【YOLOV8】YOLOV8模型训练train及参数详解

介绍

     训练深度学习模型涉及为其提供数据并调整其参数，以便它能够做出准确的预测。Ultralytics YOLOv8 的训练模式专为有效、高效地训练目标检测模型而设计，充分利用现代硬件的能力。本指南旨在涵盖使用 YOLOv8 强大功能集训练自定义模型所需的所有细节，帮助你快速入门。

为什么选择 Ultralytics YOLO 进行训练？

1. 高效性：无论是单 GPU 设置还是跨多个 GPU 扩展，都能充分利用你的硬件。
2. 多功能性：除了常见的 COCO、VOC 和 ImageNet等数据集外，还可以在自定义数据集上进行训练。
3. 用户友好： 简单而强大的 CLI 和Python 接口，提供简洁的训练体验。
4. 超参数灵活性：广泛的可定制超参数，能够微调模型性能。

训练模式的关键功能

以下是YOLOV8训练模式下显著特点：

1. 自动数据集下载： 首次使用时，标准数据集如 COCO、VOC 和 ImageNet 会自动下载。
2. 多 GPU 支持：无缝扩展训练至多个 GPU，加快训练过程。
3. 超参数配置：可以通过 YAML 配置文件或 CLI 参数修改超参数。
4. 可视化和监控：实时跟踪训练指标，并可视化学习过程，提供更深入的见解。

使用示例

Python代码：

# 训练
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)
# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

CLI：

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1

关于coco8.yaml配置文件解析：https://blog.csdn.net/qq_42761751/article/details/141088871?spm=1001.2014.3001.5501

恢复中断训练

    从先前保存的状态恢复训练是处理深度学习模型时一项关键功能。在多种情况下，这项功能都非常有用，比如当训练过程意外中断时，或者当你希望使用新数据或延长训练周期继续训练模型时。恢复训练时，Ultralytics YOLO 会加载上次保存的模型权重，并恢复优化器状态、学习率调度器和轮次编号，从而让你可以无缝地从中断的地方继续训练。

Python代码：

# 中断后继续训练
from ultralytics import YOLO
# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model
# Resume training
results = model.train(resume=True)

CLI：

yolo train resume model=path/to/last.pt

默认情况下，检查点会在每个训练周期结束时保存，或者可以使用 save_period 参数在固定间隔内保存。因此，你必须至少完成一个训练周期才能恢复训练。

训练参数设置

YOLO 模型的训练设置包括在训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和精度。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外，优化器的选择、损失函数以及训练数据集的组成也会对训练过程产生影响。通过对这些设置进行仔细调整和实验，对于优化性能至关重要。

