规范文件

YOLO 系列模型（如 YOLOv8）训练前的数据集目录规范，核心作用是让模型能正确识别并关联 “图片 - 标签”，保证训练流程顺利启动，各部分解析如下：

1. 核心目录结构（适配 YOLO 训练要求）
   数据集需按以下层级组织：

数据集根目录
├─ images       # 存放所有图片文件
│  ├─ train     # 训练集图片（模型训练时用于学习特征）
│  └─ val       # 验证集图片（训练中实时评估模型性能）
└─ labels       # 存放所有标签文件（与图片一一对应）
   ├─ train     # 训练集标签（对应images/train下的图片）
   └─ val       # 验证集标签（对应images/val下的图片）

2. 关键要求说明

“一一对应” 的必要性：labels 目录下的标签文件名，必须与对应的 images 目录下的图片文件名完全一致（仅后缀不同，如fire_001.jpg对应fire_001.txt）。这是 YOLO 模型加载数据的核心规则 —— 模型会通过文件名自动关联图片与标签，若不对应则会出现 “找不到标签” 的错误，导致训练中断。

目录的功能定位：
train（训练集）：占数据集的 70%-80%，是模型学习目标特征（如火灾的形状、颜色）的主要数据；

val（验证集）：占数据集的 20%-30%，用于训练过程中实时评估模型的泛化能力（避免过拟合），不参与模型参数更新。

该结构是 YOLO 系列模型的标准数据集格式，按此规范整理后，只需在训练配置文件（如data.yaml）中指定数据集根目录，模型即可自动加载训练 / 验证数据。

这个组织层级不是完全固定的，支持自定义，但需结合 YOLO 模型的配置规则来调整：

1. 默认：推荐使用该层级（无需额外配置）

YOLOv8（Ultralytics 框架）的默认数据加载逻辑是匹配
“images/train→labels/train、images/val→labels/val” 的层级，
按此结构整理数据集，只需在data.yaml中指定数据集根目录即可自动加载，无需额外配置路径，是最便捷的方式。

2. 支持自定义：需通过data.yaml配置路径
   若想调整层级（比如将图片 / 标签放在其他目录、或重命名 train/val），可通过修改训练配置文件（data.yaml）实现，例如：
   若将训练集图片放在dataset/train_imgs、标签放在dataset/train_labels，只需在data.yaml中指定：

train: dataset/train_imgs  # 自定义训练集图片路径
val: dataset/val_imgs      # 自定义验证集图片路径
nc: 1                      # 类别数
names: ['fire']            # 类别名称

此时标签文件的路径需与图片路径对应（或通过框架的–label-dir参数指定标签目录）。

3. 固定约束：图片与标签的 “文件名必须一一对应”
   无论层级如何自定义，标签文件名必须与对应图片的文件名完全一致（仅后缀不同，如fire_001.jpg对应fire_001.txt）—— 这是 YOLO 关联 “图片 - 标签” 的核心规则，无法修改

val（验证集）中的图片必须和训练集一样包含完整的标注信息（比如人的标注），否则模型无法完成验证环节。

4. 为什么验证集必须有标注？

验证集的核心作用是客观评估模型的预测效果，而评估的前提是 “有标准答案可对比”

模型在验证集图片上会输出预测结果（比如预测 “这张图里有人，坐标是 xxx”）；

系统需要用验证集的标注（“标准答案：这张图里有人，坐标是 yyy”）和预测结果对比，计算精度、召回率等指标，判断模型是否学到位、是否过拟合；

如果验证集图片没有标注，系统没有 “标准答案”，就无法完成对比评估，训练过程中会报错（比如 “找不到验证集标签”），或无法输出有效的验证指标。

主目录下创建datasets

对于yolov8而言，必须创建名为 datasets 的文件夹

将前面的文件夹拷入datasets文件夹

配置.yaml文件（数据集描述文件）

.yaml是 YOLO 系列模型（尤其是 YOLOv8）训练时必不可少的核心配置文件，下面我会从文件本身的属性、编写规范、使用注意事项等维度，帮你全面理解这个文件：

