YOLOv8默认使用的优化器是什么？optimizer默认值auto指定的是什么优化器？

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称	项目名称
1.【人脸识别与管理系统开发】	2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】	4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】	6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】	8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】	10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】	12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】	14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】	16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】	18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】	20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】	22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】	24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】	26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】	28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】	30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】	32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】	34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】	36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】	38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】	40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】	42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】	44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】	46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】	48.【基于深度学习的车辆检测追踪与流量计数系统】
49.【基于深度学习的行人检测追踪与双向流量计数系统】	50.【基于深度学习的反光衣检测与预警系统】
51.【基于深度学习的危险区域人员闯入检测与报警系统】	52.【基于深度学习的高密度人脸智能检测与统计系统】
53.【基于深度学习的CT扫描图像肾结石智能检测系统】	54.【基于深度学习的水果智能检测系统】
55.【基于深度学习的水果质量好坏智能检测系统】	56.【基于深度学习的蔬菜目标检测与识别系统】
57.【基于深度学习的非机动车驾驶员头盔检测系统】	58.【基于深度学习的太阳能电池板检测与分析系统】
59.【基于深度学习的工业螺栓螺母检测】	60.【基于深度学习的金属焊缝缺陷检测系统】
61.【基于深度学习的链条缺陷检测与识别系统】	62.【基于深度学习的交通信号灯检测识别】
63.【基于深度学习的草莓成熟度检测与识别系统】	64.【基于深度学习的水下海生物检测识别系统】
65.【基于深度学习的道路交通事故检测识别系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

引言

最近很多小伙伴问我，YOLOv8在进行目标检测模型训练时，在没有指定优化器的情况下，训练默认使用的优化器到底是什么呢？针对这个问题，下面就来详细的解释说明一下。

模型训练

方式1：直接指定优化器

在使用YOLOv8训练目标检测模型的时候，我们可以直接指定优化器类型，即optimizer参数，代码如下：

model = YOLO('yolov8n.pt')
model.train(data='data.yaml',epochs=200,batch=8,optimizer='SGD')

支持的optimizer类型包括： SGD, Adam, AdamW, NAdam, RAdam, RMSProp。
在这种情况下，训练使用的优化器就是我们指定的优化器。

方式2：不指定优化器

训练时我们也可以不指定优化器，直接开始训练，代码如下：

model = YOLO('yolov8n.pt')
model.train(data='data.yaml',epochs=200,batch=8)

可以看出，这里没有指定optimizer参数。此时从源码的默认参数配置文件我们可以看到，optimizer使用的默认值auto，如下所示：

那这个时候训练到底使用的是什么优化器呢？下面我们一起看下源码到底是怎么指定的。
在ultralytics/engine/trainer.py文件中有个build_optimizer函数，用于设定优化器的，如下图：

如果optimizer为auto的情况下，其中的代码片段如下：

判断核心就是途中框出的这行代码：

name, lr, momentum = ("SGD", 0.01, 0.9) if iterations > 10000 else ("AdamW", lr_fit, 0.9)

从代码中可以看出，当iterations 参数大于10000的时候，使用"SGD"优化器，反之则使用"AdamW"优化器。
也就是说，在不指定优化器的情况下，模型只会使用"SGD"和"AdamW"这两种优化器之中的一种。不会使用其他的优化器类型。
想要知道最终到底使用的是哪个优化器，我们还需要知道，迭代次数iterations是如何计算的。源码依然在ultralytics/engine/trainer.py文件中，如下图：

iterations = math.ceil(len(self.train_loader.dataset) / max(self.batch_size, self.args.nbs)) * self.epochs

其中：
len(self.train_loader.dataset):表示训练使用的图片数量；
self.batch_size:表示训练指定的batch大小；
self.args.nbs：根据defult.yaml参数配置文件，默认值为64;
self.epochs：为指定的训练轮数；
math.ceil:表示小数向上取整。

因此，
如果 self.batch_size小于64，则iterations = （训练图片数÷64 ×训练轮数）；
如果 self.batch_size大于64，则 iterations = （训练图片数÷batch_size × 训练轮数）；
举例：
如果训练时设定参数如下：

model = YOLO('yolov8n.pt')
model.train(data='data.yaml',epochs=200,batch=8)

训练图片数假设2000张。则：iterations = 2000÷64×200=6250.
此时iterations 小于10000，此时使用的应该是"AdamW"优化器。

其他情况，也可以通过此方法进行判断。

总结

这篇文章主要介绍了YOLOv8在不指定优化器进行训练时，使用的优化器只会是"SGD"和"AdamW"这两种优化器之中的一种。然后如何通过计算iterations ，得到模型在这种情况下到底使用的是哪种优化器。

---

关注文末名片G-Z-H：【阿旭算法与机器学习】，发送【开源】可获取更多学习资源

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！