YOLO11模型保存路径在哪？一文讲清楚

你刚跑完YOLO11训练，终端最后一行显示“Results saved to runs/segment/train2”，心里却冒出一个最实际的问题：我辛辛苦苦训了30轮的模型，到底存在哪儿了？下次想接着用、想部署、想给别人看效果，该去哪个文件夹找那个.pt文件？

别急——这不是配置错误，也不是路径丢失，而是YOLO11（基于ultralytics 8.3.x）默认保存逻辑和新手容易忽略的细节共同导致的“找不着家”现象。本文不讲原理、不堆参数，只聚焦一个动作：精准定位、快速提取、安全复用。从训练结束那一刻起，手把手带你摸清每一份权重的落点，包括best.pt、last.pt、带优化器的原始权重，以及如何自定义保存位置。

1. 默认保存路径的完整结构解析

YOLO11训练完成后，所有产出物都集中在一个顶层目录下，这个目录由两部分动态拼接而成：固定前缀runs/+ 任务类型子目录 + 用户指定或自动生成的运行名。

1.1 核心路径公式

runs/{task}/{project}/{name}/

• {task}：任务类型，如detect（目标检测）、segment（实例分割）、pose（姿态估计）、classify（图像分类）、obb（旋转框检测）
• {project}：项目名称，默认为runs/{task}下的子文件夹，如train、train2、my_project
• {name}：单次运行名称，默认为train，若存在同名则自动递增为train2、train3等

举个真实例子：
当你执行model.train(data="point-offer-seg.yaml", epochs=30)且未指定project和name时，系统会自动创建：
runs/segment/train2/
这就是你在训练日志末尾看到的Results saved to runs/segment/train2的由来。

1.2runs/segment/train2/目录内关键文件一览

进入该目录后，你会看到如下标准结构（已按功能归类）：

runs/segment/train2/ ├── weights/ # ← 模型权重就在这里！重点看 │ ├── best.pt # 最佳验证指标对应的模型（不含优化器） │ └── last.pt # 最后一轮训练完成的模型（不含优化器） ├── results.csv # 训练全过程指标记录（CSV格式，可Excel打开） ├── results.png # 自动绘制的损失/精度曲线图 ├── args.yaml # 本次训练所有参数的快照（含data、epochs、imgsz等） ├── train_batch0.jpg # 第0批训练数据可视化（含增强效果） ├── val_batch0_pred.jpg # 验证集首批次预测结果图 ├── val_batch0_labels.jpg # 验证集首批次真实标签图 └── dataset.json # 数据集统计信息（类别数、图片总数等）

注意：weights/best.pt和weights/last.pt是剥离了优化器状态（optimizer state）的纯净模型，体积更小、加载更快，这才是你部署、推理、分享时真正该用的文件。

1.3 为什么看不到带优化器的权重？

YOLO11（ultralytics ≥8.0.200）默认在训练结束时自动剥离优化器，这是为了：

• 减小模型体积（通常减少30%~50%）
• 避免跨环境加载失败（不同PyTorch版本对optimizer兼容性差）
• 符合工业部署规范（推理模型不需要梯度更新）

你可以在训练日志中明确看到这行提示：
Optimizer stripped from runs/segment/train2/weights/last.pt, 45.1MB

如果你确实需要保留优化器（例如要断点续训），必须显式关闭该行为。

2. 如何自定义模型保存路径？

硬记runs/segment/train2/weights/best.pt太费劲？完全没必要。YOLO11提供两级灵活控制：项目级统一管理和单次运行精准命名。

2.1 方法一：通过project和name参数指定根目录（推荐）

在model.train()中直接传入两个字符串参数：

results = model.train( data="point-offer-seg.yaml", epochs=30, imgsz=640, batch=8, project="my_yolo11_models", # ← 所有输出存到这个文件夹下 name="seg_point_offer_v1" # ← 本次运行专属子目录名 )

执行后，模型将保存在：
my_yolo11_models/seg_point_offer_v1/weights/best.pt

优势：

• 路径语义清晰，一眼看出用途（seg_point_offer_v1）
• 同一项目下可并行多组实验（v1,v2,with_aug,no_mosaic）
• 不污染默认runs/目录，便于清理

2.2 方法二：修改ultralytics/cfg/default.yaml（全局生效，慎用）

找到源码中ultralytics/cfg/default.yaml文件，修改以下字段：

# ultralytics/cfg/default.yaml project: my_yolo11_models # 全局默认项目名 name: train # 全局默认运行名（仍会自动递增为train2等）

风险提示：此方式影响所有后续训练，且需确保你有修改源码权限。仅建议在团队统一开发环境中使用，个人调试不推荐。

2.3 方法三：训练后手动复制（应急方案）

如果已经训完且路径混乱，用一行命令即可提取核心权重：

# 从默认路径拷贝best.pt到当前目录 cp runs/segment/train2/weights/best.pt ./my_best_model.pt # 或重命名并移至指定文件夹 mkdir -p ./deploy/models mv runs/segment/train2/weights/best.pt ./deploy/models/point_offer_seg_best_v1.pt

