 可跑。本篇在 Colab 免費 T4（16 GB VRAM）上從下載資料集到訓練 50 epoch 跑完整流程，yolo11n 約 10 分鐘、yolo11s 約 18 分鐘；CPU 不建議執行，會跑很久。如果你的資料量更大或要嘗試 yolo11m/l/x，請考慮 Colab Pro 或自架 GPU。

引言

昨天的內容中，我們把 VOC XML、COCO JSON 與 YOLO txt 三種標註格式來回轉換了一遍。標註準備好之後，下一步就是「真的把模型訓起來」。今天我們用 Ultralytics 8.3.x 提供的 YOLO11 模型，從下載公開資料集、篩選與轉換格式、準備 data.yaml、載入預訓練權重、啟動訓練、收尾評估，一條龍跑完一個物件偵測專案的核心訓練流程。讀完之後你會了解 Ultralytics 8.3 的 YOLO 物件、model.train()、model.val() 三個方法的真實寫法，並能把這套流程搬到自己的資料集上。

本篇選擇的示範資料是經典的 PASCAL VOC 2007（物件偵測的標準 benchmark，20 類、trainval 共 9,963 張影像），官方網站提供直接下載，不需要註冊或 API Key。為了讓 Colab 免費版能在合理時間內跑完，我們只取其中兩個類別（person 與 car）、每個類別各抽 300 張，並用昨天學過的格式轉換把它變成 YOLO 格式。這樣安排有兩個好處：第一，類別數少、資料量小，Colab T4 跑得起來；第二，整個「下載 → 篩選 → 轉格式 → 寫 data.yaml」的流程，正好把 Day 12 的內容接到真實訓練上，而不是拿一份已經整理好的資料集跳過準備工作。之後你要換成自己的資料時，只要替換影像與 labels 即可，後續指令都不需要改。

YOLO11 是 Ultralytics 在 2024 年 9 月發布的版本（官方名稱是 YOLO11，不是 YOLOv11），提供五個預訓練權重：yolo11n（nano，2.6M 參數）、yolo11s（small，9.4M）、yolo11m（medium，20.1M）、yolo11l（large，25.3M）、yolo11x（xlarge，56.9M）。本篇預設用 yolo11n，理由是它能在 Colab T4 的 16 GB VRAM 內用 batch=16 跑得動；如果你的資料集類別數 ≤ 5、影像尺寸 ≤ 1280，yolo11n 是最快的 baseline。當你想追求更高的 mAP，再換 yolo11s 或 yolo11m 即可，後續流程完全相同。

Ultralytics 8.3 的訓練介面

Ultralytics 8.3 把整個訓練流程包成三個方法：model.train()、model.val()、model.predict()（後兩個會在 Day 14 詳細展開）。model.train() 接受 100 多個參數，但實際上只需要傳 data、epochs、imgsz、batch、device、project 這幾個就能啟動訓練；其餘參數都用預設值即可。預設值是 Ultralytics 與 YOLO11 論文共同驗證過的最佳配方，跟著走通常能得到不錯的 baseline。

訓練過程中，Ultralytics 會自動完成以下工作：下載預訓練權重（如果本地沒有）、把資料切分成 train/val（如果還沒切過）、啟動資料增強（mosaic、mixup、hsv 抖動等）、把模型搬到指定裝置、寫訓練 log 到 project/name 目錄、每個 epoch 結束時在驗證集上計算 mAP@0.5 與 mAP@0.5:0.95、儲存 last.pt 與 best.pt 兩個 checkpoint。這套自動化是 Ultralytics 最大的賣點：比起自己寫 torchvision 訓練迴圈，省下的程式碼量非常可觀；對於剛入門的使用者，這也意味著「只要資料格式正確，就能跑出合理的結果」。

