YOLOv8验证参数详解（全面详细、重点突出、大白话阐述小白也能看懂）

已于 2023-06-05 01:38:47 修改
阅读量8.9k 收藏 52
点赞数 5
文章标签： YOLO 计算机视觉 人工智能
于 2023-05-27 18:35:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37553692/article/details/130904345
版权

val也可以称为评估，评估我们模型的性能。此模式可用于调整评估时的超参数的模型，以提高其性能。

全部参数表

首先罗列一下官网提供的全部参数。
https://docs.ultralytics.com/modes/val/

KeyValueDescription
dataNonepath to data file, i.e. coco128.yaml
imgsz640image size as scalar or (h, w) list, i.e. (640, 480)
batch16number of images per batch (-1 for AutoBatch)
save_jsonFalsesave results to JSON file
save_hybridFalsesave hybrid version of labels (labels + additional predictions)
conf0.001object confidence threshold for detection
iou0.6intersection over union (IoU) threshold for NMS
max_det300maximum number of detections per image
halfTrueuse half precision (FP16)
deviceNonedevice to run on, i.e. cuda device=0/1/2/3 or device=cpu
dnnFalseuse OpenCV DNN for ONNX inference
plotsFalseshow plots during training
rectFalserectangular val with each batch collated for minimum padding
splitvaldataset split to use for validation, i.e. ‘val’, ‘test’ or ‘train’

受限于博主能力有限。下文的解释，如有问题，欢迎大家指出。
在这里插入图片描述

使用示例代码

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # 加载yolov8n
model = YOLO('path/to/best.pt')  # 也可以加载你自己的模型

# Validate the model
metrics = model.val()  
metrics.box.map    # 查看目标检测 map50-95 的性能
metrics.box.map50  # 查看目标检测 map50 的性能
metrics.box.map75  # 查看目标检测 map75 的性能
metrics.box.maps   # 返回一个列表包含每一个类别的 map50-95

参数解释

  • data: 这个参数指定了数据文件的路径，比如coco128.yaml，它是一个配置文件，包含了训练数据集的相关信息，比如图像路径、标签等。
    官方的coco128.yaml就是这样，path指定数据集的根目录，train，val指定训练和测试数据集的位置。nc指定类别数目，names指定类别名字。
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017)
# Example usage: python train.py --data coco128.yaml
# parent
# ├── yolov5
# └── datasets
#     └── coco128  ← downloads here


# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco128  # dataset root dir
train: images/train2017  # train images (relative to 'path') 128 images
val: images/train2017  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
nc: 80  # number of classes
names: ['person', 'bicycle', 'car', 'motorcycle', 'airplane', 'bus', 'train', 'truck', 'boat', 'traffic light',
        'fire hydrant', 'stop sign', 'parking meter', 'bench', 'bird', 'cat', 'dog', 'horse', 'sheep', 'cow',
        'elephant', 'bear', 'zebra', 'giraffe', 'backpack', 'umbrella', 'handbag', 'tie', 'suitcase', 'frisbee',
        'skis', 'snowboard', 'sports ball', 'kite', 'baseball bat', 'baseball glove', 'skateboard', 'surfboard',
        'tennis racket', 'bottle', 'wine glass', 'cup', 'fork', 'knife', 'spoon', 'bowl', 'banana', 'apple',
        'sandwich', 'orange', 'broccoli', 'carrot', 'hot dog', 'pizza', 'donut', 'cake', 'chair', 'couch',
        'potted plant', 'bed', 'dining table', 'toilet', 'tv', 'laptop', 'mouse', 'remote', 'keyboard', 'cell phone',
        'microwave', 'oven', 'toaster', 'sink', 'refrigerator', 'book', 'clock', 'vase', 'scissors', 'teddy bear',
        'hair drier', 'toothbrush']  # class names


# Download script/URL (optional)
download: https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip

  • imgsz: 这个参数决定了输入图像的尺寸大小。可以是一个数字640，表示宽度和高度相等都是640，也可以是一个包含宽度和高度的列表，比如(640, 480)。