一、文件基础属性

文件类型：YAML 格式文件（后缀.yaml/.yml），是一种轻量级的配置文件格式，比 JSON 更易读写，专门用于传递结构化数据；
核心作用：作为模型与数据集之间的 “桥梁”，告诉 YOLO 模型：
数据集的存储位置（训练 / 验证 / 测试集路径）；
数据集包含的类别数量、类别名称及对应的 ID；
可选：是否使用数据增强、类别颜色（可视化用）等附加配置。

二、完整的data.yaml编写模板（以火灾检测为例）

# 1. 数据集路径配置（核心）
path: ./fire_dataset  # 数据集根目录（推荐用相对路径，避免绝对路径移植报错）
train: images/train   # 训练集图片路径（相对于path）
val: images/val       # 验证集图片路径（相对于path）
test: images/test     # 测试集图片路径（可选，留空则不使用）

# 2. 类别配置（核心）
nc: 2                 # number of classes，类别总数（比如火灾+烟雾=2类）
names:                # 类别名称列表，顺序对应类别ID（0、1、2...）
  0: fire             # 类别ID 0 → 火焰
  1: smoke            # 类别ID 1 → 烟雾

三 、 延续之前文件组织形式、本次测试所使用的.yaml文件的编写

自定义的：

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: fire-smoke.v1i.yolov8_new  # dataset root dir
train: images/train  # train images (relative to 'path')
val: images/val  # val images (relative to 'path')
test:  # test images (optional)

# Classes
names: ['fire', 'smoke']

代码说明（该文件是 YOLOv8 训练的核心配置文件，用于指定数据集信息）
该文件的作用是告诉 YOLOv8 模型 “数据集在哪里、包含哪些类别”，各部分功能如下：

1. 数据集路径配置区
   path: fire-smoke.v1i.yolov8_new：指定数据集的根目录为fire-smoke.v1i.yolov8_new（模型会从这个目录开始查找图片 / 标签）；
   train: images/train：指定训练集图片的路径（是相对于path的相对路径，实际完整路径为bvn/images/train）；
   val: images/val：指定验证集图片的路径（实际完整路径为bvn/images/val）；
   test: ：指定测试集图片的路径（此处留空表示暂不使用测试集，属于可选配置）。

2. 类别配置区
   names：定义数据集的类别列表，键是 “类别 ID”，值是 “类别名称”；
   0: fire：表示类别 ID 为 0 的类别名称是fire；
   1: smoke：表示类别 ID 为 1 的类别名称是smoke。

核心作用
YOLOv8 在训练时，会通过该文件：
定位到训练 / 验证集的图片；
自动匹配对应路径下的标签文件（标签文件名需与图片名一致）；
识别类别 ID 对应的名称，完成 “预测结果→类别名称” 的映射，同时保证训练时的类别标注与配置一致。

一般来说，从平台下载下来对应版本的数据集，会自带配置好的.yaml文件，可以拿来直接用，下面是为了说
明这个文件的用处。

训练集自带的（建议使用）：

解压后的数据集文件夹
├─ train
│  └─ images       # 训练集图片（对应train: ../train/images）
├─ valid
│  └─ images       # 验证集图片（对应val: ../valid/images）
├─ test
│  └─ images       # 测试集图片（对应test: ../test/images）
└─ data.yaml       # 配置文件本身

path: E:\biyesheji\ultralytics-main\datasets\fire-smoke.v1i.yolov8  # dataset root dir
train: ./train/images   # 训练集图片路径
val: ./valid/images     # 验证集图片路径
test: ./test/images     # 测试集图片路径

nc: 2
names: ['fire', 'smoke']

roboflow:
  workspace: latifa-sassi-zqgnz
  project: fire-smoke-mx4z8
  version: 1
  license: CC BY 4.0
  url: https://universe.roboflow.com/latifa-sassi-zqgnz/fire-smoke-mx4z8/dataset/1