8.3 版的 model.train() 還引入了一個值得注意的設計：當 data.yaml 內 path 欄位寫的是絕對路徑時，Ultralytics 會直接把整個資料夾視為訓練根目錄，不再做相對路徑推算。這對 Colab 環境特別方便：你只要把資料放在 /content/datasets/voc-subset/，data.yaml 的 path 就寫 /content/datasets/voc-subset，訓練指令就能穩定找到 train/val 兩個子目錄。另一個細節是 model.train() 的 cache 參數：設成 "disk" 會把第一輪讀取的影像快取到硬碟，再次執行時 I/O 時間壓到接近零；對 Colab 來說特別有用，因為重複實驗時不必每次都重讀原始影像。

在著手訓練之前，還有一個觀念上的選擇要先決定：用「遷移學習」還是「從頭訓練」。Ultralytics 預設呼叫 YOLO("yolo11n.pt") 就是遷移學習，會載入在 COCO 資料集（80 類、約 118K 影像）上預訓練的權重；這對幾乎所有自訂資料集都是更好的起點，因為 backbone 已經學會了「邊緣、紋理、形狀」等通用特徵，你只需要 fine-tune 到自家類別即可。從頭訓練（YOLO("yolo11n.yaml")，注意是 .yaml 不是 .pt）只有在你的資料集是「特殊領域」（例如衛星圖、顯微鏡影像、合成數據）且資料量極大（10K+ 張）時才值得嘗試，否則通常達不到遷移學習的效果。我們這個 VOC 子集只有 600 張訓練影像，更是遷移學習的典型場景，直接用 YOLO("yolo11n.pt") 即可。

另一個常被忽略的設計是「類別順序」。Ultralytics 的 model.train() 不會檢查你的 data.yaml 與 labels/*.txt 的索引順序是否一致，而是直接信任 names 的順序。所以如果你的訓練資料來自兩個不同來源，第一份的標註把 person=0、car=1，第二份把 car=0、person=1，Ultralytics 不會幫你偵測這個錯誤，而是直接把模型搞混。對應的最佳實務：把所有訓練資料統一由一個 Python 腳本重新編碼，把類別字串先映射到全域一致的整數索引，再生成 YOLO txt。這種「集中式類別字典」是避免 bug 最便宜的方法，也是大型團隊協作時常被低估的工程紀律。

完整實作：從 VOC 2007 到 YOLO 格式再到訓練

以下範例在 Colab T4 上從下載資料到訓練完成約 15 分鐘。流程分三步：先用 shell 指令下載並解開 VOC 2007，再用 Python 篩選兩個類別並轉成 YOLO 格式，最後呼叫 Ultralytics 8.3 啟動訓練。執行前需要：pip install ultralytics==8.3.0（Colab 預裝的版本可能不同，請鎖定 8.3.x）。

# 1. 下載並解開 PASCAL VOC 2007 trainval（約 450 MB，無需註冊）
mkdir -p /content/datasets
cd /content/datasets
wget -q http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
tar -xf VOCtrainval_06-Nov-2007.tar
ls VOCdevkit/VOC2007
# 輸出：Annotations  ImageSets  JPEGImages  SegmentationClass  SegmentationObject
# 2. 只取 person 與 car 兩類、每個類別各 300 張，轉成 YOLO 格式
from pathlib import Path
import shutil
import xml.etree.ElementTree as ET

VOC_ROOT = Path("/content/datasets/VOCdevkit/VOC2007")
DATA_ROOT = Path("/content/datasets/voc-subset")
CLASSES = ["person", "car"]
PER_CLASS = 300

for split in ["train", "val"]:
    (DATA_ROOT / "images" / split).mkdir(parents=True, exist_ok=True)
    (DATA_ROOT / "labels" / split).mkdir(parents=True, exist_ok=True)