  • batch: 这个参数定义了每个训练批次中包含的图像数量。如果设置为-1，系统将自动确定批量大小。

  • save_json: 如果设置为True，训练过程中的结果将保存为JSON文件。这对于后续的结果分析和可视化很有用。

  • save_hybrid: 这个参数决定是否保存标签和额外预测结果的混合版本。这对于一些特定的任务，如目标检测中的多标签预测，可能会很有用。

  • conf: 这个参数是物体检测中的置信度阈值。只有当检测结果中物体的置信度高于这个阈值时，它们才会被视为有效的检测结果。

  • iou: 这个参数是非极大值抑制（NMS）算法中的交并比（IoU）阈值。当多个边界框之间的交并比高于这个阈值时，只保留置信度最高的边界框。

  • max_det: 这个参数限制了每张图像中允许的最大检测数量。它可以帮助控制输出结果的数量，防止出现过多的重复检测。

  • half: 如果设置为True，将使用半精度（FP16）进行模型的训练或推理。半精度可以减少模型占用的显存和计算资源，但可能会影响模型的精度。

  • device: 这个参数指定了模型运行的设备，可以是cuda设备（如cuda device=0/1/2/3）或者是cpu。根据设备的性能和可用性选择合适的选项。

  • dnn: 如果设置为True，将使用OpenCV的DNN模块进行ONNX模型的推理。这可以提供更快的推理速度，但需要安装和配置OpenCV。

  • plots: 如果设置为True，训练过程中会显示一些图表，如损失曲线和精度曲线。这对于监控训练过程和调试模型很有帮助。

  • rect: 这个参数决定在验证过程中是否使用矩形方式将每个批次的图像整合到最小填充区域中。

  • split: 这个参数指定了用于验证的数据集划分，可以是’val’、‘test’或者’train’。根据需要选择适当的划分来评估模型的性能。

在这里插入图片描述

from ultralytics import YOLO
model = YOLO('yolov8n.pt').export(format="onnx")
print(model)