./train/images：表示 “当前data.yaml所在目录下的 train/images”，是 Roboflow 数据集的标准路径格式；

标签文件会自动存放在train/labels、valid/labels、test/labels目录，YOLO 会自动匹配，无需在 yaml 中指定。

2. 类别配置（核心）
   nc: 2：明确数据集有 2 个类别，与names列表长度一致（必须匹配，否则训练报错）；
   names: [‘fire’, ‘smoke’]：类别顺序对应标签文件中的 ID—— 标签里的0代表fire，1代表smoke，这是模型识别类别的核心映射规则。

开始训练

第一种方法: 指令运行：

yolo task=detect mode=train model=./yolov8n.pt data=E:\biyesheji\ultralytics-main\datasets\fire-smoke.v1i.yolov8\data.yaml epochs=30 workers=1 batch=16

yolo 是 Ultralytics YOLOv8 的命令行入口命令，所有 YOLOv8 的任务（训练、验证、预测）都通过该命令启动。
task=detect指定当前任务类型为目标检测（YOLOv8 还支持classify（分类）、segment（分割）等任务，需对应调整此参数）。

mode=train指定运行模式为训练模式（其他常用模式：val（验证）、predict（预测）、export（模型导出））。

model=./yolov8n.pt指定训练使用的预训练模型权重：

./yolov8n.pt表示加载当前目录下的yolov8n.pt文件；

yolov8n中的n是 “nano” 的缩写，代表 YOLOv8 中体积最小、速度最快的轻量级预训练模型，适合快速训练或显存较小的设备。

data=E:\biyesheji\ultralytics-main\datasets\fire-smoke.v1i.yolov8\data.yaml 指定数据集配置文件（即之前介绍的data.yaml），告诉模型数据集的路径、类别数量 / 名称等信息，是模型关联数据集的核心参数。

epochs=30指定训练的总轮数：表示整个训练数据集会被模型完整学习 30 次；轮数越多模型学习越充分，但也可能导致过拟合，30 是基础训练轮数。

workers=1指定数据加载的工作进程数：用于并行加载训练数据，加快数据读取速度；设置为 1 通常是为了适配 Windows 环境（Windows 对多进程支持较差，多进程易报错）。

batch=16指定批次大小：表示每次训练时，同时输入给模型的图片数量；批次越大训练效率越高，但对显卡显存要求越高（16 是显存中等设备的常用设置，需根据自身显卡调整）

运行中：


这是 YOLOv8 火灾烟雾检测模型的训练过程日志，可拆分为预处理 / 配置、训练基础信息、每轮训练指标、模型当前状态几个模块，各部分含义如下：

一、预处理与优化器配置

这是训练前的准备工作：
“New cache created: …labels.cache”：YOLO 自动生成标签缓存文件，后续训练时可快速加载标签、避免重复解析，以此提升训练效率。
“Plotting labels to …labels.jpg”：生成数据集标签分布可视化图（保存到训练日志目录），用于检查 “火灾”“烟雾” 等类别的样本分布是否均衡。
“optimizer: ‘optimizer=auto’ found…”：启用自动优化器模式，会忽略手动设置的学习率、动量，自动选择更优配置；后续 “optimizer: AdamW (lr=0.001667, momentum=0.9)…” 表示最终选定 AdamW 优化器（兼顾收敛速度与防过拟合），同时对不同参数组设置权重衰减，进一步降低过拟合风险。

二、训练基础参数

这些是训练的核心基础设置：
“Image sizes 640 train, 640 val”：训练集、验证集图片会统一缩放到 640×640 像素（YOLOv8 默认输入尺寸，平衡检测精度与速度）。
“Using 1 dataloader workers”：数据加载进程数设为 1，是适配 Windows 环境的设置，避免多进程加载时出现报错。
“Logging results to …runs/detect/train”：训练日志、模型权重、可视化结果会保存在该目录（YOLO 默认结果存储路径）。
“Starting training for 30 epochs…”：本次训练总轮数为 30 轮，当前已正式启动训练。

