yolov8训练参数讲解

背景：

最近使用yolo8算法训练了一个视频中手势识别的项目，打算重点深入的研究一下yolo8算法。

训练命令：

yolo train model = yolov8x.pt data = myhand.yaml epochs = 350 batch=8

使用 nohup命令在linux服务器上挂载训练并保留日志的命令如下：

nohup yolo train model = yolov8x.pt data = myhand.yaml epochs = 350 batch=8 > result20231101.out 2>&1& 

实际训练中的参数呈现：

task=detect, mode=train, model=yolov8n.pt, data=myhand.yaml, epochs=20, patience=50, batch=16, 
imgsz=640, save=True, save_period=-1, cache=False, device=None, workers=8, project=None, name=None, 
exist_ok=False, pretrained=True, optimizer=auto, verbose=True, seed=0, deterministic=True, single_cls=False, 
rect=False, cos_lr=False, close_mosaic=10, resume=False, amp=True, fraction=1.0, profile=False, overlap_mask=True,
 mask_ratio=4, dropout=0.0, val=True, split=val, save_json=False, save_hybrid=False, conf=None, iou=0.7, max_det=300, 
 half=False, dnn=False, plots=True, source=None, show=False, save_txt=False, save_conf=False, save_crop=False, show_labels=True, 
 show_conf=True, vid_stride=1, line_width=None, visualize=False, augment=False, agnostic_nms=False, classes=None, 
 retina_masks=False, boxes=True, format=torchscript, keras=False, optimize=False, int8=False, dynamic=False, simplify=False,
 opset=None, workspace=4, nms=False, lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, 
 warmup_bias_lr=0.1, box=7.5, cls=0.5, dfl=1.5, pose=12.0, kobj=1.0, label_smoothing=0.0, nbs=64, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, 
 degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, mosaic=1.0, mixup=0.0, copy_paste=0.0, 
 cfg=None, tracker=botsort.yaml, save_dir=runs/detect

关于参数的讲解：

官网(Ultralytics YOLOv8 Modes - Ultralytics YOLOv8 Docs)提供的全部参数展示：

Arguments(官方)

Training settings for YOLO models refer to the various hyperparameters and configurations used to train the model on a dataset. These settings can affect the model's performance, speed, and accuracy. Some common YOLO training settings include the batch size, learning rate, momentum, and weight decay. Other factors that may affect the training process include the choice of optimizer, the choice of loss function, and the size and composition of the training dataset. It is important to carefully tune and experiment with these settings to achieve the best possible performance for a given task(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。这些设置可能会影响模型的性能、速度和精度。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。可能影响训练过程的其他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。重要的是要仔细调整和试验这些设置，以实现给定任务的最佳性能).

Key	Value	Description
model	None	path to model file, i.e. yolov8n.pt, yolov8n.yaml
data	None	path to data file, i.e. coco128.yaml
epochs	100	number of epochs to train for
patience	50	epochs to wait for no observable improvement for early stopping of training
batch	16	number of images per batch (-1 for AutoBatch)
imgsz	640	size of input images as integer
save	True	save train checkpoints and predict results
save_period	-1	Save checkpoint every x epochs (disabled if < 1)
cache	False	True/ram, disk or False. Use cache for data loading
device	None	device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu
workers	8	number of worker threads for data loading (per RANK if DDP)
project	None	project name
name	None	experiment name
exist_ok	False	whether to overwrite existing experiment
pretrained	True	(bool or str) whether to use a pretrained model (bool) or a model to load weights from (str)
optimizer	'auto'	optimizer to use, choices=[SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto]
verbose	False	whether to print verbose output
seed	0	random seed for reproducibility
deterministic	True	whether to enable deterministic mode
single_cls	False	train multi-class data as single-class
rect	False	rectangular training with each batch collated for minimum padding
cos_lr	False	use cosine learning rate scheduler
close_mosaic	10	(int) disable mosaic augmentation for final epochs (0 to disable)
resume	False	resume training from last checkpoint
amp	True	Automatic Mixed Precision (AMP) training, choices=[True, False]
fraction	1.0	dataset fraction to train on (default is 1.0, all images in train set)
profile	False	profile ONNX and TensorRT speeds during training for loggers
freeze	None	(int or list, optional) freeze first n layers, or freeze list of layer indices during training
lr0	0.01	initial learning rate (i.e. SGD=1E-2, Adam=1E-3)
lrf	0.01	final learning rate (lr0 * lrf)
momentum	0.937	SGD momentum/Adam beta1
weight_decay	0.0005	optimizer weight decay 5e-4
warmup_epochs	3.0	warmup epochs (fractions ok)
warmup_momentum	0.8	warmup initial momentum
warmup_bias_lr	0.1	warmup initial bias lr
box	7.5	box loss gain
cls	0.5	cls loss gain (scale with pixels)
dfl	1.5	dfl loss gain
pose	12.0	pose loss gain (pose-only)
kobj	2.0	keypoint obj loss gain (pose-only)
label_smoothing	0.0	label smoothing (fraction)
nbs	64	nominal batch size
overlap_mask	True	masks should overlap during training (segment train only)
mask_ratio	4	mask downsample ratio (segment train only)
dropout	0.0	use dropout regularization (classify train only)
val	True	validate/test during training

