总结yolov8做检测训练时所需要的代码

运行模型训练脚本代码:

大家可以先在ultralytics/ultralytics文件夹下新建一个 mytrain.py，然后直接复制下面的代码，所有训练有关的超参数都可以在这个文件中调节，不懂超参数可以忽略，这里我说一下比较重要的几个参数:

import sys              # 强制扫描导入使用本地ultralytics这个包
sys.path.append("E:/ultralytics")       # 改为文件所在的目录地址
from ultralytics import YOLO

if __name__ == '__main__':
    # 加载模型
    # model = YOLO("yolov8n.yaml")  # 从头开始构建新模型
    model = YOLO("yolov8n.pt").Load("yolov8n.pt")  # 加载预训练模型（推荐用于训练）
    # 训练参数 ---------------------------------------------------------------------------
    model.train(
        data=r'coco128.yaml',
        epochs=20,  # (int) 训练的周期数
        patience=50,  # (int) 等待无明显改善以进行早期停止的周期数
        batch=8,  # (int) 每批次的图像数量（-1 为自动批处理）
        imgsz=640,  # (int) 输入图像的大小，整数或w，h
        save=True,  # (bool) 保存训练检查点和预测结果
        save_period=-1,  # (int) 每x周期保存检查点（如果小于1则禁用）
        cache=False,  # (bool) True/ram、磁盘或False。使用缓存加载数据
        device='',  # (int | str | list, optional) 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu
        workers=8,  # (int) 数据加载的工作线程数（每个DDP进程）
        project='runs/train',  # (str, optional) 项目名称
        name='exp',  # (str, optional) 实验名称，结果保存在'project/name'目录下
        exist_ok=False,  # (bool) 是否覆盖现有实验
        pretrained=True,  # (bool | str) 是否使用预训练模型（bool），或从中加载权重的模型（str）
        optimizer='SGD',  # (str) 要使用的优化器，选择=[SGD，Adam，Adamax，AdamW，NAdam，RAdam，RMSProp，auto]
        verbose=True,  # (bool) 是否打印详细输出
        seed=0,  # (int) 用于可重复性的随机种子
        deterministic=True,  # (bool) 是否启用确定性模式
        single_cls=False,  # (bool) 将多类数据训练为单类
        rect=False,  # (bool) 如果mode='train'，则进行矩形训练，如果mode='val'，则进行矩形验证
        cos_lr=False,  # (bool) 使用余弦学习率调度器
        close_mosaic=0,  # (int) 在最后几个周期禁用马赛克增强
        resume=False,  # (bool) 从上一个检查点恢复训练
        amp=True,  # (bool) 自动混合精度（AMP）训练，选择=[True, False]，True运行AMP检查
        fraction=1.0,  # (float) 要训练的数据集分数（默认为1.0，训练集中的所有图像）
        profile=False,  # (bool) 在训练期间为记录器启用ONNX和TensorRT速度
        freeze= None,  # (int | list, 可选) 在训练期间冻结前 n 层，或冻结层索引列表。
        # 分割
        overlap_mask=True,  # (bool) 训练期间是否应重叠掩码（仅适用于分割训练）
        mask_ratio=4,  # (int) 掩码降采样比例（仅适用于分割训练）
        # 分类
        dropout=0.0,  # (float) 使用丢弃正则化（仅适用于分类训练）
        # 超参数 ----------------------------------------------------------------------------------------------
        lr0=0.01,  # (float) 初始学习率（例如，SGD=1E-2，Adam=1E-3）
        lrf=0.01,  # (float) 最终学习率（lr0 * lrf）
        momentum=0.937,  # (float) SGD动量/Adam beta1
        weight_decay=0.0005,  # (float) 优化器权重衰减 5e-4
        warmup_epochs=3.0,  # (float) 预热周期（分数可用）
        warmup_momentum=0.8,  # (float) 预热初始动量
        warmup_bias_lr=0.1,  # (float) 预热初始偏置学习率
        box=7.5,  # (float) 盒损失增益
        cls=0.5,  # (float) 类别损失增益（与像素比例）
        dfl=1.5,  # (float) dfl损失增益
        pose=12.0,  # (float) 姿势损失增益
        kobj=1.0,  # (float) 关键点对象损失增益
        label_smoothing=0.0,  # (float) 标签平滑（分数）
        nbs=64,  # (int) 名义批量大小
        hsv_h=0.015,  # (float) 图像HSV-Hue增强（分数）
        hsv_s=0.7,  # (float) 图像HSV-Saturation增强（分数）
        hsv_v=0.4,  # (float) 图像HSV-Value增强（分数）
        degrees=0.0,  # (float) 图像旋转（+/- deg）
        translate=0.1,  # (float) 图像平移（+/- 分数）
        scale=0.5,  # (float) 图像缩放（+/- 增益）
        shear=0.0,  # (float) 图像剪切（+/- deg）
        perspective=0.0,  # (float) 图像透视（+/- 分数），范围为0-0.001
        flipud=0.0,  # (float) 图像上下翻转（概率）
        fliplr=0.5,  # (float) 图像左右翻转（概率）
        mosaic=1.0,  # (float) 图像马赛克（概率）
        mixup=0.0,  # (float) 图像混合（概率）
        copy_paste=0.0,  # (float) 分割复制-粘贴（概率）
    )
metrics = model.val()  # 评估模型在验证集上的性能
#results = model("ultralytics/data/images/bus.jpg")  # 预测图像
path = model.export(format="onnx")  # 将模型导出为 ONNX 格式