# ImageSets/Main/train.txt 是官方訓練清單，val.txt 是驗證清單
for split, split_file in [("train", "train.txt"), ("val", "val.txt")]:
    ids = (VOC_ROOT / "ImageSets" / "Main" / split_file).read_text().split()
    counts = {c: 0 for c in CLASSES}
    for image_id in ids:
        root = ET.parse(VOC_ROOT / "Annotations" / f"{image_id}.xml").getroot()
        W = int(root.findtext("size/width"))
        H = int(root.findtext("size/height"))
        lines = []
        for obj in root.findall("object"):
            name = obj.findtext("name")
            if name not in CLASSES or counts[name] >= PER_CLASS:
                continue
            bb = obj.find("bndbox")
            xmin = float(bb.findtext("xmin"))
            ymin = float(bb.findtext("ymin"))
            xmax = float(bb.findtext("xmax"))
            ymax = float(bb.findtext("ymax"))
            # VOC 是絕對像素座標；YOLO 要正規化成 0-1 的 cx cy w h
            cx = (xmin + xmax) / 2 / W
            cy = (ymin + ymax) / 2 / H
            bw = (xmax - xmin) / W
            bh = (ymax - ymin) / H
            lines.append(f"{CLASSES.index(name)} {cx:.6f} {cy:.6f} {bw:.6f} {bh:.6f}")
            counts[name] += 1
        if not lines:
            continue
        shutil.copy(
            VOC_ROOT / "JPEGImages" / f"{image_id}.jpg",
            DATA_ROOT / "images" / split / f"{image_id}.jpg",
        )
        (DATA_ROOT / "labels" / split / f"{image_id}.txt").write_text(
            "\n".join(lines) + "\n", encoding="utf-8"
        )
    print(f"{split}：{sum(counts.values())} 個標註，{counts}")
# 輸出：train：600 個標註，{'person': 300, 'car': 300}
# 輸出：val：600 個標註，{'person': 300, 'car': 300}

這段程式碼是 Day 12 格式轉換的實戰版：VOC 的 <bndbox> 是絕對像素座標，要除以影像寬高正規化成 0–1；類別字串則透過固定的 CLASSES 清單映射成索引（person=0、car=1），這正是上一節提醒的「集中式類別字典」。每張影像只在有標註時才複製，避免產生空 label 的檔案。最後的 print 是很好的自我檢查：如果兩個類別的數量差距很大，通常代表篩選條件寫錯了。

# 3. 寫出 Ultralytics 需要的 data.yaml
import yaml

data_cfg = {
    "path": str(DATA_ROOT),
    "train": "images/train",
    "val": "images/val",
    "nc": 2,
    "names": CLASSES,
}
with open(DATA_ROOT / "data.yaml", "w", encoding="utf-8") as f:
    yaml.safe_dump(data_cfg, f, allow_unicode=True, sort_keys=False)

print((DATA_ROOT / "data.yaml").read_text(encoding="utf-8"))
# 輸出：
# path: /content/datasets/voc-subset
# train: images/train
# val: images/val
# nc: 2
# names:
# - person
# - car

data.yaml 是 Ultralytics 訓練的「契約檔」：path 是資料根目錄，train/val 是相對於 path 的影像目錄，nc 是類別數，names 是「索引到名稱」的對應（順序就是類別索引）。我們把 train 與 val 都寫成 images/...，因為標註檔就在對應的 labels/... 目錄——Ultralytics 會自動把 images 換成 labels 去尋找同名 txt，這個慣例一定要遵守。本系列在 Day 12 已經示範過 YOLO txt 格式，現在看到的就是它的實際應用：每張影像的 labels/*.txt 第一欄就是 names 的索引。

# 4. 載入 YOLO11 nano 預訓練權重（Ultralytics 8.3 會自動從官方 hub 下載）
from ultralytics import YOLO

model = YOLO("yolo11n.pt")  # 首次執行會自動下載約 5.5 MB 的權重
print(f"模型參數量：{sum(p.numel() for p in model.model.parameters()) / 1e6:.2f} M")
print(f"骨幹層數：{len(list(model.model.model))}")
# 輸出：模型參數量：2.58 M
# 輸出：骨幹層數：23

