超详细深入理解YOLOv8配置参数：了解多种任务计算机视觉模型训练_模型验证coco128

目录

yolov8导航

YOLOv8（附带各种任务详细说明链接）

ultralytics/ultralytics/cfg/default.yaml

训练模式和任务类型参数

 训练参数

训练期间验证和测试参数

预测部分相关参数

可视化部分相关参数

模型导出部分相关参数

训练超参数相关参数

ultralytics/cfg/datasets/XXXX.yaml

图像分类配置方法

目标检测配置方法

实例分割配置方法

姿态估计配置方法

训练、验证和测试集路径配置

关键点配置

类别字典

总结

---

yolov8导航

        如果大家想要了解关于yolov8的其他任务和相关内容可以点击这个链接，我这边整理了许多其他任务的说明博文，后续也会持续更新，包括yolov8模型优化、sam等等的相关内容。

YOLOv8（附带各种任务详细说明链接）

        在YOLOV8进行训练的时候，了解训练相关的配置文件以及参数的含义与说明是很有必要的。当然在不同的任务中这些参数不是通用的。具体什么样的参数更优，还需要实际的去做实验进行比较。

ultralytics/ultralytics/cfg/default.yaml

        文件包含了用于训练、评估和部署 YOLO 模型的默认设置和超参数。这个文件作为一个配置文件，为模型的各种操作提供了标准化的参数和设置。

训练模式和任务类型参数

        这些参数主要用于定义模型的基本运行模式和任务类型。在实际应用中，应根据具体需求和场景选择合适的 task 和 mode。例如，如果目的是在一个新的数据集上训练一个目标检测模型，那么 task 应设置为 detect，而 mode 应设置为 train。

 训练参数

        这些参数涵盖了从模型选择和数据配置到训练细节和优化策略的多个方面。

训练期间验证和测试参数

         这些参数主要涉及模型在训练期间的验证和测试设置，以及结果的保存和展示方式。正确地配置这些参数对于模型性能评估和优化至关重要。

预测部分相关参数

         这部分参数主要涉及模型的预测过程，包括输入源的设置、视频处理的配置、结果的可视化和类别过滤等。正确配置这些参数可以帮助更好地利用模型进行图像和视频的预测分析。

可视化部分相关参数

        这部分参数主要用于控制预测结果的可视化和输出方式。适当调整这些参数可以帮助更好地理解和展示模型的预测结果，特别是在开发和调试阶段。根据需求，可以开启或关闭某些功能，以获取最佳的可视化效果。 

模型导出部分相关参数

         这些参数主要涉及将训练好的YOLOv8模型导出为不同格式，以便于在不同平台和应用场景中部署。合理选择和配置这些参数对于模型的有效部署和性能优化至关重要。

训练超参数相关参数

         这些超参数涉及学习率调整、优化器配置、损失函数加权、数据增强策略等多个方面。合理地调整这些参数对于训练有效的模型至关重要。

ultralytics/cfg/datasets/XXXX.yaml

        进行模型训练时，配置数据集是必不可少的，本文中直接以官方所提供的coco.yaml、coco-pose.yaml等等配置文件进行举例，同时要注意，本文后续进行训练时候，标签文件格式均使用txt格式数据进行演示。如果是voc(xml)格式的数据需要转换成txt，这个转换脚本我会在后续的博客中发布出来。

图像分类配置方法

        图像分类的配置方法比较特殊，同时他也是这里面配置方法最简单的，以mnist160数据为例：

from ultralytics import YOLO
 
 
# 加载模型
model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt')  # 从YAML构建并转移权重
 
 
if __name__ == '__main__':
    # 训练模型
    results = model.train(data='./mnist160', epochs=10, imgsz=64)