三、每轮训练指标

每轮日志包含训练损失、验证集评估两类指标：
训练损失指标（数值越小越好）：
“GPU_mem 2.01G” 是当前训练占用的显卡显存；“box_loss 0.4241” 是边界框回归损失，值越小代表目标框定位越准确；“cls_loss 0.5566” 是类别分类损失，值越小代表 “火灾 / 烟雾” 的类别预测越准确；“df1_loss 0.8903” 是 YOLOv8 特有的分布焦点损失，用于优化样本不平衡问题，值越小效果越好。
验证集评估指标（越接近 1 越好）：
“Box § 0.951” 是精确率，指预测为 “火灾 / 烟雾” 的结果中实际正确的比例；“R 0.95” 是召回率，指实际为 “火灾 / 烟雾” 的目标中被成功检测到的比例；“mAP50 0.983” 是 IoU=0.5 时的平均精度（核心检测准度指标）；“mAP50-95 0.908” 是 IoU 从 0.5 到 0.95 的平均精度（更严格的检测准度标准）。
模型当前状态
从日志来看，训练到第 4 轮时，验证集的 mAP50 已接近 0.98，说明模型在验证集上的检测准度很高，收敛状态良好。后续训练需关注这些指标的变化，若出现指标明显下降，可能是模型发生了过拟合。

第二种: python 程序启动

注意：有的环境需要把worker设置为0才能用.py运行

，核心原因是Windows 系统的多进程机制与 Python 数据加载器的兼容性问题，具体拆解如下：

一、先理解workers参数的本质

workers是 YOLO 数据加载器（DataLoader）的子进程数：
workers > 0：启动多个子进程并行加载训练数据（比如 workers=1 就是 1 个额外子进程），目的是让 “数据加载” 和 “模型训练” 并行，提升整体训练速度；
workers = 0：禁用多进程，仅用主进程加载数据（单进程模式），加载速度稍慢，但兼容性最好。

二、Windows vs. 类 Unix 系统（Linux/macOS）的多进程差异（核心原因）

Python 的multiprocessing（多进程）模块在不同系统下的启动方式不同，这是导致报错的关键：
Linux/macOS：采用fork方式启动子进程 —— 直接复制主进程的内存空间（包括模型、数据集配置、文件句柄等），子进程能无缝继承所有资源，因此workers=1/2/4都能正常运行；
Windows：采用spawn方式启动子进程 —— 不会复制主进程，而是重新启动一个全新的 Python 解释器，并从头执行整个脚本。
这会导致子进程重复初始化数据集、模型等资源，甚至触发 “资源占用”“管道断裂（BrokenPipeError）”“标签文件找不到” 等报错；
更关键的是：YOLO 的DataLoader在 Windows 的spawn模式下，无法正确传递数据集的缓存、路径等关键信息，最终导致训练启动失败。

三、为什么命令行启动时 workers=1 可能能用，Python 脚本必须设 0？

命令行启动：脚本是 “一次性执行”，spawn启动的子进程仅加载数据相关逻辑，不会重复执行训练核心代码，因此偶尔能兼容 workers=1；
Python 脚本启动（尤其是 IDE 中运行）：脚本的执行上下文更复杂（比如有全局变量、模型初始化代码），spawn启动的子进程会重新执行整个脚本的所有代码，导致资源冲突，只有设workers=0（禁用多进程）才能避免这种冲突。

四、补充说明：workers=0 的影响

唯一缺点：数据加载速度稍慢（主进程既要加载数据又要训练），但完全不影响训练结果（模型精度、收敛速度都不受影响）；
若你的显卡显存 / CPU 性能较好，即使 workers=0，训练效率的下降也几乎可以忽略（尤其像你训练 30 轮、批次 16 的场景）。

