YOLOv8参数详解

1.训练参数

YOLOv8的全部参数表在 train -Ultralytics YOLOv8 文档

Key	默认值	Description
model	None	指定用于训练的模型文件。接受指向 `.pt` 预训练模型或 `.yaml` 配置文件。对于定义模型结构或初始化权重至关重要。
data	None	数据集配置文件的路径（例如 `coco128.yaml`).该文件包含特定于数据集的参数，包括训练数据和验证数据的路径、类名和类数。
epochs	100	训练历元总数。每个历元代表对整个数据集进行一次完整的训练。调整该值会影响训练时间和模型性能.
time	None	最长训练时间（小时）。如果设置了该值，则会覆盖 `epochs` 参数，允许训练在指定的持续时间后自动停止。对于时间有限的训练场景非常有用
patience	100	在验证指标没有改善的情况下，提前停止训练所需的轮数。当性能趋于平稳时停止训练，有助于防止过度拟合。
batch	16	训练的批量大小，表示在更新模型内部参数之前要处理多少张图像。自动批处理 (`batch=-1`)会根据 GPU 内存可用性动态调整批处理大小。
imgsz	640	用于训练的目标图像尺寸。所有图像在输入模型前都会被调整到这一尺寸。影响模型精度和计算复杂度。
save	True	可保存训练检查点和最终模型权重。这对恢复训练或模型部署非常有用。
save_period	-1	保存模型检查点的频率，以 epochs 为单位。值为-1 时将禁用此功能。该功能适用于在长时间训练过程中保存临时模型。
cache	False	在内存中缓存数据集图像 (`True`/`ram`）、磁盘 (`disk`），或禁用它 (`False`).通过减少磁盘 I/O 提高训练速度，但代价是增加内存使用量
device	None	指定用于训练的计算设备：单个 GPU (`device=0`）、多个 GPU (`device=0,1`)、CPU (`device=cpu`)，或苹果芯片的 MPS (`device=mps`).
workers	8	加载数据的工作线程数（每 `RANK` 多 GPU 训练）。影响数据预处理和输入模型的速度，尤其适用于多 GPU 设置。一般在windows中设置为 0
project	None	保存训练结果的项目目录名称。允许有组织地存储不同的实验
name	None	训练运行的名称。用于在project文件夹内创建一个子目录，用于存储训练日志和输出结果。project/name
exist_ok	False	如果为 True，则允许覆盖现有的项目/名称目录。这对迭代实验非常有用，无需手动清除之前的输出.
pretrained	True	决定是否从预处理模型开始训练。可以是布尔值，也可以是加载权重的特定模型的字符串路径。提高训练效率和模型性能。
optimizer	auto	为训练选择优化器。选项包括 `SGD`, `Adam`, `AdamW`, `NAdam`, `RAdam`, `RMSProp` 等，或 `auto` 用于根据模型配置进行自动选择。影响收敛速度和稳定性
verbose	False	在训练过程中启用冗长输出，提供详细日志和进度更新。有助于调试和密切监控培训过程。
seed	0	为训练设置随机种子，确保在相同配置下运行的结果具有可重复性
deterministic	True	强制使用确定性算法，确保可重复性，但由于对非确定性算法的限制，可能会影响性能和速度。
single_cls	False	在训练过程中将多类数据集中的所有类别视为单一类别。适用于二元分类任务，或侧重于对象的存在而非分类。如果设置为 True，将会将多类数据视为单一类别进行训练。
rect	False	可进行矩形训练，优化批次组成以减少填充。这可以提高效率和速度，但可能会影响模型的准确性
cos_lr	False	利用余弦学习率调度器，根据历时的余弦曲线调整学习率。这有助于管理学习率，实现更好的收敛。
close_mosaic	10	在训练完成前禁用最后 N 个轮次的马赛克数据增强以稳定训练。设置为 0 则禁用此功能。
resume	False	从上次保存的检查点恢复训练。自动加载模型权重、优化器状态和历时计数，无缝继续训练。
amp	True	启用自动混合精度 (AMP) 训练，可减少内存使用量并加快训练速度，同时将对精度的影响降至最低。
fraction	1.0	指定用于训练的数据集的部分。允许在完整数据集的子集上进行训练，这对实验或资源有限的情况非常有用。
profile	False	在训练过程中，可对ONNX 和TensorRT 速度进行剖析，有助于优化模型部署
freeze	None	冻结模型的前 N 层或按索引指定的层，从而减少可训练参数的数量。这对微调或迁移学习非常有用。
lr0	0.01	初始学习率（即 `SGD=1E-2`, `Adam=1E-3`) .调整这个值对优化过程至关重要，会影响模型权重的更新速度
lrf	0.01	最终学习率占初始学习率的百分比 = (`lr0 * lrf`)，与调度程序结合使用，随着时间的推移调整学习率。
momentum	0.937	用于 SGD 的动量因子，或用于 Adam 优化器的 beta1，用于将过去的梯度纳入当前更新
weight_decay	0.0005	L2 正则化项，对大权重进行惩罚，以防止过度拟合。
warmup_epochs	3.0	学习率预热的历元数，学习率从低值逐渐增加到初始学习率，以在早期稳定训练
warmup_momentum	0.8	热身阶段的初始动力，在热身期间逐渐调整到设定动力。
warmup_bias_lr	0.1	热身阶段的偏置参数学习率，有助于稳定初始历元的模型训练。
box	7.5	损失函数中边框损失部分的权重，影响对准确预测边框坐标的重视程度。
cls	0.5	分类损失在总损失函数中的权重，影响正确分类预测相对于其他部分的重要性。
dfl	1.5	分布焦点损失权重，在某些YOLO 版本中用于精细分类。
pose	12.0	姿态损失在姿态估计模型中的权重，影响准确预测姿态关键点的重点。
kobj	2.0	姿态估计模型中关键点对象性损失的权重，在检测可信度和姿态精度之间取得平衡。
label_smoothing	0.0	应用标签平滑，将硬标签软化为目标标签和标签均匀分布的混合标签，可以提高泛化效果
nbs	64	用于损耗正常化的标称批量大小
overlap_mask	True	决定在训练过程中分割掩码是否应该重叠，适用于实例分割任务。
mask_ratio	4	分割掩码的下采样率，影响训练时使用的掩码分辨率
dropout	0.0	分类任务中正则化的放弃率，通过在训练过程中随机省略单元来防止过拟合
val	True	可在训练过程中进行验证，以便在单独的数据集上对模型性能进行定期评估。
plots	False	生成并保存训练和验证指标图以及预测示例图，以便直观地了解模型性能和学习进度。

