YOLOv8官方教程：如何训练模型

一、简介

本文介绍YOLOv8如何在单GPU、多GPU和Apple设备上训练数据。

二、YOLOv8的优点

• 效率：充分榨干硬件性能，无论是单GPU还是多GPU
• 多功能性：可以在 COCO、VOC 和 ImageNet数据集上训练模型，包括自定义数据集
• 用户友好：可以用命令行快速启动训练，也可以用几行python代码启动
• 超参数灵活性：各种可定制的超参数可微调模型性能。

train模式特色

以下是 YOLOv8 Train 模式的一些显着特点：

• 自动下载数据集：首次使用时会自动下载 COCO、VOC 和 ImageNet 等标准数据集。
• 多 GPU 支持：能够加快训练速度。
• 超参数配置：通过 YAML 配置文件或 CLI 参数修改超参数的选项。
• 可视化和监控：可视化训练指标和训练过程。

YOLOv8 数据集（例如 COCO、VOC、ImageNet 等）会在首次使用时自动下载，即yolo train data=coco.yaml

三、训练

在 COCO128 数据集上，训练输入图像分辨率为 640X640， 训练 YOLOv8n 100 个epoch。有关训练参数的完整列表，请参阅下面的参数部分。

3.1 单 GPU 和 CPU 训练示例

有GPU代码自动使用GPU，没有就自动切换为CPU训练。
python代码：
【重要的事情说三遍】：

• yolov8n.yaml yolov8n.pt coco128.yaml自动下载
• yolov8n.yaml yolov8n.pt coco128.yaml自动下载
• yolov8n.yaml yolov8n.pt coco128.yaml自动下载

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)

或者在命令行执行（以下三条指令，选择执行一条就行）：

# Build a new model from YAML and start training from scratch
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

3.2 多GPU训练

如果你有多个显卡，可以使用参数指定训练显卡。默认使用第0块显卡。

多GPU训练示例python代码：

from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
# Train the model with 2 GPUs
results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device=[0, 1])

或者使用命令行

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1

3.3 Apple M1 和 M2 MPS 训练

Apple自带处理器也可以用来加速训练。小数据集还差不多，数据集一大，肯定卡得一匹。
python代码：

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device='mps')

或者使用下面命令行：

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

3.4 恢复中断的训练

下面是如何使用 Python 和通过命令行恢复中断的训练的示例：
python代码：

from ultralytics import YOLO
# Load a model
model = YOLO('path/to/last.pt')  # load a partially trained model
# Resume training
results = model.train(resume=True)

或者在命令行执行：

# Resume an interrupted training
yolo train resume model=path/to/last.pt

通过设置resume=True，该train函数将使用存储在“path/to/last.pt”文件中的状态从停止的地方继续训练。如果resume省略参数或将其设置为False，则train函数将开始新的训练会话。
请记住，默认情况下，检查点会在每个 epoch 结束时保存，或者使用参数以固定间隔保存save_period，因此您必须完成至少 1 个 epoch 才能恢复训练运行。

四、其他参数

YOLO 模型的训练设置是指用于在数据集上训练模型的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。一些常见的 YOLO 训练设置包括批量大小、学习率、动量和权重衰减。其他可能影响训练过程的因素包括优化器的选择、损失函数的选择以及训练数据集的大小和组成。仔细调整和试验这些设置以获得给定任务的最佳性能非常重要。
(下表翻译看看就好)

五、训练Log

在训练 YOLOv8 模型时，需要记录下训练过程中，模型的loss，各项性能指标等。Ultralytics 的 YOLO 提供对三种类型记录器的支持 - Comet、ClearML 和 TensorBoard。只需要安装这些库，训练过程总将自动调用。我推荐tensorboard。

5.1 Comet

Comet是一个允许数据科学家和开发人员跟踪、比较、解释和优化实验和模型的平台。它提供实时指标、代码差异和超参数跟踪等功能。

使用彗星：

# pip install comet_ml
import comet_ml
comet_ml.init()

请记住在其网站上登录您的 Comet 帐户并获取您的 API 密钥。您需要将其添加到环境变量或脚本中以记录实验。

5.2 ClearML

ClearML是一个开源平台，可自动跟踪实验并帮助高效共享资源。它旨在帮助团队更有效地管理、执行和重现他们的机器学习工作。

要使用 ClearML：

# pip install clearml
import clearml

clearml.browser_login()

运行此脚本后，您需要在浏览器上登录您的 ClearML 帐户并验证您的会话。

5.3 TensorBoard

TensorBoard是 TensorFlow 的可视化工具包。它允许您可视化 TensorFlow 图、绘制有关图执行情况的定量指标，并显示其他数据（例如通过图的图像）。Pytorch也可以用它进行可视化。

要在Google Colab中使用 TensorBoard ：

load_ext tensorboard
tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

要在本地使用 TensorBoard，请运行以下命令并在 http://localhost:6006/ 查看结果。

tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

这将加载 TensorBoard 并将其定向到保存训练日志的目录。例如：下图是我实际训练后，使用tensorboard在浏览器中可视化效果：