参数解读 

1. model ✰✰✰✰✰

model: 模型文件路径。该参数指定了所使用的模型文件位置，如 yolov8n.pt 或 yolov8n.yaml。

模型格式(pt和yaml)

模型格式通常可以选择.pt和.yaml结构，主要区别如下：.pt类型的文件是从预训练模型的基础上进行训练。若我们选择 yolov8n.pt这种.pt类型的文件，其实里面是包含了模型的结构和训练好的参数的，也就是说拿来就可以用，就已经具备了检测目标的能力了，yolov8n.pt能检测coco中的80个类别。假设你要检测不同种类的狗，那么yolov8n.pt原本可以检测狗的能力对你训练应该是有帮助的，你只需要在此基础上提升其对不同狗的鉴别能力即可。但如果你需要检测的类别不在其中，例如口罩检测，那么就帮助不大。
      .yaml文件是从零开始训练。采用yolov8n.yaml这种.yaml文件的形式，在文件中指定类别，以及一些别的参数。

模型种类（n,s,m,l,x）

像 YOLOv8x 和 YOLOv8x6 这样较大模型几乎在所有情况下都会产生更好的结果，但参数量更大，需要更多的显卡内存来训练，并且运行速度更慢。ultralytics团队对不同模型的性能进行了测试，效果如下：

从结果来看，yolo8算法的准确性和速度性能值得推荐。

不同版本模型下载地址:https://github.com/ultralytics/assets/releases/tag/v0.0.0

模型说明(字母说明)

s：这是 YOLO 系列中最小的模型。“s” 代表 “small”（小）。该模型在计算资源有限的设备上表现最佳，如移动设备或边缘设备。YOLOv5s 的检测速度最快，但准确度相对较低。
m：这是 YOLO 系列中一个中等大小的模型。“m” 代表 “medium”（中）。m 在速度和准确度之间提供了较好的平衡，适用于具有一定计算能力的设备。
l：这是 YOLO 系列中一个较大的模型。“l” 代表 “large”（大）。l 的准确度相对较高，但检测速度较慢。适用于需要较高准确度，且具有较强计算能力的设备。
x：这是 YOLO系列中最大的模型。“x” 代表 “extra large”（超大）。x 在准确度方面表现最好，但检测速度最慢。适用于需要极高准确度的任务，且具有强大计算能力（如 GPU）的设备。
n：这是 YOLO 系列中的一个变体，专为 Nano 设备（如 NVIDIA Jetson Nano）进行优化。n 在保持较快速度的同时，提供适用于边缘设备的准确度。
 

2. data ✰✰✰✰✰

data: 数据文件的路径。该参数指定了数据集文件的位置，例如 coco128.yaml。数据集文件包含了训练和验证所需的图像、标签。

数据设置方式

1.指定训练图片所在的路径文件夹

2.指定训练数据集的图片的文件

3.指定训练数据集的图片的文件夹集合

该方式与方法1类似，只是指定的是多个文件夹而已。

3. epochs ✰✰✰

epochs: 训练的轮数。这个参数确定了模型将会被训练多少次，每一轮都遍历整个训练数据集。训练的轮数越多，模型对数据的学习就越充分，但也增加了训练时间。

选取策略

默认是100轮数。但一般对于新数据集，我们还不知道这个数据集学习的难易程度，可以加大轮数，例如300，来找到更佳性能。

4. patience

patience: 早停的等待轮数。在训练过程中，如果在一定的轮数内没有观察到模型性能的明显提升，就会停止训练。这个参数确定了等待的轮数，如果超过该轮数仍没有改进，则停止训练。