這行程式碼是 Ultralytics 8.3 的「一句話載入模型」範本：YOLO("yolo11n.pt") 會去檢查當前目錄有沒有 yolo11n.pt，沒有的話自動從 https://github.com/ultralytics/assets/releases 下載。下載完成後會被快取到 ~/.config/Ultralytics/ 與工作目錄，第二次執行時直接從磁碟讀取，整個載入過程不到 0.3 秒。model.model 是內部的 nn.Module，可以用來檢查參數量與層數；若要換成 yolo11s，改寫成 YOLO("yolo11s.pt") 即可。

# 5. 啟動訓練（Ultralytics 8.3 的標準 train 呼叫）
results = model.train(
    data=str(DATA_ROOT / "data.yaml"),
    epochs=50,
    imgsz=640,
    batch=16,
    device=0,             # Colab T4 在 device 0
    project="runs/detect",
    name="voc_yolo11n",
    cache="disk",         # 把訓練影像快取到 /content
    patience=10,          # 10 個 epoch 沒進步就早停
    workers=2,            # Colab 提供 2 個 CPU 核心
)
print("訓練完成，最佳權重路徑：")
print(f"  {results.save_dir}/weights/best.pt")
# 輸出：訓練完成，最佳權重路徑：
#   runs/detect/voc_yolo11n/weights/best.pt

這段就是「一鍵訓練」的核心。Ultralytics 8.3 把所有訓練細節藏在 model.train() 內部：你只需要告訴它資料位置、訓練輪數、影像尺寸、batch size 與裝置，它會自動處理預訓練權重繼承、optimizer 設定（SGD with momentum=0.937）、學習率排程（線性 warmup 後 cosine decay）、資料增強（mosaic、mixup、HSV 抖動、random flip）、checkpoint 儲存、log 寫入 TensorBoard 等。實務上有幾個參數值得特別注意：imgsz=640 是 YOLO11 的標準訓練尺寸，視你的影像而定可調到 320（更快）到 1280（更精準）；batch=16 在 T4 的 16 GB VRAM 內對 yolo11n 是安全的，yolo11s/m 要降到 8 或 4；cache="disk" 讓 Colab 把第一輪讀取的影像快取到硬碟，再訓練時 I/O 時間壓到接近零。

訓練過程中你會看到類似以下的 log（實際數字會略有不同）：

# 6. 訓練 log（Ultralytics 8.3 自動寫到 runs/detect/voc_yolo11n/results.csv）
# 重要欄位：epoch、train/box_loss、train/cls_loss、metrics/mAP50(B)、metrics/mAP50-95(B)
import pandas as pd

log_path = Path("runs/detect/voc_yolo11n/results.csv")
if log_path.exists():
    df = pd.read_csv(log_path)
    df.columns = [c.strip() for c in df.columns]
    print(df[["epoch", "train/box_loss", "metrics/mAP50(B)", "metrics/mAP50-95(B)"]].tail(5))
    # 輸出（實際數字會略有不同）：
    #    epoch  train/box_loss  metrics/mAP50(B)  metrics/mAP50-95(B)
    # 0     46           0.782              0.868                0.551
    # 1     47           0.771              0.872                0.556
    # 2     48           0.764              0.875                0.559
    # 3     49           0.758              0.878                0.562
    # 4     50           0.753              0.881                0.565

這段讀取 Ultralytics 訓練後寫出的 CSV，印出最後 5 個 epoch 的關鍵指標。train/box_loss 是邊界框回歸損失，越低代表框預測越準；metrics/mAP50(B) 是在 IoU=0.5 下的平均精度（mean Average Precision），越高代表整體偵測表現越好；metrics/mAP50-95(B) 是更嚴格的指標（IoU 從 0.5 到 0.95 平均），也是 COCO 官方排名用的指標。對「框出人與車」這種邊界清楚的任務，mAP50 達到 0.85 以上就算合格；mAP50-95 達到 0.55 以上代表框的位置也相當準確。這份資料集很小（每類 300 張），數字漂亮不代表模型泛化能力強，換到真實場景前一定要用自己的驗證資料再測一次。