Argument	Default	Description
model	None	指定用于训练的模型文件。接受 .pt 预训练模型的路径或 .yaml 配置文件的路径。对于定义模型结构或初始化权重是必不可少的。
data	None	数据集配置文件的路径（例如，coco8.yaml）。该文件包含数据集特定的参数，包括训练和验证数据的路径、类别名称以及类别数量。
epochs	100	训练周期的总数。每个周期代表对整个数据集的完整遍历。调整此值可以影响训练时长和模型性能。
time	None	最大训练时间（以小时为单位）。如果设置了此参数，它将覆盖 epochs 参数，允许训练在指定时间后自动停止。对于时间受限的训练场景非常有用。
patience	100	在验证指标没有改善的情况下，等待的周期数，然后提前停止训练。通过在性能停滞时停止训练，帮助防止过拟合。
batch	16	批量大小，有三种模式：设为整数（例如，batch=16），自动模式以实现 60% 的 GPU 内存利用率（batch=-1），或者指定利用率比例的自动模式（例如，batch=0.70）。
imgsz	640	训练的目标图像大小。所有图像在输入模型之前都会调整为这个尺寸。它会影响模型的准确性和计算复杂度。
save	True	启用保存训练检查点和最终模型权重。对于恢复训练或模型部署非常有用。
save_period	-1	保存模型检查点的频率，以周期数为单位指定。值为 -1 会禁用此功能。对于在长时间训练过程中保存中间模型非常有用。
cache	False	启用数据集图像的缓存，选项包括在内存中（True/ram）、在磁盘上（disk）或禁用缓存（False）。通过减少磁盘 I/O 来提高训练速度，但会增加内存使用量。
device	None	指定训练的计算设备：单个 GPU（device=0）、多个 GPU（device=0,1）、CPU（device=cpu）或适用于 Apple Silicon 的 MPS（device=mps）。
workers	8	数据加载的工作线程数量（如果是多 GPU 训练，则按 RANK 计算）。影响数据预处理和输入模型的速度，在多 GPU 设置中尤为有用。
project	None	保存训练输出的项目目录名称。允许有组织地存储不同的实验结果。
name	None	训练运行的名称。用于在项目文件夹内创建一个子目录，以存储训练日志和输出。
exist_ok	False	如果设置为 True，允许覆盖现有的 project/name 目录。这对于迭代实验非常有用，无需手动清除先前的输出。
pretrained	True	决定是否从预训练模型开始训练。可以是布尔值，或者是一个指定模型路径的字符串，从中加载权重。提高训练效率和模型性能。
optimizer	‘auto’	选择训练的优化器。选项包括 SGD、Adam、AdamW、NAdam、RAdam、RMSProp 等，或者 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非常有用。
seed	0	设置训练的随机种子，确保在相同配置下的多次运行结果可重复。
deterministic	True	强制使用确定性算法，确保结果的可重复性，但可能会影响性能和速度，因为限制了非确定性算法的使用。
single_cls	False	在训练过程中将多类数据集中的所有类别视为单一类别。这对于二分类任务或关注对象存在而不是分类时非常有用。
rect	False	启用矩形训练，优化批量组成以减少填充。这可以提高效率和速度，但可能会影响模型的准确性。
cos_lr	False	使用余弦学习率调度器，根据余弦曲线在训练周期中调整学习率。帮助管理学习率，以实现更好的收敛效果。
close_mosaic	10	在最后 N 个周期中禁用马赛克数据增强，以在训练结束前稳定训练。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、优化器状态和周期数，能够无缝地继续训练。
amp	True	启用自动混合精度（AMP）训练，减少内存使用，并可能在对准确性影响最小的情况下加速训练。
fraction	1.0	指定用于训练的数据集的比例。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非常有用。
profile	False	启用 ONNX 和 TensorRT 在训练过程中速度的分析，便于优化模型部署。
freeze	None	冻结模型的前 N 层或指定的索引层，减少可训练的参数数量。这对于微调或迁移学习非常有用。
lr0	0.01	初始学习率（例如，SGD=1E-2，Adam=1E-3）。调整此值对于优化过程至关重要，它影响模型权重的更新速度。
lrf	0.01	最终学习率作为初始学习率的一个比例 = (lr0 * lrf)，与学习率调度器一起使用，以调整学习率随时间的变化。
momentum	0.937	SGD 的动量因子或 Adam 优化器的 beta1，影响当前更新中过去梯度的融入程度。
weight_decay	0.0005	L2 正则化项，惩罚较大的权重以防止过拟合。
warmup_epochs	3.0	学习率预热的周期数(epochs)，逐渐将学习率从低值提高到初始学习率，以在训练初期稳定训练过程。
warmup_momentum	0.8	预热阶段的初始动量，逐渐调整到设置的动量值，在预热期内进行平滑过渡。
warmup_bias_lr	0.1	在预热阶段偏置参数的学习率，有助于在初始周期中稳定模型训练。
box	7.5	损失函数中框损失组件的权重，影响对准确预测边界框坐标的重视程度。
cls	0.5	分类损失在总损失函数中的权重，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，用于某些 YOLO 版本中的细粒度分类。
pose	12.0	姿态损失在姿态估计模型中的权重，影响对准确预测姿态关键点的重视程度。
kobj	2.0	姿态估计模型中关键点目标损失的权重，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均匀分布的混合，这可以改善模型的泛化能力。
nbs	64	用于损失标准化的名义批量大小。
overlap_mask	True	确定在训练过程中是否允许分割掩码重叠，适用于实例分割任务。
mask_ratio	4	分割掩码的下采样比例，影响训练过程中使用的掩码的分辨率。
dropout	0.0	分类任务中的 dropout 率，用于正则化，通过在训练过程中随机忽略一些神经元来防止过拟合。
val	True	在训练过程中启用验证，允许周期性地在单独的数据集上评估模型性能。
plots	False	生成并保存训练和验证指标的图表，以及预测示例，提供对模型性能和学习进展的可视化洞察。

