RT-DETR(Ultralytics)训练参数总结及翻译

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 SGD、 Adam 、 AdamW 、 NAdam 、 RAdam 、  RMSProp 等，或者根据型号配置自动选择 auto 。影响收敛速度和稳定性。
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。