参数性能说明

早停能减少过拟合。过拟合(overfitting)指的是只能拟合训练数据, 但不能很好地拟合不包含在训练数据中的其他数据的状态，通俗点说就是，训练集效果很好，但是模型泛化能力很差。

5. batch ✰✰✰✰✰

batch: 每个批次中的图像数量。在训练过程中，数据被分成多个批次进行处理，每个批次包含一定数量的图像。这个参数确定了每个批次中包含的图像数量。特殊的是，如果设置为**-1**，则会自动调整批次大小，至你的显卡能容纳的最多图像数量。

选取策略

一般认为batch越大越好。因为我们的batch越大我们选择的这个batch中的图片更有可能代表整个数据集的分布，从而帮助模型学习。但batch越大占用的显卡显存空间越多，所以还是有上限的。

6. imgsz ✰✰✰✰✰

• imgsz: 输入图像的尺寸。这个参数确定了输入图像的大小。可以指定一个整数值表示图像的边长，也可以指定宽度和高度的组合。例如640表示图像的宽度和高度均为640像素。 

选取策略

如果数据集中存在大量小对象，增大输入图像的尺寸imgsz可以使得这些小对象从高分辨率中受益，更好的被检测出。从官网放出的性能表也可以看出。

 

7. save、save_period ✰✰✰

• save: 是否保存训练的检查点和预测结果。当训练过程中保存检查点时，模型的权重和训练状态会被保存下来，以便在需要时进行恢复或继续训练。预测结果也可以被保存下来以供后续分析和评估。

• save_period: 保存检查点的间隔。这个参数确定了保存检查点的频率，例如设置为10表示每隔10个训练轮数保存一次检查点。如果设置为负数（如-1），则禁用保存检查点功能。

和resume配合

和resume配合可以在训练不稳定中断后再进行接着训练。例如大家白嫖Colab这个平台训练网络时，一般是有时间限制，会出现时间到了我们还没训练完的情况。通过save然后再resume重新启动可以进行接着训练。

8. cache

• cache: 数据加载时是否使用缓存。这个参数控制是否将数据加载到缓存中，以加快训练过程中的数据读取速度。可以选择在 RAM 内存中缓存数据（True/ram）、在磁盘上缓存数据（disk）或不使用缓存（False）。

9. device ✰✰✰✰✰

        device: 训练运行的设备。该参数指定了模型训练所使用的设备，例如使用 GPU 运行可以指定为 cuda device=0，或者使用多个 GPU 运行可以指定为 device=0,1,2,3，如果没有可用的 GPU，可以指定为 device=cpu 使用 CPU 进行训练。

10. workers ✰✰✰

• workers: 数据加载时的工作线程数。在数据加载过程中，可以使用多个线程并行地加载数据，以提高数据读取速度。这个参数确定了加载数据时使用的线程数，具体的最佳值取决于硬件和数据集的大小。

11. project

• project: 项目名称。这个参数用于标识当前训练任务所属的项目，方便管理和组织多个训练任务。

12. name

• name: 实验名称。该参数为当前训练任务指定一个名称，以便于标识和区分不同的实验。

13. exist_ok

• exist_ok: 是否覆盖现有的实验。如果设置为 True，当实验名称已经存在时，将会覆盖现有实验。如果设置为 False，当实验名称已经存在时，将会报错。

14. pretrained

• pretrained: 是否使用预训练模型。如果设置为 True，将加载预训练的模型权重进行训练，这有助于加快训练过程和提高模型性能。

15. optimizer

• optimizer: 选择要使用的优化器。优化器是深度学习中用于调整模型参数以最小化损失函数的算法。可以选择不同的优化器，如 ‘SGD’、‘Adam’、‘AdamW’、‘RMSProp’，根据任务需求选择适合的优化器。