# 导入YOLOv8核心库
from ultralytics import YOLO
import os

# 设置Python脚本的工作目录（可选，避免路径问题）
# 建议将脚本放在ultralytics-main目录下，或手动指定工作目录
os.chdir(r"E:\biyesheji\ultralytics-main")

# 1. 加载预训练模型（对应命令行的model=./yolov8n.pt）
model = YOLO("./yolov8n.pt")  # 加载YOLOv8n预训练权重

# 2. 执行训练（参数与命令行一一对应）
results = model.train(
    task="detect",          # 任务类型：目标检测（对应task=detect）
    mode="train",           # 运行模式：训练（对应mode=train）
    data=r"E:\biyesheji\ultralytics-main\datasets\fire-smoke.v1i.yolov8\data.yaml",  # 数据集配置文件路径
    epochs=30,              # 训练轮数（对应epochs=30）
    workers=0,              # 数据加载进程数（对应workers=1） # 有的环境需要把worker设置为0才能用.py运行
    batch=16,               # 批次大小（对应batch=16）
    device=0,               # 可选：指定显卡（0为第一张显卡，cpu为使用CPU），不指定则自动检测
    verbose=True            # 可选：显示训练详细日志
)

# 训练完成后可打印验证结果（可选）
print("训练完成！最终验证集指标：")
print(f"mAP@0.5: {results.results_dict['metrics/mAP50(B)']:.4f}")  # 打印mAP@0.5指标
print(f"精确率: {results.results_dict['metrics/precision(B)']:.4f}")  # 打印精确率
print(f"召回率: {results.results_dict['metrics/recall(B)']:.4f}")    # 打印召回率

注意：在运行之前记得切换python的解释器。（切为目标虚拟环境）
1 ： 点击以打开选择窗口

2 ：选择

3 切换成功标志

4 通过vscode启动

训练结果

1. weights（文件夹）
   内容：存放训练生成的模型权重文件，通常包含best.pt和last.pt两个核心权重：
   best.pt：验证集指标（如 mAP）最优的模型权重；
   last.pt：训练最后一轮的模型权重。
   用途：后续用于目标检测预测、模型部署、微调训练等核心场景。
2. args.yaml
   内容：记录本次训练的所有参数配置（比如模型路径、数据集路径、epochs、batch、workers 等）。
   用途：复现训练过程（后续用相同参数重新训练时可直接参考），或追溯训练时的配置细节。
3. confusion_matrix.png
   内容：混淆矩阵可视化图，展示模型对不同类别的 “预测结果 - 真实标签” 匹配情况（比如 “火灾” 被正确预测为火灾、或错误预测为烟雾的比例）。
   用途：分析模型的分类错误类型，判断是否存在类别混淆的问题。
4. F1_curve.png
   内容：F1 值曲线（F1 是 “精确率” 与 “召回率” 的调和平均值），展示不同置信度阈值下模型的 F1 值变化。
   用途：选择合适的置信度阈值（比如找到 F1 值最高的阈值），平衡模型的精确性与召回能力。
5. labels_correlogram.jpg
   内容：标签相关性图，展示数据集中不同类别（如 “火灾”“烟雾”）的共现关系（比如两类是否经常同时出现在同一张图中）。
   用途：分析数据集的类别分布特征，判断是否存在类别关联的规律。
6. labels.jpg
   内容：数据集标签分布可视化图，展示每个类别的样本数量占比。
   用途：检查数据集的类别均衡性（比如 “火灾” 和 “烟雾” 的样本数是否差距过大，避免模型偏向样本多的类别）。
7. P_curve.png
   内容：精确率曲线，展示不同置信度阈值下模型的精确率变化（精确率 = 预测正确的正样本数 / 所有预测为正样本的数量）。
   用途：分析模型在 “高置信度预测” 时的精确性（比如阈值越高，精确率是否越稳定）。
8. PR_curve.png
   内容：精确率 - 召回率曲线，展示不同置信度阈值下 “精确率” 与 “召回率” 的权衡关系。
   用途：评估模型的整体检测性能（曲线下面积越大，模型的精确率与召回率平衡效果越好）。
9. R_curve.png
   内容：召回率曲线，展示不同置信度阈值下模型的召回率变化（召回率 = 预测正确的正样本数 / 所有真实正样本的数量）。
   用途：分析模型对 “真实目标” 的覆盖能力（比如阈值越低，是否能召回更多真实目标）。
10. results.csv
    内容：训练过程的数值化指标记录（比如每一轮的损失值、mAP、精确率、召回率等）。
    用途：后续做自定义数据分析（比如绘制更精细的训练曲线），或统计训练过程的指标变化。
11. results.png
    内容：训练指标可视化图（包含损失曲线、mAP 曲线等），直观展示训练过程中 “损失下降”“指标上升” 的趋势。
    用途：快速判断模型是否收敛（比如损失是否稳定下降、mAP 是否稳定上升），或是否出现过拟合（比如训练集指标高、验证集指标低）。
12. train_batchX.jpg（如train_batch0.jpg）
    内容：训练集批次图片的可视化结果，展示图片、真实标注框、模型训练时的预测框。
    用途：观察模型在训练集上的拟合情况（比如模型是否能正确识别训练集中的目标）。
13. val_batch0_labels.jpg & val_batch0_pred.jpg
    内容：
    val_batch0_labels.jpg：验证集批次图片的真实标注框可视化；
    val_batch0_pred.jpg：验证集批次图片的模型预测框可视化。
    用途：对比 “真实标签” 与 “模型预测” 的差异，直观评估模型在验证集上的检测效果（比如目标框是否准确、类别是否预测正确）。