注意Batch-size设置：

batch 参数可以通过三种方式配置：

1. 固定批量大小：设置一个整数值（例如，batch=16），直接指定每个批次的图像数量。
2. 自动模式（60% GPU 内存）：使用 batch=-1，自动调整批量大小，以实现约 60% 的 CUDA 内存利用率。
3. 带有利用率比例的自动模式：设置一个比例值（例如，batch=0.70），根据指定的 GPU 内存使用比例调整批量大小。

数据增强设置及超参数

增强技术对于提升 YOLO 模型的鲁棒性和性能至关重要，通过引入训练数据的数据增强，帮助模型更好地泛化到未见数据。下表概述了每个增强参数的目的和效果：

Argument	Type	Default	Range	Description
hsv_h	float	0.015	0.0 - 1.0	通过调整图像的色调，引入颜色变异性。这有助于模型在不同光照条件下的泛化能力。
hsv_s	float	0.7	0.0 - 1.0	通过调整图像的饱和度，改变颜色的强度。这对于模拟不同的环境条件非常有用。
hsv_v	float	0.4	0.0 - 1.0	通过调整图像的亮度（值）比例，改变图像的明暗程度。这有助于模型在各种光照条件下表现良好。
degrees	float	0.0	-180 - +180	在指定的角度范围内随机旋转图像，提高模型识别各种方向物体的能力。
translate	float	0.1	0.0 - 1.0	水平和垂直平移图像，平移量为图像尺寸的一个比例，有助于模型学习检测部分可见的物体。
scale	float	0.5	>=0.0	通过增益因子对图像进行缩放，模拟物体与相机之间的不同距离
shear	float	0.0	-180 - +180	按照指定角度对图像进行剪切，模拟从不同角度观察物体的效果。
perspective	float	0.0	0.0 - 0.001	对图像应用随机透视变换，增强模型对三维空间中物体的理解能力。
flipud	float	0.0	0.0 - 1.0	以指定的概率将图像上下翻转，增加数据的变异性而不影响物体的特征。
fliplr	float	0.5	0.0 - 1.0	以指定的概率将图像左右翻转，这对于学习对称物体和增加数据集的多样性非常有用。
bgr	float	0.0	0.0 - 1.0	以指定的概率将图像通道从 RGB 翻转为 BGR，这有助于提高对通道顺序错误的鲁棒性。
mosaic	float	1.0	0.0 - 1.0	将四张训练图像合成一张，模拟不同的场景组合和物体交互。这对于复杂场景理解非常有效。
mixup	float	0.0	0.0 - 1.0	将两张图像及其标签进行混合，创建合成图像。通过引入标签噪声和视觉变异性，增强模型的泛化能力。
copy_paste	float	0.0	0.0 - 1.0	从一张图像中复制物体并粘贴到另一张图像上，这对于增加物体实例和学习物体遮挡非常有用。
auto_augment	str	randaugment	-	自动应用预定义的增强策略（如 randaugment、autoaugment、augmix），通过多样化视觉特征来优化分类任务。
erasing	float	0.4	0.0 - 0.9	在分类训练过程中随机擦除图像的一部分，鼓励模型关注不那么明显的特征以进行识别。
crop_fraction	float	1.0	0.1 - 1.0	将分类图像裁剪到其尺寸的一个比例，以突出中心特征并适应物体的尺度，减少背景干扰。

这些设置可以根据数据集和任务的具体要求进行调整。尝试不同的值可以帮助找到最佳的增强策略，从而实现最佳的模型性能。

本文参考：
https://docs.ultralytics.com/modes/train/#why-choose-ultralytics-yolo-for-training