学习记录
目录
参数
model 传入的model.yaml文件或者model.pt文件,用于构建网络和初始化,不同点在于只传yaml文件的话参数会随机初始化
data 训练数据集的配置yaml文件
epochs 训练轮次,默认100
patience 早停训练观察的轮次,默认50,如果50轮没有精度提升,模型会直接停止训练
batch 训练批次,默认16
imgsz 训练图片大小,默认640
save 保存训练过程和训练权重,默认开启
save_period 训练过程中每x个轮次保存一次训练模型,默认-1(不开启)
cache 是否采用ram进行数据载入,设置True会加快训练速度,但是这个参数非常吃内存,一般服务器才会设置
device 要运行的设备,即cuda device =0或Device =0,1,2,3或device = cpu
workers 载入数据的线程数。windows一般为4,服务器可以大点,windows上这个参数可能会导致线程报错,发现有关线程报错,可以尝试减少这个参数,这个参数默认为8,大部分都是需要减少的
project 项目文件夹的名,默认为runs
name 用于保存训练文件夹名,默认exp,依次累加
exist_ok 是否覆盖现有保存文件夹,默认Flase
pretrained 是否加载预训练权重,默认Flase
optimizer 优化器选择,默认SGD,可选[SGD、Adam、AdamW、RMSProP]
verbose 是否打印详细输出
seed 随机种子,用于复现模型,默认0
deterministic 设置为True,保证实验的可复现性
single_cls 将多类数据训练为单类,把所有数据当作单类训练,默认Flase
image_weights 使用加权图像选择进行训练,默认Flase
rect 使用矩形训练,和矩形推理同理,默认False
cos_lr 使用余弦学习率调度,默认Flase
close_mosaic 最后x个轮次禁用马赛克增强,默认10
resume 断点训练,默认Flase
lr0 初始化学习率,默认0.01
lrf 最终学习率,默认0.01
label_smoothing 标签平滑参数,默认0.0
dropout 使用dropout正则化(仅对训练进行分类),默认0.0
一. train.py
from ultralytics import YOLO
# 加载模型
model = YOLO("D:/DeepL/ultralytics-main/ultralytics/cfg/models/v8/yolov8n.yaml") # 从头开始构建新模型 #训练模型(.pt权重文件)
# Use the model
results = model.train(data="D:/DeepL/ultralytics-main/data.yaml", epochs=100, batch=16, imgsz=160, device=0) # 训练模型
device=cpu/0/1/2,其他参数直接加后面
二. predict.py
from ultralytics import YOLO
model = YOLO('D:/DeepL/ultralytics-main/weights/best.pt')
results = model("D:/DeepL/ultralytics-main/testimages", conf=0.05, device=0, save=True)