# 7. 在驗證集上做一次完整評估（model.val()）
metrics = model.val(data=str(DATA_ROOT / "data.yaml"), imgsz=640, batch=16)
print(f"mAP50     = {metrics.box.map50:.4f}")
print(f"mAP50-95  = {metrics.box.map:.4f}")
print(f"precision = {metrics.box.mp:.4f}")
print(f"recall    = {metrics.box.mr:.4f}")
# 輸出（實際數字會略有不同）：
# mAP50     = 0.8813
# mAP50-95  = 0.5648
# precision = 0.8931
# recall    = 0.8402

model.val() 會載入「當前模型」（訓練後的最後一輪權重）對驗證集跑一次完整評估，回傳 DetMetrics 物件。metrics.box.map50 與 metrics.box.map 就是 mAP@0.5 與 mAP@0.5:0.95；metrics.box.mp 與 metrics.box.mr 是 precision 與 recall。實務上如果你想用「最佳權重」評估，可以重新載入 runs/detect/voc_yolo11n/weights/best.pt：best = YOLO("runs/detect/voc_yolo11n/weights/best.pt"); best.val(...)，這會得到訓練過程中最高的 mAP。Day 14 我們會把這份 best.pt 拿去推論與匯出，演示部署前的標準工作流。

常見錯誤與踩雷

錯誤一：data.yaml 的 path 寫成相對路徑導致找不到資料。Ultralytics 8.3 預期 path 是絕對路徑或相對於當前工作目錄；Colab 的工作目錄預設是 /content/，如果你寫 path: ./datasets/voc-subset 但工作目錄被切換到別處，訓練會直接報 No such file or directory。對應排查方向：用 pwd 確認當前工作目錄、或在 data.yaml 直接寫絕對路徑 path: /content/datasets/voc-subset。

錯誤二：labels/*.txt 第一欄的類別索引超出範圍。如果你的資料來自 LabelImg 或別的工具匯出，類別索引可能從 1 開始（而非 0），或是對應到 data.yaml 的 names 之外的索引。Ultralytics 訓練時若遇到索引超範圍，會直接報 IndexError: list index out of range，且不會告訴你哪張影像出問題。對應排查方向：用 find . -name '*.txt' -exec awk '{print $1}' {} + | sort -u 把所有 YOLO txt 的第一欄抓出來排序，確認落在 0 到 nc-1 之間。

錯誤三：Colab VRAM 不足導致訓練中斷。如果你的 batch 太大或 imgsz 太高，T4 的 16 GB 可能不夠用，常見錯誤訊息是 CUDA out of memory. Tried to allocate 1.50 GiB。對應排查方向：把 batch 從 16 降到 8 再降到 4，或把 imgsz 從 640 降到 320；如果還是不行，換成 yolo11n（不要用 yolo11m/l/x）。另一個解法是啟用 amp=True（預設就會開），它會自動把 forward/backward 換成 float16，省下約 30% VRAM。

錯誤四：訓練到一半 Colab 中斷。Colab 免費版在閒置超過 90 分鐘或執行超過 12 小時會自動中斷 session，導致訓練從頭來過。對應排查方向：把訓練輸出掛載到 Google Drive（project="/content/drive/MyDrive/runs/detect"）；或是把 epoch 數拆小（先跑 10 epoch 看 loss 走向，再決定要不要續跑）。Ultralytics 8.3 也支援 resume=True 從中斷點續訓，只要把 last.pt 路徑傳給 YOLO(...) 即可。

錯誤五：把 YOLO("yolo11n.pt") 寫成 YOLO("yolo11n")。Ultralytics 8.3 從字串判斷模型類型時，若沒寫副檔名，會把它當成「本地檔案路徑」而非「官方預訓練權重」處理，導致 FileNotFoundError。對應排查方向：永遠寫 YOLO("yolo11n.pt")，讓 Ultralytics 自動去下載；如果要指定本地路徑，也要把副檔名寫出來。