使用所生成的模型

一、命令行指令（快速便捷，无需写代码）

1. 检测单张图片

yolo task=detect mode=predict model=./runs/detect/train/weights/best.pt source="E:\biyesheji\test_images\fire_test.jpg" save=True

2. 检测指定文件夹下的所有图片

yolo task=detect mode=predict model=./runs/detect/train/weights/best.pt source="E:\biyesheji\test_images" save=True

关键参数解释：

task=detect：指定目标检测任务（和训练时一致）；

mode=predict：运行模式为 “预测 / 检测”；

model=./runs/detect/train/weights/best.pt：指定训练好的最优模型权重路径（需替换为你实际的best.pt路径）；

source：待检测的文件 / 路径 —— 可以是单张图片路径、文件夹路径，甚至视频路径；

save=True：保存检测结果（会在runs/detect/predict目录生成带检测框的图片）；

可选参数：

conf=0.5：置信度阈值（只显示置信度≥0.5 的检测结果，可调整）；
device=0：指定显卡（0 为第一张显卡，cpu 为使用 CPU）；
show=True：检测后直接弹窗显示图片（仅桌面环境可用）。

二、Python 脚本指令（灵活可控，可集成自定义逻辑）

from ultralytics import YOLO
import os

# 1. 加载训练好的best.pt模型
model = YOLO("./runs/detect/train/weights/best.pt")  # 替换为你的best.pt实际路径

# 2. 执行检测（支持单张/文件夹/视频）
# 方式1：检测单张图片
results = model.predict(
    source="E:\biyesheji\test_images\fire_test.jpg",  # 单张图片路径
    save=True,                # 保存检测结果图片
    conf=0.5,                 # 置信度阈值
    device=0,                 # 指定显卡（0）或CPU（"cpu"）
    show=False                # 是否弹窗显示（False不显示，True显示）
)

# 方式2：检测指定文件夹下所有图片（注释方式1，取消注释方式2即可）
# results = model.predict(
#     source="E:\biyesheji\test_images",  # 图片文件夹路径
#     save=True,
#     conf=0.5,
#     device=0
# )