2.验证参数

Key	类型	默认值	Description
`data`	`str`	`None`	指定数据集配置文件的路径（如 `coco128.yaml`).该文件包括验证数据的路径、类名和类数。
`imgsz`	`int`	`640`	定义输入图像的尺寸。所有图像在处理前都会调整到这一尺寸。
`batch`	`int`	`16`	设置每批图像的数量。使用 `-1` 的自动批处理功能，可根据 GPU 内存可用性自动调整。
`save_json`	`bool`	`False`	如果 `True`此外，还可将结果保存到 JSON 文件中，以便进一步分析或与其他工具集成。
`save_hybrid`	`bool`	`False`	如果 `True`，保存混合版本的标签，将原始注释与额外的模型预测相结合。
`conf`	`float`	`0.001`	设置检测的最小置信度阈值。置信度低于此阈值的检测将被丢弃。
`iou`	`float`	`0.6`	设置非最大抑制 (NMS) 的交叉重叠 (IoU) 阈值。有助于减少重复检测。
`max_det`	`int`	`300`	限制每幅图像的最大检测次数。在密度较高的场景中非常有用，可以防止检测次数过多。
`half`	`bool`	`True`	可进行半精度（FP16）计算，减少内存使用量，在提高速度的同时，将对精度的影响降至最低。
`device`	`str`	`None`	指定验证设备 (`cpu`, `cuda:0`等）。可灵活利用 CPU 或 GPU 资源。
`dnn`	`bool`	`False`	如果 `True`它使用 OpenCV DNN 模块进行ONNX 模型推断，为PyTorch 推断方法提供了一种替代方法。
`plots`	`bool`	`False`	当设置为 `True`此外，它还能生成并保存预测结果与地面实况的对比图，以便对模型的性能进行可视化评估。
`rect`	`bool`	`False`	如果 `True`该软件使用矩形推理进行批处理，减少了填充，可能会提高速度和效率。
`split`	`str`	`val`	确定用于验证的数据集分割 (`val`, `test`或 `train`).可灵活选择数据段进行性能评估。

