YOLO算法检测模型训练参数大合集！！再也不用看不懂超参啦！

参数	默认值	描述
model	None	指定用于训练的模型文件。接受预训练模型（.pt 文件）或配置文件（.yaml 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，包括训练和验证数据的路径、类名以及类的数量。
epochs	100	训练的总轮数。每个轮数代表对整个数据集的完整遍历。调整此值会影响训练持续时间和模型性能。
time	None	最大训练时间（以小时为单位）。如果设置，将覆盖 epochs 参数，允许在达到指定持续时间后自动停止训练。对于时间受限的训练场景很有用。
patience	100	在验证指标没有改善的情况下等待的轮数，之后提前停止训练。当性能稳定时，通过停止训练来防止过拟合。
batch	16	训练的批处理大小，表示在更新模型的内部参数之前处理的图像数量。AutoBatch（batch=-1）根据 GPU 内存可用性动态调整批处理大小。
imgsz	640	训练的目标图像大小。所有图像在输入模型之前都将被调整到此维度。影响模型准确度和计算复杂性。
save	True	启用训练检查点和最终模型权重的保存。对于恢复训练或模型部署很有用。
save_period	-1	保存模型检查点的频率，以轮数（epochs）为单位。值-1禁用此功能。在长时间的训练过程中，保存中间模型很有用。
cache	False	启用数据集图像的内存缓存（True/ram）、磁盘缓存（disk）或禁用（False）。通过减少磁盘I/O来提高训练速度，但会增加内存使用。
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Apple Silicon的MPS（device=mps）。
workers	8	数据加载的工作线程数（如果是多GPU训练，则每个RANK一个）。影响数据预处理和输入模型的速度，在多GPU设置中尤其有用。
project	None	保存训练输出的项目目录名称。允许组织存储不同的实验。
name	None	训练运行的名称。用于在项目文件夹内创建子目录，其中存储训练日志和输出。
exist_ok	False	如果为True，则允许覆盖已存在的项目/名称目录。在不需要手动清除先前输出的情况下进行迭代实验时很有用。
pretrained	True	确定是否从预训练模型开始训练。可以是一个布尔值或特定模型的字符串路径，从中加载权重。提高训练效率和模型性能。
optimizer	'auto'	训练时优化器的选择。选项包括SGD、Adam、AdamW、NAdam、RAdam、RMSProp等，或'auto'以根据模型配置自动选择。影响收敛速度和稳定性。
verbose	False	启用训练期间的详细输出，提供详细的日志和进度更新。对于调试和密切监控训练过程很有用。
seed	0	设置训练的随机种子，确保在相同配置下运行的结果可复现。
deterministic	True	强制使用确定性算法，确保可复现性，但可能由于限制非确定性算法而影响性能和速度。
single_cls	False	在训练过程中，将多类数据集中的所有类别视为单个类别。对于二元分类任务或仅关注对象存在性而非分类时很有用。
rect	False	启用矩形训练，优化批次组成以最小化填充。可以提高效率和速度，但可能影响模型准确性。
cos_lr	False	使用余弦学习率调度器，使学习率在训练过程中按余弦曲线进行调整。有助于更好地管理学习率以实现更好的收敛。
close_mosaic	10	在最后N个轮次中禁用马赛克数据增强，以在训练完成前稳定训练。设置为0将禁用此功能。
resume	False	从最后保存的检查点恢复训练。自动加载模型权重、优化器状态和轮次计数，无缝继续训练。
amp	True	启用自动混合精度（AMP）训练，减少内存使用，并可能以最小的精度影响加速训练。
fraction	1.0	指定用于训练的数据集分数。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很有用。
profile	False	在训练期间启用ONNX和TensorRT的速度分析，有助于优化模型部署。
freeze	None	冻结模型的前N层或按索引指定的层，减少可训练参数的数量。对于微调或迁移学习很有用。
lr0	0.01	初始学习率（例如，SGD=1E-2, Adam=1E-3）。调整此值对优化过程至关重要，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分数 = (lr0 * lrf)，与学习率调度器一起使用，随时间调整学习率。
momentum	0.937	SGD优化器的动量因子或Adam优化器的beta1，影响当前更新中过去梯度的纳入。
weight_decay	0.0005	L2正则化项，惩罚大权重以防止过拟合。
warmup_epochs	3.0	学习率预热所需的轮次数，逐渐将学习率从低值增加到初始学习率，以在早期稳定训练。
warmup_momentum	0.8	预热阶段的初始动量，在预热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，有助于在初始轮次中稳定模型训练。
box	7.5	损失函数中边界框损失组件的权重，影响对准确预测边界框坐标的重视程度。
cls	0.5	总损失函数中分类损失的权重，影响相对于其他组件正确类别预测的重要性。
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	在训练用于姿态估计的模型中，姿态损失的权重，影响对姿态关键点的准确预测的重视程度。
kobj	2.0	在姿态估计模型中，关键点对象性损失的权重，平衡检测置信度与姿态准确性。
label_smoothing	0.0	应用标签平滑，将硬标签软化为目标标签和标签上的均匀分布的混合，可能提高泛化能力。
nbs	64	损失归一化的名义批次大小。
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	分割掩码的下采样比率，影响训练期间使用的掩码的分辨率。
dropout	0.0	分类任务中的正则化dropout率，通过在训练期间随机省略单元来防止过拟合。
val	True	启用训练期间的验证，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指标的图表，以及预测示例，为模型性能和学习进度提供视觉洞察。