【YOLOV8】YOLOV8模型训练train及参数详解

介绍

     训练深度学习模型涉及为其提供数据并调整其参数，以便它能够做出准确的预测。Ultralytics YOLOv8 的训练模式专为有效、高效地训练目标检测模型而设计，充分利用现代硬件的能力。本指南旨在涵盖使用 YOLOv8 强大功能集训练自定义模型所需的所有细节，帮助你快速入门。

为什么选择 Ultralytics YOLO 进行训练？

1. 高效性：无论是单 GPU 设置还是跨多个 GPU 扩展，都能充分利用你的硬件。
2. 多功能性：除了常见的 COCO、VOC 和 ImageNet等数据集外，还可以在自定义数据集上进行训练。
3. 用户友好： 简单而强大的 CLI 和Python 接口，提供简洁的训练体验。
4. 超参数灵活性：广泛的可定制超参数，能够微调模型性能。

训练模式的关键功能

以下是YOLOV8训练模式下显著特点：

1. 自动数据集下载： 首次使用时，标准数据集如 COCO、VOC 和 ImageNet 会自动下载。
2. 多 GPU 支持：无缝扩展训练至多个 GPU，加快训练过程。
3. 超参数配置：可以通过 YAML 配置文件或 CLI 参数修改超参数。
4. 可视化和监控：实时跟踪训练指标，并可视化学习过程，提供更深入的见解。

使用示例

Python代码：

# 训练
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)
# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])
1
2
3
4
5
6

CLI：

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1
1

关于coco8.yaml配置文件解析：https://blog.csdn.net/qq_42761751/article/details/141088871?spm=1001.2014.3001.5501

恢复中断训练

    从先前保存的状态恢复训练是处理深度学习模型时一项关键功能。在多种情况下，这项功能都非常有用，比如当训练过程意外中断时，或者当你希望使用新数据或延长训练周期继续训练模型时。恢复训练时，Ultralytics YOLO 会加载上次保存的模型权重，并恢复优化器状态、学习率调度器和轮次编号，从而让你可以无缝地从中断的地方继续训练。

Python代码：

# 中断后继续训练
from ultralytics import YOLO
# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model
# Resume training
results = model.train(resume=True)
1
2
3
4
5
6

CLI：

yolo train resume model=path/to/last.pt
1

默认情况下，检查点会在每个训练周期结束时保存，或者可以使用 save_period 参数在固定间隔内保存。因此，你必须至少完成一个训练周期才能恢复训练。

训练参数设置

YOLO 模型的训练设置包括在训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和精度。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外，优化器的选择、损失函数以及训练数据集的组成也会对训练过程产生影响。通过对这些设置进行仔细调整和实验，对于优化性能至关重要。

注意Batch-size设置：

batch 参数可以通过三种方式配置：

1. 固定批量大小：设置一个整数值（例如，batch=16），直接指定每个批次的图像数量。
2. 自动模式（60% GPU 内存）：使用 batch=-1，自动调整批量大小，以实现约 60% 的 CUDA 内存利用率。
3. 带有利用率比例的自动模式：设置一个比例值（例如，batch=0.70），根据指定的 GPU 内存使用比例调整批量大小。

数据增强设置及超参数

增强技术对于提升 YOLO 模型的鲁棒性和性能至关重要，通过引入训练数据的数据增强，帮助模型更好地泛化到未见数据。下表概述了每个增强参数的目的和效果：

这些设置可以根据数据集和任务的具体要求进行调整。尝试不同的值可以帮助找到最佳的增强策略，从而实现最佳的模型性能。

本文参考：
https://docs.ultralytics.com/modes/train/#why-choose-ultralytics-yolo-for-training