效能與實務提醒

在 Colab T4 上跑 yolo11n + VOC 子集（600 張訓練影像、640×640、batch=16），50 epoch 約 10 分鐘，平均每 epoch 12 秒左右。換成 yolo11s 約 18 分鐘，換成 yolo11m 約 35 分鐘。這個時間讓你能在一個 session 內反覆做實驗，非常適合學習階段。如果你的資料集是 10K+ 張影像，建議先在子集（1K–2K）上跑 10 epoch 看收斂趨勢，再決定 epoch 數與學習率，避免一次跑 50 epoch 後才發現設定錯誤。

另一個工程上的小建議：model.train() 的 save_period 參數預設是 -1（只在最後存 best/last），如果你的訓練時間長或想中途評估，可以設成 10 或 20，每 N 個 epoch 存一份 checkpoint，避免最後 5 個 epoch 出現 overfitting 把最佳權重洗掉的情況。patience=10 是「10 個 epoch 沒進步就早停」，對於大多數任務是合理的預設；如果你發現模型還沒收斂就停了，可以調到 20 或 30。資料增強方面，Ultralytics 8.3 預設開啟 mosaic（每 4 張影像拼成一張）與 mixup（兩張影像線性混合），對於小資料集特別有幫助；如果你的影像都是高解析度、且不適合拼接（例如醫療影像），可以把 mosaic=0.0 與 mixup=0.0 關閉。

最後一個提醒：訓練完成後請把 runs/detect/voc_yolo11n/weights/best.pt 與 last.pt 都下載到本機（或上傳到 Google Drive），不要只留在 Colab 暫存空間。Day 14 我們會把 best.pt 拿來推論、匯出 ONNX、並用驗證集的影像做視覺化檢查，那一步會用到今天的訓練結果。如果你想跳過 VOC、用自己的資料做實驗，只要把 data.yaml 與 labels/*.txt 換成自己的即可，model.train() 的呼叫完全不需改動。

小結

今天用 Ultralytics 8.3 的 YOLO11 nano 模型在 PASCAL VOC 2007 的兩類子集上跑完一次完整訓練，從下載與格式轉換、YOLO("yolo11n.pt") 載入預訓練權重、model.train(data=..., epochs=50, imgsz=640) 啟動訓練、到 model.val() 收尾評估，整段約 15 分鐘並達到 mAP@0.5 約 0.88。Ultralytics 8.3 的訓練介面把資料載入、預訓練繼承、增強、checkpoint、log 都包進單一方法呼叫，對於剛入門的使用者非常友善。記住訓練的三個關鍵參數：data（指向 data.yaml）、epochs（訓練輪數）、imgsz（影像尺寸），其餘都用預設即可。下一篇文章會把今天的 best.pt 拿來做推論、匯出 ONNX，並用驗證集影像做視覺化檢查，演示部署前的最後一哩路。

結語

今天的重點是「把昨天的標註格式接到 Ultralytics 8.3 的訓練管線上」。我們用 PASCAL VOC 2007（公開、免註冊）作為示範資料，自己寫了篩選與轉換腳本，再從載入 yolo11n、啟動訓練、到讀取 results.csv 與 metrics，整個流程在 Colab T4 上約 15 分鐘。讀完這篇你應該能回答：Ultralytics 8.3 的 model.train() 最少要傳哪些參數？data.yaml 的 path 與 names 各代表什麼？metrics.box.map50 與 metrics.box.map 差別在哪？明天，我們會把今天訓練出來的 best.pt 拿來推論、視覺化預測框、匯出 ONNX，並用驗證集的影像做一輪完整的「部署前最後檢查」。