        在这段代码中，model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt') 是加载指定了模型类型和结构，并且读取预训练权重。results = model.train(data='./mnist160', epochs=10, imgsz=64)这行代码中，data='./mnist160' 是明确的指定了数据所在的文件夹地址。参考结构如下：

 mnist160/
│
├── train/             # 训练集
│   ├── 0/             # 类别0的文件夹
│   │   ├── 0001.png
│   │   ├── 0002.png
│   │   └── ...
│   ├── 1/             # 类别1的文件夹
│   │   ├── 0001.png
│   │   ├── 0002.png
│   │   └── ...
│   ├── ...
│   └── 9/             # 类别9的文件夹
│       ├── 0001.png
│       ├── 0002.png
│       └── ...
│
└── val/               # 验证集
    ├── 0/             # 类别0的文件夹
    │   ├── 1001.png
    │   ├── 1002.png
    │   └── ...
    ├── 1/             # 类别1的文件夹
    │   ├── 1001.png
    │   ├── 1002.png
    │   └── ...
    ├── ...
    └── 9/             # 类别9的文件夹
        ├── 1001.png
        ├── 1002.png
        └── ...
 

如果这个目录结构看的不明显可以参考这个图片：

 

         以这种形式把自己的数据集按类别放到指定目录下，即可执行训练。

目标检测配置方法

       

        目标检测是一项任务，涉及辨识图像或视频流中物体的位置和类别。目标检测器的输出是一组围绕图像中物体的边界框，以及每个框的类别标签和置信度得分。当您需要识别场景中的感兴趣对象，但不需要准确了解物体的位置或其确切形状时，目标检测是一个很好的选择。

        这份代码是基于目标检测执行训练的代码，以官方默认的coco128.yaml作为例子进行演示：

from ultralytics import YOLO
 
 
# 加载模型
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # 从YAML构建并转移权重
 
if __name__ == '__main__':
    # 训练模型
    results = model.train(data='coco128.yaml', epochs=100, imgsz=640)

        程序中，data='coco128.yaml' 直接这么填写，ultralytics模型指向的是 ultralytics\cfg\datasets 目录，也可以自定义一个目录，自定义的时候则需要填入绝对路径，或者在data='./coco128.yaml'变为相对路径。

# 示例使用方法: yolo train data=coco128.yaml
# 目录结构
# parent
# ├── ultralytics
# └── datasets
#     └── coco128  ← 这里下载 (7 MB)
 
 
path: ../datasets/coco128  # 数据集根目录，也可以自行修改指定其他目录，绝对目录，相对目录均可
# C:/Users/admin/Desktop/datasets/coco128/ 比如这样，把下载的数据或者自己的数据指定好
train: images/train2017  # 训练图片 (相对于 'path') 接上面path的路径继续拼接
val: images/train2017  # 验证图片 (相对于 'path') 接上面path的路径继续拼接
test:  # 测试图片 (可选)
 
# 对应的数据类别
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush
 
# 下载脚本/URL (可选) 如果没有指定的数据就是想测试，就打开这个代码，程序会自动把这个数据下载下来
download: https://ultralytics.com/assets/coco128.zip

         在这个配置文件中，我们定义了训练、验证和测试图像的路径，列出了数据集中的所有类别，并提供了数据集的下载链接（如果可用）。请确保这些路径和类别与您的实际数据集相符。如果您使用的是自己的数据集，需要相应地调整 path、train、val、test 和 names 部分。

实例分割配置方法

        实例分割比物体检测有所深入，它涉及到识别图像中的个别物体并将它们从图像的其余部分中分割出来。

        实例分割模型的输出是一组蒙版或轮廓，用于勾画图像中每个物体，以及每个物体的类别标签和置信度分数。实例分割在您需要不仅知道图像中的物体位置，还需要知道它们确切形状时非常有用。

下面这份代码是训练实例分割时的示意代码：

from ultralytics import YOLO
 
 
# 读取预训练模型
model = YOLO('yolov8n-seg.pt')
 
# 执行训练
results = model.train(data='coco128-seg.yaml', epochs=100, imgsz=640)

        在 ultralytics 中进行训练实例分割任务的时候和目标检测任务都非常相似，其实主要区别就是读取不同的yaml或pt文件，以及数据集格式区别不同，剩下的数据集配置的路径结构都是一致的。