# 来自 @小胡学长 进口 YOLO

yolo():这个参数里面可以写你模型yaml文件的路径，也可以直接写.pt 文件

yolo().load():如果你不加.load()，那就是不使用权重从头训练，加了就是使用权重迁移学习

data:数据集yaml文件的路径epochs训练轮数

batch： batch size大小

cache:设置成True可以加速训练

patience:早停轮数，不想设置早停的话，可以把这个值设置成一个非常大的数

optimizer:优化器，最新版应该是提供了7种，注释有写包含哪几种，还可以设置成auto

close_mosaic:最后多少轮关闭马赛克数据增强，这是一种训练技巧，很有效，一般设置10-30

resume:断点续训，一个最实用的参数，直接在这里写你断了的那轮的last.pt的路径就接上了

single_cls:数据集是单个类别的时候记得开启，不开其实也没事

cos_Ir：是否开启余弦学习率

label_smoothing:数据集标注质量很差的时候可以考虑给这个参数设置个0.1-0.5

device:多GPU训练时这里直接写一个列表，比如[e，1]

精简版训练代码

import sys              # 强制扫描导入使用本地ultralytics这个包
sys.path.append("/home/aistudio/ultralytics-v8.1.0")       # 改为文件所在的目录地址
from ultralytics import YOLO
 
if __name__ == '__main__':
    # 加载模型
    model = YOLO("yolov8n.yaml")  # 从头开始构建新模型
    # model = YOLO("yolov8n.pt")  # 加载预训练模型（推荐用于训练）
    # 训练参数 ---------------------------------------------------------------------------
    model.train(
        data='/home/aistudio/data/data.yaml',
        epochs=300,  # (int) 训练的周期数
        patience=50,  # (int) 等待无明显改善以进行早期停止的周期数
        batch=16,  # (int) 每批次的图像数量（-1 为自动批处理）
        imgsz=640,  # (int) 输入图像的大小，整数或w，h
        save=True,  # (bool) 保存训练检查点和预测结果
        save_period=-1,  # (int) 每x周期保存检查点（如果小于1则禁用）
        cache=False,  # (bool) True/ram、磁盘或False。使用缓存加载数据
        device='0',  # (int | str | list, optional) 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu
        workers=2,  # (int) 数据加载的工作线程数（每个DDP进程）
        project='runs/train',  # (str, optional) 项目名称
        name='exp',  # (str, optional) 实验名称，结果保存在'project/name'目录下
        exist_ok=False,  # (bool) 是否覆盖现有实验
    )
path = model.export(format="onnx")  # 将模型导出为 ONNX 格式
metrics = model.val()  # 评估模型在验证集上的性能
# results = model("ultralytics/data/images/bus.jpg")  # 预测图像

