YOLOv8 训练、验证、推理
1、训练：train.py
训练时比较重要的几个参数:
YOLO(): 这个参数里面可以写你模型 yam 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，加了就是使用使用预训练权重训练data:数据集 yaml 文件的路径epochs: 训练轮数batch:batch size的大小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autoclose_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10-30resume: 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_lr: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0.1-0.5device:多 GPu 训练时这里直接写一个列表，比如[0，1]
from ultralytics import YOLO
if __name__ == '__main__':
# 加载模型
model = YOLO(r'yolov8.yaml') # 不使用预训练权重训练
# model = YOLO(r'yolov8.yaml').load("yolov8n.pt") # 使用预训练权重训练
# 训练参数 ----------------------------------------------------------------------------------------------
model.train(
data=r'coco128.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=32, # (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）
)
2、推理：detect.py
from ultralytics import YOLO
if __name__ == '__main__':
# 加载模型
model = YOLO(r'yolov8n.pt') # YOLOv8n模型
model.predict(
source=r'ultralytics/assets/bus.jpg',
save=True, # 保存预测结果
imgsz=640, # 输入图像的大小，可以是整数或w，h
conf=0.25, # 用于检测的目标置信度阈值（默认为0.25，用于预测，0.001用于验证）
iou=0.45, # 非极大值抑制 (NMS) 的交并比 (IoU) 阈值
show=False, # 如果可能的话，显示结果
project='runs/predict', # 项目名称（可选）
name='exp', # 实验名称，结果保存在'project/name'目录下（可选）
save_txt=False, # 保存结果为 .txt 文件
save_conf=True, # 保存结果和置信度分数
save_crop=False, # 保存裁剪后的图像和结果
show_labels=True, # 在图中显示目标标签
show_conf=True, # 在图中显示目标置信度分数
vid_stride=1, # 视频帧率步长
line_width=3, # 边界框线条粗细（像素）
visualize=False, # 可视化模型特征
augment=False, # 对预测源应用图像增强
agnostic_nms=False, # 类别无关的NMS
retina_masks=False, # 使用高分辨率的分割掩码
boxes=True, # 在分割预测中显示边界框
)
3、验证：val.py
验证时比较重要的参数：
YOLO(): 这里写你想要验证的权重的路径，如best.ptdata:这里写自己数据集 yaml 文件的路径split:写val就是看验证集的指标，写 test 就是看测试集的指(前提是划分了测试集)batch：测试速度时一般都设置成1（验证比较稳定），设置越大，速度越快
from ultralytics import YOLO
if __name__ == '__main__':
# 加载模型
model = YOLO(r'xx\xx\best.pt')
# 验证模型
metrics=model.val(
val=True, # (bool) 在训练期间进行验证/测试
data=r'my_data.yaml',
split='val', # (str) 用于验证的数据集拆分，例如'val'、'test'或'train'
batch=1, # (int) 每批的图像数量（-1 为自动批处理）
imgsz=640, # 输入图像的大小，可以是整数或w，h
device='', # 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu
workers=8, # 数据加载的工作线程数（每个DDP进程）
save_json=False, # 保存结果到JSON文件
save_hybrid=False, # 保存标签的混合版本（标签 + 额外的预测）
conf=0.001, # 检测的目标置信度阈值（默认为0.25用于预测，0.001用于验证）
iou=0.6, # 非极大值抑制 (NMS) 的交并比 (IoU) 阈值
project='runs/val', # 项目名称（可选）
name='exp', # 实验名称，结果保存在'project/name'目录下（可选）
max_det=300, # 每张图像的最大检测数
half=False, # 使用半精度 (FP16)
dnn=False, # 使用OpenCV DNN进行ONNX推断
plots=True, # 在训练/验证期间保存图像
)
print(f"mAP50-95: {metrics.box.map}") # map50-95
print(f"mAP50: {metrics.box.map50}") # map50
print(f"mAP75: {metrics.box.map75}") # map75
speed_metrics = metrics.speed
total_time = sum(speed_metrics.values())
fps = 1000 / total_time
print(f"FPS: {fps}") # FPS
整理不易，关注和收藏后拿走！
欢迎专注我的公众号：AdaCoding 和 Github：AdaCoding123
扫一扫
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