延伸資源

  • Ultralytics YOLO11 官方文件（8.3.x，2024）：https://docs.ultralytics.com/，YOLO 類別、model.train()、model.val()、model.predict() 的完整 API 與參數清單。
  • PASCAL VOC 2007 官方網站（自訂學術用途授權）：http://host.robots.ox.ac.uk/pascal/VOC/voc2007/，資料集下載、20 類定義與標註格式說明。
  • Ultralytics YOLO11 釋出說明（2024 年 9 月）：https://github.com/ultralytics/ultralytics/releases，YOLO11 與 YOLOv8 在架構、改進點、預訓練權重的對照表。
  • Ultralytics 資料集格式文件（8.3.x，2024）：https://docs.ultralytics.com/datasets/detect/，data.yaml 欄位與目錄結構的官方要求。
  • Ultralytics GitHub Issues 區（2024）：https://github.com/ultralytics/ultralytics/issues，搜尋你的錯誤訊息通常能找到對應的修復方式。
標籤：

留言

張貼留言

這個網誌中的熱門文章

Day 2 變數與資料型別

Day 2 變數與資料型別 引言 寫程式的過程中，變數與資料型別是處理資料的基礎。變數是存放資料的容器，資料型別則決定這筆資料有哪些特性、可以進行哪些操作。學會定義變數、認識各種資料型別，是學好 Python 的關鍵一步。 這篇文章會帶你了解 Python 中變數的觀念、如何定義變數，以及常見的資料型別，包括整數、浮點數、字串、布林值，還有串列、元組、字典與集合等容器型別。我們也會介紹變數的命名規則與撰寫風格建議，以及如何用 type() 檢查資料型別。 什麼是變數？如何在 Python 中定義變數 變數是在程式執行時用來存放資料的名稱。透過定義變數，我們可以給一筆資料一個名字，並在程式的其他地方用這個名字取用該筆資料。在 Python 中，變數不需要事先宣告型別，因為 Python 是動態型別語言，變數的型別由指定給它的值決定。 定義變數的基本語法 在 Python 中定義變數非常簡單，只要用賦值符號 = 把值指定給變數即可。例如： x = 5 # 定義變數 x，並把整數 5 賦值給它 name = "Alice" # 定義變數 name，並把字串 "Alice" 賦值給它 在這裡，x 是一個變數，被賦予整數 5；name 是另一個變數，被賦予字串 "Alice"。 變數的更新與覆寫 變數的值可以修改，也就是說，我們可以在程式的不同地方給同一個變數新的值。例如： x = 10 # x 最初被賦予 10 x = 15 # x 的值現在被更新為 15 這樣就能依照需求，在程式執行過程中靈活調整變數的值。 Python 的動態型別系統 Python 和某些靜態型別語言不同，定義變數時不需要宣告型別。賦值時，Python 會根據值自動判斷變數的型別。例如： x = 5 # x 是整數 x = 3.14 # x 變成浮點數 x = "Hi" # x 變成字串 同一個變數在程式執行過程中可以存放不同型別的值，這是 Python 的彈性之一。 常見資料型別 在 Python 中，資料型別決定我們可以對變數進行哪些操作...
張貼留言
閱讀完整內容

