训练完成后模型保存在哪？workdirs目录下找

训练完成后模型保存在哪？workdirs目录下找

在使用OCR文字检测模型进行微调训练时，一个最常被问到的问题就是：训练好的模型到底保存在哪里了？很多人翻遍项目根目录、config文件夹、甚至output目录都找不到新生成的权重文件。其实答案很简单——它就安静地躺在workdirs/这个看似普通、却承载着所有训练成果的目录里。

本文将带你彻底理清 cv_resnet18_ocr-detection 模型的训练输出路径逻辑，不讲抽象概念，只说你打开终端就能验证的真实路径；不堆砌参数说明，只聚焦“我刚点完‘开始训练’，现在该去哪找模型”这个最朴素的需求。无论你是第一次尝试微调的新手，还是正在排查训练失败的老手，这篇内容都能帮你省下至少半小时的盲目搜索时间。

1. 为什么是 workdirs？不是 models 或 checkpoints？

很多用户习惯性地去models/、checkpoints/或weights/目录下翻找，结果一无所获。这背后其实有明确的设计逻辑：

• models/目录存放的是原始预训练模型（如 ResNet18 backbone 的 ImageNet 权重），属于只读资源，不会被训练过程修改；
• checkpoints/并未在本镜像中创建——该 WebUI 采用的是单次完整训练 + 最终模型保存模式，而非每轮保存 checkpoint；
• workdirs/是本镜像专为训练任务生命周期设计的工作空间：从数据加载、日志记录、中间缓存，到最终模型权重和评估报告，全部集中管理。

你可以把workdirs/理解成一个“训练沙盒”：每次点击“开始训练”，系统都会新建一个带时间戳的子目录（如workdirs/20260105_143022/），所有产出物都严格限定在这个目录内，互不干扰，也便于你回溯不同实验的结果。

关键提示：workdirs/目录位于项目根路径下，即/root/cv_resnet18_ocr-detection/workdirs/。它不会出现在 WebUI 界面的任何按钮或输入框中，必须通过命令行访问。

2. 训练完成后的标准输出结构

当你在 WebUI 的「训练微调」Tab 中点击“开始训练”并等待进度条走完，终端或日志中出现类似Training finished. Model saved to: workdirs/20260105_143022/的提示时，就可以进入对应目录查看成果了。

以一次典型训练为例，workdirs/20260105_143022/下的标准结构如下：

workdirs/ └── 20260105_143022/ ├── best.pth # 最优模型权重（按验证集指标自动保存） ├── last.pth # 最后一轮模型权重（无论是否最优） ├── train.log # 完整训练日志（含 loss、acc、时间戳） ├── eval_results.json # 验证集详细指标（precision/recall/f1） ├── visualization/ # 可视化结果（检测效果示例图） │ ├── val_sample_0.png │ └── val_sample_1.png └── config.yaml # 本次训练的实际配置（含 batch_size、lr 等）

其中，真正用于后续推理或导出的模型文件只有两个：best.pth和last.pth。它们的区别非常实际：

• best.pth：在训练过程中，系统会持续监控验证集上的 F1 分数（或其他设定指标），一旦发现更高值，就覆盖保存此文件。这是你应优先选用的模型，代表本次训练能达到的最高质量。
• last.pth：训练结束时的最终状态快照。如果训练后期出现过拟合，它的效果可能反而不如best.pth。

2.1 如何快速确认模型已成功保存？

别急着复制文件，先用一条命令验证完整性：

cd /root/cv_resnet18_ocr-detection ls -lh workdirs/*/best.pth

正常输出应类似：

-rw-r--r-- 1 root root 45M Jan 5 14:32 workdirs/20260105_143022/best.pth

如果看到No such file or directory，说明训练未成功完成（可能是数据集路径错误、标注格式异常或显存不足）。此时应立即查看train.log文件定位报错位置。

3. 模型文件怎么用？直接替换原模型即可

拿到best.pth后，你可能会疑惑：它和原始模型是什么关系？能不能直接拿来替换 WebUI 里的默认检测器？

答案是：可以，而且只需一步操作。

cv_resnet18_ocr-detection 的推理代码默认从固定路径加载权重。你只需将训练好的best.pth复制到以下位置，并重命名为model.pth：

cp workdirs/20260105_143022/best.pth \ /root/cv_resnet18_ocr-detection/models/model.pth

然后重启 WebUI 服务：

bash stop_app.sh bash start_app.sh

再次访问http://服务器IP:7860，你会发现所有检测功能（单图、批量）已自动切换为你微调后的新模型。无需修改任何代码，也不需要重新配置路径——这就是本镜像为工程落地做的关键简化。

