参数名称 | 默认值 | 描述 |
---|---|---|
model | None | 指定用于训练的模型文件。接受 .pt 预训练模型或 .yaml 配置文件的路径。对于定义模型结构或初始化权重至关重要。 |
data | None | 数据集配置文件的路径(例如, coco8.yaml )。该文件包含特定于数据集的参数,包括到训练和验证数据的路径、类名和类数。 |
epochs | 100 | 训练周期总数。每个epoch代表整个数据集的完整传递。调整这个值会影响训练时间和模型性能。 |
time | None | 最大培训时间(以小时为单位)。如果设置了,这将覆盖 epochs 参数,允许训练在指定的持续时间后自动停止。对于时间限制的训练场景非常有用。 |
patience | 100 | 在早期停止训练之前,在验证度量没有改进的情况下等待的epoch数。当表现停滞时,停止训练有助于防止过度拟合。 |
batch | 16 | 批量大小,有三种模式:设置为整数(例如 batch=16 ),自动模式为60%的GPU内存利用率( batch=-1 ),或自动模式为指定的利用率分数( batch=0.70 )。 |
imgsz | 640 | 用于训练的目标图像大小。所有图像在输入到模型之前都会被调整到这个尺寸。影响模型精度和计算复杂度。 |
save | True | 允许保存训练检查点和最终模型权重。用于恢复训练或模型部署。 |
save_period | -1 | 保存模型检查点的频率,以epoch指定。值为-1时禁用此特性。用于在长时间的训练期间保存临时模型。 |
cache | False | 启用在内存( True / ram )、磁盘( disk )或禁用( False )中缓存数据集图像。以增加内存使用为代价,通过减少磁盘I/O来提高训练速度。 |
device | None | 指定用于训练的计算设备:单个GPU ( device=0 ),多个GPU ( device=0,1 ), CPU ( device=cpu ),或用于Apple芯片的MPS ( device=mps )。 |
workers | 8 | 用于数据加载的工作线程数(per RANK 如果是多gpu训练)。影响数据预处理和输入模型的速度,在多gpu设置中特别有用。 |
project | None | 保存培训输出的项目目录名称。允许有组织地存储不同的实验。 |
name | None | 训练运行的名称。用于在项目文件夹中创建子目录,用于存储培训日志和输出。 |
exist_ok | False | 如果为True,则允许覆盖现有的项目/名称目录。可用于迭代实验,无需手动清除先前的输出。 |
pretrained | True | 确定是否从预训练的模型开始训练。可以是布尔值或到要从中加载权重的特定模型的字符串路径。提高培训效率和模型性能。 |
optimizer | 'auto' | 训练优化器的选择。选项包括 |
verbose | False | 支持训练期间的详细输出,提供详细的日志和进度更新。用于调试和密切监视培训过程。 |
seed | 0 | 为训练设置随机种子,确保在相同配置的运行中结果的可重复性。 |
deterministic | True | 强制使用确定性算法,确保再现性,但由于对非确定性算法的限制,可能会影响性能和速度。 |
single_cls | False | 在训练期间将多类数据集中的所有类视为单个类。用于二元分类任务或关注对象存在而不是分类时。 |
rect | False | 使矩形训练,优化批量组成最小填充。可以提高效率和速度,但可能会影响模型的准确性。 |
cos_lr | False | 利用余弦学习率调度程序,调整学习率后,余弦曲线的epoch。有助于管理学习率以实现更好的收敛。 |
close_mosaic | 10 | 在最后N次迭代中禁用马赛克数据增强,以在完成之前稳定训练。设置为0禁用此功能。 |
resume | False | 从上次保存的检查点恢复训练。自动加载模型权重、优化器状态和历元计数,无缝地继续训练。 |
amp | True | 支持自动混合精度(AMP)训练,减少内存使用,并可能在对准确性影响最小的情况下加速训练。 |
fraction | 1.0 | 指定要用于训练的数据集的部分。允许在完整数据集的子集上进行训练,对于实验或资源有限时非常有用。 |
profile | False | 允许在训练期间对ONNX和TensorRT速度进行分析,有助于优化模型部署。 |
freeze | None | 通过索引冻结模型的前N层或指定层,减少可训练参数的数量。用于微调或迁移学习。 |
lr0 | 0.01 | 最初的学习速率(即 SGD=1E-2 , Adam=1E-3 )。调整此值对于优化过程至关重要,它会影响模型权重更新的速度。 |
lrf | 0.01 | 最终学习率作为初始学习率的一部分= ( lr0 * lrf ),与调度器一起使用以随时间调整学习率。 |
momentum | 0.937 | SGD的动量因子或Adam优化器的beta1,影响当前更新中过去梯度的整合。 |
weight_decay | 0.0005 | L2正则化项,惩罚大权重以防止过拟合。 |
warmup_epochs | 3.0 | 学习率预热的epoch数,从一个较低的学习率逐渐增加到初始学习率,以稳定早期的训练。 |
warmup_momentum | 0.8 | 热身阶段的初始动量,在热身期间逐渐调整到设定的动量。 |
warmup_bias_lr | 0.1 | 预热阶段偏差参数的学习率,有助于稳定初始阶段的模型训练。 |
box | 7.5 | 损失函数中盒损失分量的权重,影响对准确预测边界盒坐标的重视程度。 |
cls | 0.5 | 总损失函数中分类损失的权重,影响正确分类预测相对于其他成分的重要性。 |
dfl | 1.5 | 分布焦点损失的权重,在某些YOLO版本中用于细粒度分类。 |
pose | 12.0 | 姿态估计模型中姿态损失的权重,影响了对准确预测姿态关键点的重视。 |
kobj | 2.0 | 姿态估计模型中关键点目标损失的权重,平衡检测置信度和姿态精度。 |
label_smoothing | 0.0 | 应用标签平滑,软化硬标签的混合目标标签和均匀分布的标签,可以提高泛化。 |
nbs | 64 | 归一化损失的标称批量大小。 |
overlap_mask | True | 确定在训练期间分割掩码是否应该重叠,适用于实例分割任务。 |
mask_ratio | 4 | 分割蒙版的下采样率,影响训练时使用的蒙版的分辨率。 |
dropout | 0.0 | 分类任务中正则化的失败率,通过在训练过程中随机省略单元来防止过拟合。 |
val | True | 在训练期间启用验证,允许在单独的数据集上定期评估模型性能。 |
plots | False | 生成并保存训练和验证度量的图,以及预测示例,提供对模型性能和学习进展的可视化洞察。 |
YOLOv8训练参数总结及翻译
于 2024-06-29 22:51:34 首次发布