 
# 来自 @小胡学长 进口 YOLO
 
 
 

---

模型转换为ONNX格式

将YOLOv8模型转换为ONNX格式是一个常见的步骤，特别是在需要将模型部署到不同的平台或使用不同的推理引擎时。

ONNX（Open Neural Network Exchange）是一个开放格式，用于表示机器学习模型，允许模型在不同的框架之间共享。

虽然前面的脚本已经集成了模型转换为ONNX格式的代码，但是我还是想单独说说，毕竟有时候我只是需要转换，并不需要训练。

pip install torch onnx==1.16.1 onnx-simplifier        #如果你没安装onnx的话，请先下载。
 
 
#如果装了最新版的onnx 报动态链接库问题，用下面的方法解决
https://blog.csdn.net/qq_38702496/article/details/141052666

如果上面的你已经安装过了，可以直接看下面的代码：

 1、命令行模式

yolo export model=yolov8n.pt format=onnx simplify=True imgsz=640 output=yolov8n.onnx

2、代码模式

import torch
import onnx
from ultralytics import YOLO
 
# 加载YOLOv8模型
model = YOLO('./best.pt')
 
# 设置输入大小
img_size = 640
 
# 创建一个示例输入
dummy_input = torch.randn(1, 3, img_size, img_size)
 
# 定义输出文件名
output_onnx_file = 'yolov8.onnx'
 
# 转换为ONNX格式
torch.onnx.export(
    model,
    dummy_input,
    output_onnx_file,
    input_names=['input'],
    output_names=['output'],
    dynamic_axes={
        'input': {0: 'batch_size'},
        'output': {0: 'batch_size'}
    },
    opset_version=11
)
 
print(f'Model has been converted to ONNX format and saved to {output_onnx_file}')

简化模型

为了提高模型的性能，你可以使用onnx-simplifier来简化ONNX模型。简化后的模型通常更小、更快。

import onnxsim
 
# 加载ONNX模型
onnx_model = onnx.load('yolov8.onnx')
 
# 简化模型
simplified_model, check = onnxsim.simplify(onnx_model)
 
# 检查简化后的模型是否与原始模型一致
assert check, "Simplified model is not equivalent to the original model"
 
# 保存简化后的模型
onnx.save(simplified_model, 'yolov8_simplified.onnx')
print('Simplified ONNX model saved.')

3、两种方法的区别

简化模型：
命令行工具 通过--simplify参数自动简化模型。
Python脚本 需要手动调用onnx-simplifier进行简化。
 
输入大小：
命令行工具：通过--imgsz参数指定输入大小。
Python脚本：通过脚本中的dummy_input显式指定输入大小。
 
输出文件名：
命令行工具：通过--output参数指定输出文件名。
Python脚本：通过脚本中的output_onnx_file变量指定输出文件名。

4、验证模型

换后的ONNX模型应该进行验证，确保其输出与原始PyTorch模型一致。你可以使用以下代码片段来验证：

import onnxruntime
import numpy as np
 
# 加载简化后的ONNX模型
ort_session = onnxruntime.InferenceSession('yolov8_simplified.onnx')
 
# 创建一个示例输入
dummy_input_np = np.random.rand(1, 3, img_size, img_size).astype(np.float32)
 
# 推理
ort_inputs = {ort_session.get_inputs()[0].name: dummy_input_np}
ort_outs = ort_session.run(None, ort_inputs)
 
# 使用PyTorch模型进行推理
torch_out = model(dummy_input)
 
# 比较ONNX和PyTorch的输出
np.testing.assert_allclose(torch_out.cpu().detach().numpy(), ort_outs[0], rtol=1e-03, atol=1e-05)
print("Exported model has been successfully tested with ONNXRuntime!")