16. verbose

• verbose: 是否打印详细输出。如果设置为 True，训练过程中会输出更详细的信息和日志。如果设置为 False，只会输出关键信息和结果。

17. seed

• seed: 随机种子，用于实现可重复性。通过设置相同的随机种子，可以使得每次运行时的随机过程保持一致，以便于结果的复现。

18. deterministic

• deterministic: 是否启用确定性模式。启用确定性模式后，保证在相同的输入下，每次运行的结果是确定的，不会受到随机性的影响。

19. single_cls

• single_cls: 将多类数据训练为单类。如果设置为 True，将会将多类数据视为单一类别进行训练。

20. rect

• rect: 使用矩形训练，每个批次进行最小填充。设置为 True 后，训练过程中使用矩形形状的图像批次，并进行最小化填充。

21. cos_lr

• cos_lr: 使用余弦学习率调度器。如果设置为 True，将使用余弦函数调整学习率的变化情况。

22. close_mosaic

• close_mosaic: 禁用mosaic增强的最后第几个轮次。可以指定一个整数值，表示在训练的最后第几个轮次中禁用mosaic增强。

23. resume

• resume: 从最后一个检查点恢复训练。如果设置为 True，将从最后一个检查点的状态继续训练。

24. amp

• amp: 是否使用自动混合精度（Automatic Mixed Precision，AMP）训练。AMP 是一种深度学习训练技术，利用半精度浮点数加速训练过程，可以减少显存占用。

25. lr0

• lr0: 初始学习率。学习率是控制模型参数更新步幅的超参数，初始学习率确定了训练开始时的参数更新速度。

26. lrf

• lrf: 最终学习率。最终学习率是通过初始学习率乘以一个比例系数得到的，用于控制训练过程中学习率的衰减。

27. momentum

• momentum: SGD 优化器的动量/Adam 优化器的 beta1。动量是一种加速梯度下降过程的技术，用于增加参数更新的稳定性。

28. weight_decay

• weight_decay: 优化器的权重衰减（weight decay）。权重衰减是一种正则化技术，用于减小模型复杂度，防止过拟合。

29. warmup_epochs

• warmup_epochs: 热身阶段的轮数。热身阶段是训练过程中初始阶段的一部分，在此阶段内，学习率和动量等参数逐渐增加，以帮助模型更好地适应训练数据。

30. warmup_momentum

• warmup_momentum: 热身阶段的初始动量。在热身阶段开始时，动量的初始值。

31. warmup_bias_lr

• warmup_bias_lr: 热身阶段的初始偏置学习率。在热身阶段开始时，偏置学习率的初始值。

32. box、cls

• box: 边界框损失权重。用于调整边界框损失的权重，以控制其在总损失中的贡献程度。
• cls: 类别损失权重。用于调整类别损失的权重，以控制其在总损失中的贡献程度（按像素进行缩放）。

33. dfl

• dfl: DFL（Dynamic Freezing Loss）损失权重。用于调整 DFL 损失的权重，以控制其在总损失中的贡献程度。

34. pose

• pose: 姿态损失权重（仅姿态）。用于调整姿态损失的权重，以控制其在总损失中的贡献程度（仅应用于姿态相关任务）。

35. kobj

• kobj: 关键点目标损失权重（仅姿态）。用于调整关键点目标损失的权重，以控制其在总损失中的贡献程度（仅应用于姿态相关任务）。

36. label_smoothing

• label_smoothing: 标签平滑（label smoothing）。标签平滑是一种正则化技术，用于减少模型对训练数据的过拟合程度。

37. nbs

• nbs: 标准批次大小（nominal batch size）。指定训练过程中每个批次的大小。

38. overlap_mask

• overlap_mask: 训练时是否要求蒙版重叠（仅用于分割训练）。如果设置为 True，要求训练过程中的蒙版（mask）重叠。

39. mask_ratio

• mask_ratio: 蒙版下采样比例（仅用于分割训练）。用于控制蒙版下采样的比例。

40. dropout

• dropout: 是否使用丢弃正则化（dropout regularization）（仅用于分类训练）。如果设置为非零值，则在训练过程中使用丢弃正则化来减少模型的过拟合。

41. val

• val: 是否在训练过程中进行验证/测试。如果设置为 True，将在训练过程中进行验证或测试，以评估模型的性能。