在这里插入图片描述

YOLOv8的训练、验证、预测及导出[目标检测实践篇]
ice
05-05 4万+
主要介绍如何使用YOLOv8训练自己的数据集，并进行验证、预测及导出，采用代码和指令的两种方式。
超详解| Yolov8模型手把手调参 | 配置 | 模型训练 | 验证 | 推理
穿着帆布鞋也能走猫步
09-06 9万+
Yolov8参数详细解析
【YOLO系列】YOLOv8目标检测---训练、测试、推理
m0_55908255的博客
02-20 2997
源码与之前不一样，有两种方法作模型训练、验证、推理，第一种方法是在终端输入命令行(命令行未涉及到的参数就使用。文件的数量不一定等于测试集的图片数量，因为对于某一张图片可能会有漏检的情况，即一个目标也没有检测出来。之后模型验证时输出的性能指标的计算方法就是这样的，只是没有把各类别的性能指标打印出来而已)不同，模型输出不再有检测框的置信度预测值。的检测结果，后者是对应的标签图片，可以观察是否有漏检和误检的情况。cls，center_x，center_y，w，h，置信度。（1，2）：真实框的分布。
使用Yolov8进行图形目标检测训练完成后的结果参数说明
最新发布
WT博客
03-30 660
使用Precision-Recall曲线计算的面积，mAP@[.5:.95]表示在不同IoU阈值下的平均mAP，综合考虑了模型在不同精度和召回率条件下的性能，是目标检测任务中常用的评价指标。- 当RCC图中曲线在较高置信度水平下呈现较高召回率时，说明算法在目标检测时能够准确地预测目标的存在，并在过滤掉低置信度的预测框后依然能够维持高召回率，反映了算法在目标检测任务中的良好性能。- RCC图中曲线的斜率越陡峭，表示在过滤掉低置信度的预测框后，获得的召回率提升越大，从而提高模型的检测性能。
YOLOv8训练参数详解（全面详细、重点突出、大白话阐述小白也能看懂）
热门推荐
qq_37553692的博客
05-27 10万+
model: 模型文件的路径。这个参数指定了所使用的模型文件的位置，例如 yolov8n.pt 或 yolov8n.yaml。模型文件包含了已经训练好的模型的权重和结构。 data: 数据文件的路径。该参数指定了数据集文件的位置，例如 coco128.yaml。数据集文件包含了训练和验证所需的图像、标签和其他数据的信息。 epochs: 训练的轮数。这个参数确定了模型将会被训练多少次，每一轮都遍历整个训练数据集。训练的轮数越多，模型对数据的学习就越充分，但也增加了训练时间。
超详细YOLOv8验证参数、说明详解
CDBmax的博客
12-26 5393
YOLO 模型的验证设置是指用于评估模型在验证数据集上性能的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。一些常见的 YOLO 验证设置包括批处理大小、在训练期间验证频率以及用于评估模型性能的指标。其他可能影响验证过程的因素包括验证数据集的大小和组成以及模型用于特定任务的特性。在机器学习流程中，验证是一个关键步骤，让您能够评估训练模型的质量。Ultralytics YOLOv8 的 Val 模式提供了一整套强大的工具和指标，用于评估您的目标检测模型的性能。
YOLOv8在测试集上验证
HnIyM的博客
06-19 8399
默认为val，如果想要yaml文件中划分的测试集上查看模型的精度，仅需要将split字段更改即可。在官方文档介绍中，可以得知split关键字可以选择验证时所需的数据集。
【计算机视觉】YOLOv8参数详解（全面详细、重点突出、大白话阐述小白也能看懂）
wzk4869的博客
10-14 9996
【计算机视觉】YOLOv8参数详解（全面详细、重点突出、大白话阐述小白也能看懂）
超详细深入理解YOLOv8配置参数：了解多种任务计算机视觉模型训练
CDBmax的博客
12-23 1万+
default.yaml 及其参数极为重要。该文件包含训练、评估、部署YOLO模型的默认设置和超参数，适用于不同模式和任务类型。针对不同任务类型，如图像分类、目标检测、实例分割，配置方法各有不同。每种任务类型的数据集目录结构和模型训练代码也各不相同。根据具体任务需求和数据集特性合理调整参数，是实现最佳训练效果的关键。
yolov8 超参数
08-26
- *1* *2* *3* [YOLOv8验证参数详解（全面详细、重点突出、大白话阐述小白也能看懂）](https://blog.csdn.net/qq_37553692/article/details/130904345)[target="_blank" data-report-click={"spm":"1018.2226.3001....
yolov8超参数实时显示
09-04
- *1* *3* [YOLOv8验证参数详解（全面详细、重点突出、大白话阐述小白也能看懂）](https://blog.csdn.net/qq_37553692/article/details/130904345)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630...
基于YOLOv8的安全帽检测
m0_71755384的博客
11-05 1989
数据集大小704张，
[YOLOv8] 基于yolo的原神鱼群目标检测
weixin_44349241的博客
01-10 1931
基于yolo原神鱼群目标识别效果
yolov8 iou
09-03