注意：models/model.pth是 WebUI 启动时唯一读取的权重文件。如果你同时有多个微调版本，只需反复执行上述cp命令并重启服务，即可快速切换对比效果。

4. ONNX 导出前，必须确认模型路径正确

WebUI 的「ONNX 导出」功能并非直接转换训练日志中的模型，而是读取当前生效的models/model.pth文件。这意味着：

• 如果你刚完成训练但还没执行cp ... model.pth，导出的 ONNX 模型仍是原始预训练版本；
• 如果你导出后又替换了model.pth，已导出的 ONNX 文件不会自动更新，需重新点击「导出 ONNX」。

因此，标准的微调+部署流程应为三步闭环：

1. 训练→ 在 WebUI 中配置数据集并启动训练
2. 部署→cp workdirs/*/best.pth models/model.pth+ 重启服务
3. 导出→ 在 WebUI 中点击「导出 ONNX」，获得可跨平台使用的轻量模型

导出的 ONNX 文件默认保存在outputs/onnx/目录下，文件名包含输入尺寸信息，例如model_800x800.onnx。你可以用 Python 脚本直接加载它，完全脱离 PyTorch 环境：

import onnxruntime as ort import numpy as np # 加载导出的 ONNX 模型 session = ort.InferenceSession("outputs/onnx/model_800x800.onnx") # 构造模拟输入（NHWC → NCHW，归一化） dummy_input = np.random.randn(1, 3, 800, 800).astype(np.float32) dummy_input /= 255.0 # 推理 outputs = session.run(None, {"input": dummy_input}) print("ONNX 模型加载成功，输出形状：", [o.shape for o in outputs])

这段代码不依赖 PyTorch，仅需onnxruntime，可在 CPU 服务器、边缘设备甚至手机端运行，真正实现“一次训练，多端部署”。

5. 常见误区与避坑指南

尽管路径逻辑清晰，但在实际操作中，仍有几个高频踩坑点值得单独强调：

5.1 误区一：“workdirs 是空的，是不是没生成？”

workdirs/目录本身是空的，不代表没生成——它只是父目录。真正的子目录名由训练启动时间动态生成，格式为YYYYMMDD_HHMMSS（如20260105_143022）。如果你在训练后立刻ls workdirs/却看到空白，大概率是因为：

• 训练尚未完成（进度条卡住或后台崩溃）；
• 你误入了其他终端会话，实际训练在另一个 shell 中运行；
• 系统时间被修改过，导致时间戳异常（极少见）。

正确做法：训练启动后，用tail -f workdirs/*/train.log实时跟踪日志，看到Training finished.才算真正结束。

5.2 误区二：“我改了 config.yaml，为什么没生效？”

workdirs/*/config.yaml是训练完成后的快照记录，不是运行时配置文件。它只供你事后复盘使用，修改它对当前或下次训练均无影响。真正的训练参数来自 WebUI 界面输入，由前端传给后端脚本动态生成临时配置。

正确做法：所有参数调整（batch size、学习率等）必须在 WebUI 的「训练微调」Tab 中完成，点击“开始训练”才会生效。

5.3 误区三：“模型文件太大，是不是出错了？”

ResNet18 主干网络 + OCR 检测头的完整权重文件通常在 40–50MB 区间。如果你看到best.pth只有几 MB，或者大小与last.pth差异极大（如一个 45MB，一个 2MB），说明：

• best.pth可能因磁盘满、权限不足而写入不全；
• 训练中途被 kill，last.pth是残缺状态。

正确做法：用md5sum校验两个文件是否可正常加载：

python -c "import torch; print(torch.load('workdirs/20260105_143022/best.pth').keys())"

若报错EOFError或KeyError，则文件损坏，需重新训练。

6. 总结：三句话记住模型保存核心逻辑

• 位置唯一：所有训练产出物，包括最优模型best.pth，都严格保存在workdirs/时间戳/子目录下，没有例外，也不分散；
• 使用直接：只需cp workdirs/*/best.pth models/model.pth一行命令，即可让 WebUI 全功能切换至你的微调模型；
• 导出可靠：ONNX 导出功能始终基于当前models/model.pth，确保你导出的就是刚刚验证过的那个版本。

至此，你已经掌握了 cv_resnet18_ocr-detection 模型训练成果的“寻宝地图”。下一步，不妨挑一张你业务场景中的真实图片，用新模型跑一次单图检测——当那些原本漏检的模糊小字、倾斜文本、复杂背景下的文字被精准框出时，你会真切感受到：那几十MB的best.pth文件，不只是数据，更是你定制化OCR能力的实体化身。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。