Python 從入門到 PyTorch 深度學習：開啟 AI 世界的大門

Python 從入門到 PyTorch 深度學習：開啟 AI 世界的大門 隨著人工智慧（AI）與深度學習（Deep Learning）快速發展，越來越多人對這些技術產生興趣。不論你是想踏入 AI 領域的初學者，還是已經有程式基礎的開發者，學好 Python 與深度學習框架（例如 PyTorch），都能為你打開更多可能。 為什麼選擇 Python？ Python 已經是資料科學與人工智慧領域的首選語言。它的語法簡潔、容易上手，而且擁有龐大的生態系與大量開源函式庫。無論是資料處理、資料視覺化，還是建立機器學習與深度學習模型，Python 都能勝任。對想進入 AI 或資料科學領域的人來說，它幾乎是必備工具。 PyTorch 是什麼？ PyTorch 是由 Meta（原 Facebook）AI 研究團隊開發的開源深度學習框架，以易用、靈活和動態計算圖著稱，是許多 AI 研究人員與開發者的首選。相較於其他框架，PyTorch 的寫法更貼近原生 Python，對初學者相對友善。無論是簡單的實驗，還是複雜的深度學習模型，PyTorch 都能提供強大的支援。 這個系列能帶給你什麼？ 這個系列會從 Python 的基礎開始，帶你一步一步學習，最後能自己用 PyTorch 建立深度學習模型。即使你完全沒有寫過程式，也能跟著文章的節奏累積技能，理解 AI 與深度學習的核心觀念。 本系列涵蓋的主題 Python 基礎：從變數、條件判斷到函式與模組。 資料處理工具：用 NumPy 與 Pandas 有效率地操作資料。 資料視覺化：用 Matplotlib 與 Seaborn 把資料畫成圖表。 深度學習的數學基礎：線性代數、微積分與機率。 PyTorch 入門：理解張量、模型建構與 GPU 加速。 基礎深度學習模型：CNN 與 RNN 的實作應用。 深度學習專案實戰：從資料前處理到模型部署的端到端流程。 誰適合這個系列？ 程式初學者 ：如果你對 AI 充滿好奇，卻還沒寫過程式，系列的第一部分會帶你快速上手 Python，並幫助你理解深度學習的基本觀念。 資料科學愛好者 ：如果你已經熟悉一些資料處理方法，進階部分會教你如何用 PyTorch 建構深度學習模型。 開發者與研究人員 ：想更深入了...
張貼留言
閱讀完整內容

Day 1 Python 簡介與環境設定

Day 1 Python 簡介與環境設定 引言 在現在的科技環境裡，程式設計已經是一項重要技能。無論你是對資料科學有興趣、想成為開發者，或是想踏入人工智慧（AI）領域，學會寫程式都能明顯提升你的競爭力。在眾多程式語言中，Python 因為語法簡單、功能強大、應用範圍廣泛，成為許多人進入程式世界的第一選擇。這篇文章會帶你認識 Python 的背景與優勢，並一步步教你在不同系統上安裝與設定 Python 開發環境，最後寫出第一支 Python 程式。 為什麼選擇 Python？ Python 是一種高階程式語言，由 Guido van Rossum 在 1991 年發布。Python 的設計哲學強調程式碼的可讀性，並用縮排來定義程式區塊，這點和許多使用大括號的語言不同。簡潔的語法讓它成為初學者的理想選擇；就算是經驗豐富的開發者，也能用它完成複雜的專案。 Python 的優勢如下： 簡單易學 ：Python 的語法清楚、結構簡潔，初學者很快就能上手。和其他語言相比，學習曲線相對平緩，不需要先弄懂一堆複雜觀念，就能開始寫程式。 應用範圍廣泛 ：從資料科學、網頁開發、人工智慧、機器學習、自動化測試到網路爬蟲，Python 都有大量開源函式庫與工具支援，而且在這些領域都扮演關鍵角色。 豐富的函式庫與框架 ：Python 的函式庫生態系非常龐大。做資料分析有 NumPy、Pandas；開發網站有 Django、Flask；做深度學習有 TensorFlow、PyTorch。各種需求幾乎都能找到對應的套件，讓開發更有效率。 跨平台支援 ：Python 支援 Windows、macOS、Linux 等作業系統，程式通常不需要太多修改就能跨平台執行，讓開發與部署更有彈性。 活躍的社群 ：Python 擁有龐大的開發者社群。學習或開發上遇到問題，幾乎都能在社群與論壇（例如 Stack Overflow）找到答案，對初學者來說是很強的後盾，也能減少卡關時的挫折感。 Python 的應用領域 Python 的流行與強大功能，讓許多領域都開始大量使用它。以下是幾個常見的應用方向： 資料科學 ：隨著大數據與人工智慧興起，資料科學大量使用 Python。NumPy、Pandas 與 Matplotlib 等工具能處理和分析龐...
張貼留言
閱讀完整內容