- *3* [YOLOv8预测参数详解（全面详细、重点突出、大白话阐述小白也能看懂）](https://blog.csdn.net/qq_37553692/article/details/130910432)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630",...
Yolov8模型调参大全：超详细解读每一个参数
weixin_45303602的博客
07-04 1万+
defalut.yaml配置文件用于设置Yolov8模型的训练和预测参数。 4.1. 类型/模式参数 4.1.1. task: detect 指定Yolov8的任务类型，默认为detect，您也可根据实际应用场景设置为segment、classify、pose等。 4.1.2. mode: train 指定Yolov8的运行模式，默认为train，您也可根据实际操作设置为val、predict、export、track、benchmark等。 4.2. 训练参数 4.2.1. model 模型文件
设置YOLO-V8的参数
hzp666的博客
09-27 9036
Boxes对象可用于索引、操作边界框，并将其转换为不同的格式。Box格式转换结果是缓存的，这意味着每个对象只计算一次，并且这些值将在将来的调用中重复使用。YOLOv8可以处理很多类型的识别，比如：图片、视频、还有YouTube的网页连接，强不强！、NumPy数组、Torch张量、CSV文件、视频、目录、通配符、YouTube视频和视频流。表格✅指示了每个输入源是否可以在流模式下使用，并给出了每个输入源使用流模式的示例参数。设置预测参数，可以满足我们不同的需求。：用于操作边界框的属性和方法的对象。
YOLOv8运行参数解读
githubcurry
04-17 1万+
基准测试提供了关于导出格式的大小、其mAP50-95指标(用于对象检测和分割)或精度top5指标(用于分类)的信息，以及在各种导出格式(如ONNX、OpenVINO、TensorRT等)中，每张图像的推断时间(以毫秒为单位)。这些信息可以帮助用户根据他们对速度和准确性的需求，为他们的特定用例选择最佳的导出格式。yolov8目前支持：BoT-SORT、ByteTrack两种目标跟踪，默认使用BoT-SORT。跟踪的传参和推理时一样，主要有三个：conf、 iou、 show。
YOLOv8参数解释
qq_44903752的博客
06-18 4588
YOLOv8参数解释
初探 YOLOv8（训练参数解析）
qq_44231797的博客
06-27 2860
YOLO 因为性能强大、消耗算力较少，一直以来都是实时目标检测领域的主要范式。该框架被广泛用于各种实际应用，包括自动驾驶、监控和物流。其高效、准确的物体检测能力使其成为实时识别行人和车辆等任务的理想选择；在物流方面，它有助于库存管理和包裹跟踪，通过 AI 能力帮助人们在很多工作上提高了效率。R-CNN系列（R-CNN、Fast R-CNN、Faster R-CNN）：首次引入了区域建议网络（Region Proposal Network），然后对提议的区域进行分类。
训练yolov5iou阈值参数怎么调
01-28
### 调整 YOLOv5 中 IOU 阈值参数以优化模型训练 在YOLOv5的目标检测框架中，调整IOU（Intersection over Union）阈值对于提高模型精度和召回率至关重要。超参数配置文件位于`data/hyps/`目录下[^1]。 #### 修改超参数配置文件 为了修改IOU阈值，需编辑对应的`.yaml`文件。通常情况下，默认的超参数设置可能并不适用于特定数据集，因此需要根据实际情况进行微调。例如： ```yaml # data/hyps/hyp.scratch.yaml iou: 0.7 # 设置初始IOU阈值 ``` 此部分定义了非极大值抑制(NMS)过程中使用的IOU阈值。当两个边界框之间的交并比大于设定的阈值时，则认为它们表示同一物体，并保留具有更高置信度的那个边界框[^3]。 #### 使用DIoU改进NMS效果 除了传统的基于IOU的方法外，还可以考虑引入更加先进的指标来改善NMS的效果。文献指出，在原有基础上加入中心点距离惩罚项可以有效减少假阳性误判情况的发生[^4]。具体实现方式如下： ```python def non_max_suppression(prediction, conf_thres=0.25, iou_thres=0.45, classes=None, agnostic=False, multi_label=False, labels=(), max_det=300, nm=0): ... elif method == 'diounms': nms_method = diou_nms else: raise ValueError(f'Unknown NMS type {method}') output = [torch.zeros((0, 6), device=prediction.device)] * prediction.shape[0] ... ``` 上述代码片段展示了如何扩展现有的NMS函数以支持不同的策略选择，其中就包含了对DIoU的支持。通过这种方式可以在一定程度上缓解由于简单几何关系所造成的误差累积问题。 #### 训练期间动态调整IOU阈值 值得注意的是，在实际操作当中也可以尝试让IOU阈值随着迭代次数的变化而变化。比如前期采用较低的标准以便于快速筛选掉明显错误的结果；后期再逐步收紧条件直至达到最优解为止。这种做法有助于平衡速度与质量之间的矛盾，使得整个流程更为高效合理[^2]。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值