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8-seg  # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test:  # test images (optional)
 
# Classes (80 COCO classes)
names:
  0: person
  1: bicycle
  2: car
  # ...
  77: teddy bear
  78: hair drier
  79: toothbrush

        如果您有自己的数据集，并希望将其用于训练具有 Ultralytics YOLO 格式的分割模型，请确保它遵循上面在“Ultralytics YOLO 格式”下指定的格式。将注释转换为所需的格式，并在 YAML 配置文件中指定路径、类数和类名。

姿态估计配置方法

        姿态估计是一项任务，其涉及识别图像中特定点的位置，通常被称为关键点。这些关键点可以代表物体的各种部位，如关节、地标或其他显著特征。关键点的位置通常表示为一组2D [x, y] 或3D [x, y, visible] 坐标。姿态估计模型的输出是一组点集，这些点代表图像中物体上的关键点，通常还包括每个点的置信度得分。当你需要在场景中识别物体的特定部位及其相互之间的位置时，姿态估计是一个不错的选择。

        训练示意代码如下：

from ultralytics import YOLO
 
 
# Load a model
model = YOLO('yolov8n-pose.pt')  # load a pretrained model (recommended for training)
 
# Train the model
results = model.train(data='coco128-pose.yaml', epochs=100, imgsz=640)

        基本训练的代码不同的任务实现的方法都是非常一致的，最大的差异都是数据集，后续我会单独针对每个任务都出一套数据集去详细的说明每种任务是如何复现。姿态估计时任务数据的yaml配置格式如下：

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8-pose  # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test:  # test images (optional)
 
# Keypoints
kpt_shape: [17, 3]  # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]
 
# Classes dictionary
names:
  0: person

        上面的配置文件同样包含以下信息，这个跟目标前侧以及实例分割略有些区别我会详细解释下：

训练、验证和测试集路径配置

• path: 数据集的根目录路径。这是包含所有图像的顶层文件夹。
• train: 训练图像的相对路径。例如，如果训练图像位于根目录下的 images/train 文件夹内，则这里填写 images/train。
• val: 验证图像的相对路径。类似地，如果验证图像位于 images/val 文件夹内，则填写 images/val。
• test: （可选）测试图像的路径。如果有单独的测试集，则在此处指定路径。

关键点配置

• kpt_shape: 关键点的数量和维度。[17, 3] 表示有17个关键点，每个关键点有3个维度（通常是x坐标、y坐标和一个可见性标志）。
• flip_idx: 翻转索引，用于处理图像翻转时关键点的对应关系。这对于对称物体（如人脸或人体）特别重要。例如，[0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15] 表示每个关键点在翻转时应该映射到的新位置。

类别字典

• names: 列出了数据集中的类别及其对应的索引。例如，0: person 表示索引0对应于“person”类别。这是模型进行类别识别的基础。

         这个配置文件为YOLOv8模型提供了必要的信息，以正确地加载和处理用于姿态估计的数据集。正确设置这些参数对于模型的训练效果至关重要。

总结

         本文详细介绍了YOLOv8项目的配置文件结构，特别是训练模型时使用的各种参数及其含义。YOLOv8是一个高级的对象检测框架，支持多种计算机视觉任务，包括图像分类、目标检测、实例分割和姿态估计。通过配置文件，用户可以定制模型的行为，以适应特定的数据集和应用需求。每个任务类型都需要对应的数据集格式和特定的配置文件。这些配置文件中的参数和设置决定了模型的训练和预测行为，以及最终的性能和效果。通过适当调整这些参数，用户可以优化模型以满足特定的性能要求和应用场景。如果有哪里写的不够清晰，小伙伴本可以给评论或者留言，我这边会尽快的优化博文内容，另外如有需要，我这边可支持技术答疑与支持。