Python | OpenCV 模型選擇與訓練
📚 前言
在上一篇 資料標註 中，我們完成了訓練資料的標註工作。
接下來要進入整個電腦視覺專案中最核心的環節：模型選擇與訓練。
如果你是第一次接觸深度學習訓練，看到「遷移學習」、「微調」、「epoch」這些詞彙可能會一頭霧水。
這篇文章的目的就是幫你建立一個清楚的全局觀，在開始閱讀各篇細節之前，先搞清楚「我在做什麼」、「為什麼這樣做」、「應該按什麼順序學」。
🗺️ 整體流程概覽
圖：模型選擇與訓練的整體流程概覽 ─ 從遷移學習到 GPU 加速的六大步驟
🤔 新手常見問題
Q：為什麼不從零訓練模型？
從零訓練需要數十萬張以上的圖片與大量 GPU 資源，一般開發者難以負擔。遷移學習讓你用幾百到幾千張圖片也能得到不錯的結果。
Q：PyTorch 跟 TensorFlow 要選哪個？
兩者皆可完成相同任務。PyTorch 語法直覺、偵錯方便，適合初學者；TensorFlow/Keras 部署工具成熟，適合生產環境。建議新手先選一個學習，不需要兩個都學。
Q：我沒有 GPU，可以訓練嗎？
可以。用 CPU 可以訓練，只是速度較慢。建議先用小資料集、輕量模型（MobileNetV2）跑通流程，確認沒問題後再考慮 GPU 加速。
Q：模型一定要自己訓練嗎？
不一定。如果你的任務與常見應用（人臉辨識、物件偵測）類似，可以先試試看直接使用預訓練模型，不一定需要從頭微調。
Q：PyTorch、TensorFlow/Keras 和 YOLO 是不同的東西嗎？
它們做的是同一件事（訓練模型），差別在抽象層級不同：
| PyTorch / TensorFlow/Keras | YOLOv8（Ultralytics） | |
|---|---|---|
| 定位 | 訓練引擎，負責所有底層運算 | 高階工具，底層使用 PyTorch |
| 程式碼量 | 多，需自己寫訓練迴圈 | 少，幾行指令完成訓練 |
| 控制程度 | 完整控制每個步驟 | 高度封裝，細節被隱藏 |
| 適合情境 | 理解訓練原理 | 快速得到結果 |
這個系列先從 PyTorch / TensorFlow 學起，看清楚訓練的每個步驟在做什麼，之後使用 YOLO 時就不會覺得它是黑盒子。
🧠 新手模型選擇指南
圖：新手模型選擇指南 ─ 依情境推薦的常用模型架構
📖 建議學習順序
如果你是第一次學習這個流程，建議依照以下順序閱讀：
- 先讀「遷移學習與微調原理」，建立概念
- 選一個框架（PyTorch 或 TensorFlow），只讀其中一篇微調範例
- 讀「資料增強」，改善訓練效果
- 讀「避免過擬合」，解決常見訓練問題
- 有需要再讀「GPU 加速」
🗂️ 章節目錄
🔹 遷移學習與微調原理
- 你將學到：什麼是遷移學習、為什麼這樣做、凍結哪些層、何時要解凍。
- 這是整個訓練流程的理論基礎。即使你只是要複製貼上程式碼，也建議先讀這篇，避免不知道參數代表什麼意思。
- 📖 詳細說明請參考：遷移學習與微調原理
🔸 PyTorch 微調範例（二擇一）
- 你將學到：用 ResNet18 完成一個完整的圖片分類訓練，包含資料載入、模型替換輸出層、訓練迴圈。
- ResNet18 是 PyTorch 的入門首選，Keras 沒有這個模型，因此兩篇範例使用不同架構是正常的。如果你選擇 PyTorch，從這篇開始動手。
- 📖 詳細說明請參考：PyTorch 微調範例
🔸 TensorFlow/Keras 微調範例（二擇一）
- 你將學到：用 MobileNetV2 完成一個完整的圖片分類訓練，Keras API 語法簡潔，適合快速上手。
- 如果你選擇 TensorFlow/Keras，從這篇開始動手。
- 📖 詳細說明請參考：TensorFlow/Keras 微調範例
🔹 資料增強 (Data Augmentation)
- 你將學到：為什麼要做資料增強、常用的增強方式（旋轉、翻轉、亮度）、在 PyTorch 與 TensorFlow 中如何實作。
- 訓練資料不夠多時，這是提升模型效果最直接的方式。
- 📖 詳細說明請參考：資料增強
🔹 避免過擬合
- 你將學到：如何判斷是否過擬合、Dropout 與正規化的作用、Early Stopping 的設定方式。
- 訓練準確率高但測試準確率低，就是過擬合。這篇告訴你怎麼處理。
- 📖 詳細說明請參考：避免過擬合
🔹 GPU 加速與效能優化
- 你將學到：如何確認 GPU 是否可用、設定 CUDA 環境、讓訓練速度大幅提升。
- 資料量小、模型輕量時 CPU 就夠用，資料量大時可以來讀這篇。
- 📖 詳細說明請參考：GPU 加速與效能優化
⚠️ 注意事項
- 遷移學習優先：除非有充足資源與資料，否則建議從預訓練模型微調，而非從頭訓練。
- 學習率要小：遷移學習時使用較小的學習率（如
0.001或0.0001），避免破壞預訓練權重。 - 先跑通流程：用輕量模型（MobileNetV2）先跑通整個訓練流程，確認資料格式正確後，再換大模型追求更高準確度。
- 不要同時學兩個框架：PyTorch 和 TensorFlow 選一個深入，不要兩個同時學，容易混淆。
🎯 結語
模型選擇與訓練是整個電腦視覺專案的核心，也是最容易讓新手卡關的地方。
按照上方建議的學習順序，一篇一篇動手操作，你會發現這個流程其實並不難。
接下來從 遷移學習與微調原理 開始，建立你的第一個訓練流程。
📖 如在學習過程中遇到疑問，或是想了解更多相關主題，建議回顧一下 Python | OpenCV 系列導讀，掌握完整的章節目錄，方便快速找到你需要的內容。
註：以上參考了
OpenCV 官方文件 — Tutorials
PyTorch 官方文件 — Transfer Learning Tutorial
TensorFlow 官方文件 — Transfer Learning
