yolov8命令行运行参数详解

序言

整理来自yolov8官方文档常用的一些命令行参数，官方文档YOLOv8 Docs

yolov8命令行的统一运行格式为：

yolo TASK MODE ARGS

其中主要是三部分传参：

• TASK(可选) 是[detect、segment、classification]中的一个。如果没有显式传递，YOLOv8将尝试从模型类型中猜测TASK。
• MODE(必选) 是[train, val, predict, export]中的一个
• ARGS(可选) 是任意数量的自定义arg=value对，如imgsz=320，覆盖默认值。

一、训练参数

训练命令行示例：

# 从YAML中构建一个新模型，并从头开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

# 从预先训练的*.pt模型开始训练
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

# 从YAML中构建一个新的模型，将预训练的权重传递给它，并开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

对应python代码示例：

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # 从YAML中构建一个新模型
model = YOLO('yolov8n.pt')  #加载预训练的模型(推荐用于训练)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # 从YAML构建并传递权重

# Train the model
model.train(data='coco128.yaml', epochs=100, imgsz=640)

一些比较常用的传参：

key	解释
model	传入的model.yaml文件或者model.pt文件，用于构建网络和初始化，不同点在于只传入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<