3. 权重文件详解：best.ptvslast.ptvs 带优化器版

别再凭名字猜用途。这三类文件本质不同，适用场景截然分开：

3.1 如何生成带优化器的权重？（断点续训必备）

YOLO11默认不保存，但你可以主动开启：

from ultralytics import YOLO model = YOLO("yolo11m-seg.yaml").load("weights/yolo11m-seg.pt") # 关键：设置 save_period=1 且 keep_ckpt=True（ultralytics ≥8.3.9支持） train_params = { "data": "point-offer-seg.yaml", "epochs": 30, "save_period": 1, # 每1轮保存一次 "keep_ckpt": True, # ← 保留优化器状态！生成 last_optimizer.pt "project": "my_models", "name": "debug_resume" } results = model.train(**train_params)

生成文件包括：

• my_models/debug_resume/weights/last.pt（无优化器）
• my_models/debug_resume/weights/last_optimizer.pt（含优化器，可用于resume=True）

3.2 加载时如何区分？

• 推理/部署：永远用YOLO("path/to/best.pt")
• 断点续训：必须用YOLO("yolo11m-seg.yaml").load("path/to/last_optimizer.pt")并传入resume=True

# 正确续训写法 model = YOLO("yolo11m-seg.yaml") model.load("my_models/debug_resume/weights/last_optimizer.pt") results = model.train(resume=True) # resume=True 会自动读取优化器状态

4. 实战验证：三步确认你的模型真正在哪儿

光看文档不如亲手验证。用以下三个命令，5秒内锁定路径：

4.1 步骤1：查看训练日志末尾（最快）

训练结束后，终端最后几行必有：

30 epochs completed in 0.071 hours. Optimizer stripped from runs/segment/train2/weights/last.pt, 45.1MB Optimizer stripped from runs/segment/train2/weights/best.pt, 45.1MB Results saved to runs/segment/train2

→ 路径已明示：runs/segment/train2/weights/

4.2 步骤2：用Python代码实时获取（防手误）

在训练脚本末尾加一行，运行后直接打印绝对路径：

print(" 最佳模型路径：", results.save_dir / "weights" / "best.pt") print(" 最终模型路径：", results.save_dir / "weights" / "last.pt")

输出示例：

最佳模型路径： /home/user/my_project/runs/segment/train2/weights/best.pt 最终模型路径： /home/user/my_project/runs/segment/train2/weights/last.pt

4.3 步骤3：Linux/Mac终端快速定位（适合批量检查）

# 查找所有 .pt 文件（按修改时间倒序，最新的在最上面） find runs -name "*.pt" -type f -printf '%T@ %p\n' | sort -n | tail -5 | cut -d' ' -f2- # 输出类似： # runs/segment/train2/weights/best.pt # runs/segment/train2/weights/last.pt # runs/detect/train/weights/best.pt

5. 常见误区与避坑指南

这些“看似合理实则踩坑”的操作，新手90%都试过：

5.1 误区1：“我把train.py放在ultralytics/目录里，模型应该也在那儿”

❌ 错。YOLO11的保存路径与脚本位置完全无关，只取决于project/name参数和默认规则。train.py放 anywhere 都不影响输出位置。

5.2 误区2：“weights/yolo11m-seg.pt是我训出来的模型”

❌ 错。这是预训练权重（pretrained），位于你手动创建的weights/文件夹下，是训练起点，不是训练结果。你的成果永远在runs/下。

5.3 误区3：“best.pt总是比last.pt好，所以只留best.pt”

谨慎。best.pt基于验证集指标（如mAP50），但若验证集有偏差，last.pt可能在实际场景中更鲁棒。建议两者都保留，并用真实测试集对比效果。

5.4 误区4：“路径太长，我直接改源码把runs/换成./models/”

❌ 危险。ultralytics内部多处硬编码依赖runs/前缀（如TensorBoard日志、CSV生成、图片保存）。强行修改易导致训练中断或文件错位。

6. 部署前必做：模型瘦身与格式转换

拿到best.pt后别急着用，先做两件事提升可用性：

6.1 步骤1：导出为ONNX（跨平台部署基石）

from ultralytics import YOLO model = YOLO("runs/segment/train2/weights/best.pt") model.export(format="onnx", dynamic=True, simplify=True)

生成：runs/segment/train2/weights/best.onnx
优势：可在Windows/Linux/嵌入式设备运行，无需Python环境。

6.2 步骤2：验证导出模型是否等效

# 加载ONNX模型并推理同一张图 onnx_model = YOLO("runs/segment/train2/weights/best.onnx") results_onnx = onnx_model("datasets/seg_point_offer_20240930/images/00001.jpg") # 与原PT模型对比结果（box坐标、mask、置信度） pt_model = YOLO("runs/segment/train2/weights/best.pt") results_pt = pt_model("datasets/seg_point_offer_20240930/images/00001.jpg") print("ONNX与PT结果一致：", abs(results_onnx[0].boxes.xyxy - results_pt[0].boxes.xyxy).max() < 1e-3)

7. 总结：记住这四句话，永不错过你的模型

• 第一句：YOLO11的模型永远不在你放train.py的地方，而在runs/{task}/{project}/{name}/weights/下。
• 第二句：日常使用只认best.pt和last.pt，它们已剥离优化器，开箱即用。
• 第三句：想自定义路径？训练时加project="xxx"和name="yyy"，比记路径简单十倍。
• 第四句：部署前务必导出ONNX，并用真实图片验证输出一致性——路径对了，效果还得稳。

你现在可以立刻打开终端，输入ls runs/segment/*/weights/，看着那一排清晰的best.pt，心里踏实了。模型不是消失，只是藏在了有规律的地方。而规律，正是工程化的开始。

--- > **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](https://ai.csdn.net/?utm_source=mirror_blog_end)，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。