YOLOv8训练好模型后，追加轮数继续训练、或者提前终止训练，缩减训练轮数_yolov8 在训练好的模型上继续训练

一、前言

而且此教程适用的情况是你已经训练好了此模型，想继续追加一些轮数。比如训练进度是120/120，已经完成了，继续追加10轮，或者你原先定的是200轮，希望缩减到150轮，可以使用我说的这个方法。为什么缩减也要改一些东西呢？我直接不训练了不就可以了吗？这是因为没有训练完所有epoch，不会输出P、PR曲线等指标；或者说你不想一直盯着看，希望准确地缩减到某轮数，自动停止。

如果你不需要追加训练，只想缩减训练，那么直接看这个博客即可：YOLOv8断点恢复、减少训练轮数、提前终止。这篇博客是本篇博客的一个子集。如果想追加，那下面这些必须全都做。也就是说，项追加训，必须得先实现删减轮数的功能…

以下内容全在trainer.py中进行。前言这部分讲原理，如果不想看，可以直接看二部分。
1.对一个已经训练好的模型，也就是规定100轮，然后也训练了100轮，做了下实验：

    def resume_training(self, ckpt):
        """Resume YOLO training from given epoch and best fitness."""
        if ckpt is None:
            return
        best_fitness = 0.0
        ...
        start_epoch = ckpt["epoch"] + 1
        print(ckpt)
		...
1
2
3
4
5
6
7
8
9

输出结果：

{'epoch': -1, 'best_fitness': None,...}
1

说明训练好后，ckpt[“epoch”]会变成-1，然而我找了一下午也没找到入口在哪里，**知道的同学可以告诉我一下吗？谢谢。**解释一下，这里的ckpt是存储在权重文件，也就是xxx.pt中的一个字典。

2.另外，打印save_dir的路径：

def __init__(self, cfg=DEFAULT_CFG, overrides=None, _callbacks=None):

        self.args = get_cfg(cfg, overrides)
        self.resume_epochs = self.args.epochs
        self.check_resume(overrides)
        print(self.args.save_dir)
1
2
3
4
5
6

发现结果是报错，而这个参数在未训练完成时，是"runs/detect/train"。对比情况如下：
这说明训练完后，这个save_dir参数被自动删掉了，而这个参数是指引上一次训练结果输出的位置的。所以，这个参数被删掉也会使得resume时不会读上一次训练的目录，而是新创一个。被删除的原因应该和1一样，是在训练完成后自动被处理的。我也没找到具体代码，但我觉得可能在callback函数里，知道的大佬可以告诉我一下吗？

综上，我们要做的就是把save_dir和ckpt[epoch]这两个参数手动恢复。

二、修改方法

注意添加的代码位置，最好跟我位置一样。
步骤1.在trainer.py的__init__() 构造函数里，先用一个变量接收config的epochs

    def __init__(self, cfg=DEFAULT_CFG, overrides=None, _callbacks=None):
        """
        Initializes the BaseTrainer class.

        Args:
            cfg (str, optional): Path to a configuration file. Defaults to DEFAULT_CFG.
            overrides (dict, optional): Configuration overrides. Defaults to None.
        """
        self.args = get_cfg(cfg, overrides)
        ################修改处################
        self.resume_epochs = self.args.epochs# 添加变量接收config，即你规定的epochs
        ######################################
        self.check_resume(overrides)
		...
		...
		...

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

步骤2. 在check_resume里，添加上一次训练的输出位置，并且恢复self.epochs

    def check_resume(self, overrides):
        """Check if resume checkpoint exists and update arguments accordingly."""
        resume = self.args.resume
        if resume:
            try:
                ...
                ckpt_args = attempt_load_weights(last).args
                #####################修改处↓#####################
                ckpt_args["save_dir"] = "runs\\detect\\train"# <--- 修改处
                #####################修改处↑####################
                ...
				self.args = get_cfg(ckpt_args)
                ############修改处#####################
                self.args.epochs = self.resume_epochs #重新覆盖self.args.epochs数值 
                #######################################
                self.args.model = str(last)  # reinstate model
            	...
            	...
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

步骤3. 手动添加上次训练好的模型的终止epoch数-1。比如上次我训练了120轮，结束了，我这里就要写120-1=119。一定要-1哈。 因为我们是手动添加的epoch，所以要注意，这个数加进去之后，我们要多注意，我详细说下：刚才不是说了吗，如果在训练过程中，这个epoch是正常的，所以我们手动设置了ckpt[“epoch”]后，训练过程中，它是会正常变化的。但训练完后，还会变成-1，如果像继续训练，则要继续改。这里要一直注意到这个参数，会比较动态。比如我们从训练完的120轮再追加30轮，训练到150轮后，epoch又变成-1，如果我们再想追加10轮，那么这里要改成150-1=149，然后继续训练。

    def resume_training(self, ckpt):
        """Resume YOLO training from given epoch and best fitness."""
        if ckpt is None:
            return
        best_fitness = 0.0
        ###############################
        if ckpt["epoch"] == -1:  #修改处
        	ckpt["epoch"] = 119 # 修改处
        ################################
        start_epoch = ckpt["epoch"] + 1
        ...
1
2
3
4
5
6
7
8
9
10
11

步骤4. 修改你的启动训练参数，比如，120 -> 150

from ultralytics import YOLO
if __name__ == '__main__':

    model = YOLO("runs\\detect\\train\\weights\\last.pt")
    results = model.train(data="C:\\Users\\Administrator\\Desktop\\ultralytics-main\\ultralytics-main\\ultralytics\\datasets\\mask\\data.yaml", epochs=150, batch=4, workers=2, resume=True, device=0)

1
2
3
4
5
6

结束，效果如下，我从训练完的120轮有追加了1轮。