3.预测参数

Key	类型	默认值	Description
`source`	`str`	`'ultralytics/assets'`	指定推理的数据源。可以是图像路径、视频文件、目录、URL 或用于实时馈送的设备 ID。支持多种格式和来源，可灵活应用于不同类型的输入。
`conf`	`float`	`0.25`	设置检测的最小置信度阈值。如果检测到的对象置信度低于此阈值，则将不予考虑。调整该值有助于减少误报。
`iou`	`float`	`0.7`	非最大抑制 (NMS) 的交叉重叠 (IoU) 阈值。较低的数值可以消除重叠的方框，从而减少检测次数，这对减少重复检测非常有用。
`imgsz`	`int or tuple`	`640`	定义用于推理的图像大小。可以是一个整数 `640` 或一个（高、宽）元组。适当调整大小可以提高检测精度和处理速度。
`half`	`bool`	`False`	启用半精度（FP16）推理，可加快支持的 GPU 上的模型推理速度，同时将对精度的影响降至最低。
`device`	`str`	`None`	指定用于推理的设备（例如：......）、 `cpu`, `cuda:0` 或 `0`).允许用户选择 CPU、特定 GPU 或其他计算设备来执行模型。
`max_det`	`int`	`300`	每幅图像允许的最大检测次数。限制模型在单次推理中可检测到的物体总数，防止在密集场景中产生过多输出。
`vid_stride`	`int`	`1`	视频输入的帧间距。允许跳过视频中的帧，以加快处理速度，但会牺牲时间分辨率。值为 1 时处理每一帧，值越大跳帧越多。
`stream_buffer`	`bool`	`False`	确定在处理视频流时是否对所有帧进行缓冲 (`True`)，或者模型是否应该返回最近的帧 (`False`).适用于实时应用。
`visualize`	`bool`	`False`	在推理过程中激活模型特征的可视化，从而深入了解模型 "看到 "了什么。这对调试和模型解释非常有用。
`augment`	`bool`	`False`	可对预测进行测试时间增强（TTA），从而在牺牲推理速度的情况下提高检测的鲁棒性。
`agnostic_nms`	`bool`	`False`	启用与类别无关的非最大抑制 (NMS)，可合并不同类别的重叠方框。这在多类检测场景中非常有用，因为在这种场景中，类的重叠很常见。
`classes`	`list[int]`	`None`	根据一组类别 ID 过滤预测结果。只有属于指定类别的检测结果才会返回。在多类检测任务中，该功能有助于集中检测相关对象。
`retina_masks`	`bool`	`False`	如果模型中存在高分辨率的分割掩膜，则使用高分辨率的分割掩膜。这可以提高分割任务的掩膜质量，提供更精细的细节。
`embed`	`list[int]`	`None`	指定从中提取特征向量或嵌入的层。这对聚类或相似性搜索等下游任务非常有用。

预测可视化参数：

Key	类型	默认值	Description
`show`	`bool`	`False`	如果 `True`在一个窗口中显示注释的图像或视频。有助于在开发或测试过程中提供即时视觉反馈。
`save`	`bool`	`False`	可将注释的图像或视频保存到文件中。这有助于记录、进一步分析或共享结果。
`save_frames`	`bool`	`False`	处理视频时，将单个帧保存为图像。这对提取特定帧或逐帧进行详细分析非常有用。
`save_txt`	`bool`	`False`	将检测结果保存在文本文件中，格式如下 `[class] [x_center] [y_center] [width] [height] [confidence]`.有助于与其他分析工具集成。
`save_conf`	`bool`	`False`	在保存的文本文件中包含置信度分数。增强了后期处理和分析的细节。
`save_crop`	`bool`	`False`	保存经过裁剪的检测图像。可用于数据集扩充、分析或为特定物体创建重点数据集。
`show_labels`	`bool`	`True`	在可视输出中显示每次检测的标签。让用户立即了解检测到的物体。
`show_conf`	`bool`	`True`	在标签旁显示每次检测的置信度得分。让人了解模型对每次检测的确定性。
`show_boxes`	`bool`	`True`	在检测到的物体周围绘制边界框。对于图像或视频帧中物体的视觉识别和定位至关重要。
`line_width`	`None or int`	`None`	指定边界框的线宽。如果 `None`根据图像大小自动调整线宽。提供可视化定制，使图像更加清晰。

1.训练参数

2.验证参数

3.预测参数

相关推荐

最近更新

热门阅读