# 3. 打印检测结果（可选，查看详细信息）
for result in results:
    boxes = result.boxes  # 获取检测框信息
    print(f"检测到的目标数量：{len(boxes)}")
    for box in boxes:
        cls = box.cls  # 类别ID
        conf = box.conf  # 置信度
        xyxy = box.xyxy  # 检测框坐标（左上x, 左上y, 右下x, 右下y）
        print(f"类别：{model.names[int(cls)]}，置信度：{conf:.2f}，坐标：{xyxy}")

print(f"检测结果已保存到：{results[0].save_dir}")  # 打印结果保存路径

脚本使用说明：
替换model = YOLO(“你的best.pt路径”)中的路径为实际的best.pt位置；
替换source为你要检测的图片 / 文件夹路径；
运行脚本：python predict_fire.py；
检测结果会自动保存到runs/detect/predict目录（每次运行会生成新的 predict 文件夹，如 predict2、predict3）。

三、使用注意事项
路径格式：Windows 系统下路径建议用r"E:\xxx\test.jpg"或"E:\xxx\test.jpg"，避免转义字符报错；
模型路径：确保best.pt路径正确（训练后默认在runs/detect/train/weights/下）；
结果查看：检测后的图片会在runs/detect/predict目录下，文件名和原文件一致，图片上会标注检测框、类别、置信度。

常见问题

为什么调整训练集目录后，要删除指定的settings.yaml文件？

因为第一次训练后，会生成一个配置文件，里面填写的目录的绝对路径是固定的。如果不删除后，重新生成，会找不到训练集。 或者可以手动gengga

（如果是较新的源码版本，这里以及做了优化，可以不用管了）

为了避免这种情况，也可以更改源码为（如果是较新的源码版本，这里以及做了优化，可以不用管了）

vscode中查找指定代码

Ctrl+Shift+F 也会使输入法变成繁体字，记得切回来

一、当前文件内查找（精准定位单行 / 片段）
基础查找：打开目标文件，按 Ctrl+F，编辑器顶部弹出搜索框，输入关键词，匹配内容会高亮，按 Enter 定位下一个，Shift+Enter 定位上一个；点击搜索框旁 “×” 清空，勾选 “大小写匹配”“全字匹配” 可精准筛选。
查找替换：按 Ctrl+H，输入查找与替换内容，支持逐个替换或全部替换。
正则匹配：勾选搜索框旁 .* 图标，输入正则表达式（如 \d{4} 匹配 4 位数字），实现复杂模式查找。
当前文件符号定位：按 Ctrl+Shift+O，输入函数、类、变量名，快速跳转到对应定义处，输入 @: 可按类型筛选（如 @method）。

二、全局 / 工作区查找（跨文件检索）
打开全局搜索：按 Ctrl+Shift+F 或点击左侧活动栏 “搜索” 图标，打开全局搜索面板。
输入搜索内容：在顶部搜索框输入代码片段 / 关键词，下方实时显示所有匹配结果（含文件名、行数）。
限定搜索范围：
包含 / 排除文件：在 “files to include” 输入 *.js *.vue 等限定类型，“files to exclude” 输入路径 / 类型排除无关文件。
正则 / 大小写 / 全字匹配：通过面板上的开关启用，适配复杂搜索场景。
跳转与替换：双击结果跳转到对应位置；按 Ctrl+Shift+H 可全局批量替换。

三、符号与引用查找（定位定义 / 引用）
全局符号搜索：按 Ctrl+T，输入符号名（函数、类等），快速跨文件定位所有匹配符号。
查找引用：选中变量 / 函数名，按 Shift+F12 或右键选择 “Find All References”，列出所有引用位置，方便追踪代码调用。
快速打开文件：按 Ctrl+P，输入文件名快速定位文件，输入 @ 可在文件内搜符号，输入 : 可跳转到指定行号（如 index.js:120）。

四、进阶技巧
命令面板调用：按 Ctrl+Shift+P，输入 “Search: Find in Files”“Search: Find” 等命令，触发对应查找功能。
面包屑导航：编辑器顶部面包屑，点击文件夹、文件名、符号名，快速在代码间切换定位。