语义分割——YOLOv8-Seg【train】【predict】参数汇总与调参建议

最新推荐文章于 2024-03-29 15:38:11 发布

Re.Gin

最新推荐文章于 2024-03-29 15:38:11 发布

阅读量2k

点赞数 29

分类专栏：语义分割文章标签： YOLO 计算机视觉目标检测机器学习人工智能深度学习

本文链接：https://blog.csdn.net/qq_63512036/article/details/135825317

版权

语义分割专栏收录该内容

3 篇文章 1 订阅

订阅专栏

语义分割——YOLOv8-Seg 参数汇总与调参建议

train 参数

参数	默认值	说明	调参建议
`model`	`None`	模型文件的路径，如 yolov8m.pt	-
`data`	`None`	数据文件的路径，如 coco128.yaml	-
`epochs`	`100`	训练周期	根据数据集大小和模型复杂度调整
`time`	`None`	训练的小时数，如果已提供，则覆盖`epochs`	如果有时间限制，可设置该参数
`patience`	`50`	在没有明显改善的情况下，提前停止训练的等待时间	根据训练过程中的收敛情况调整
`batch`	`16`	每批图像数（-1 表示自动批次）	根据 GPU 内存大小调整
`imgsz`	`640`	输入图像尺寸	根据数据集图像大小和硬件限制（如 GPU 内存）调整
`save`	`True`	是否保存训练 checkpoint 和预测结果	-
`save_period`	`-1`	每 x 周期保存一次 checkpoint（如果 < 1 则禁用）	-
`cache`	`False`	是否使用缓存加载数据	根据数据集大小和加载速度决定
`device`	`None`	运行设备，如`device = 0`或`device = cpu`	根据硬件资源分配合适的设备
`workers`	`8`	加载数据的工作线程数	根据系统资源和数据集大小调整
`project`	`None`	项目名称	-
`name`	`None`	实验名称	-
`exist_ok`	`False`	是否覆盖现有实验	-
`pretrained`	`True`	是使用预训练模型还是使用模型加载权重	-
`optimizer`	`auto`	使用的优化器，选择 = `[SGD、Adam、Adamax、AdamW、NAdam、RAdam、RMSProp、auto]`（`auto`表示系统自动动态选择优化器）	根据模型和数据选择最优优化器
`verbose`	`False`	是否打印详细输出	-
`seed`	`0`	随机种子	设置种子以保证实验可重复性
`deterministic`	`True`	是否启用确定性模式	在需要确保结果一致性时启用
`single_cls`	`False`	是否将多类别数据当作单一类别训练	在单类别训练场景中启用
`rect`	`False`	矩形训练，每批都经过整理，以减少填充物	-
`cos_lr`	`False`	是否使用余弦学习率调度器	有助于细致调整模型参数，适用于长周期训练
`close_mosaic`	`10`	最后 x 个周期禁用 mosaic 数据增强	根据训练进展调整增强策略（参考：数据增强之 Mosaic - 知乎 (zhihu.com)）
`resume`	`False`	是否从上一个 checkpoint 恢复训练	-
`amp`	`True`	是否使用自动混合精度（AMP）训练	在硬件支持的情况下启用以提高训练效率（利用半精度浮点数加速训练过程，可以减少显存占用）
`fraction`	`1.0`	训练集使用的数据比例	-
`profile`	`False`	训练期间是否分析 ONNX 和 TensorRT 速度	-
`freeze`	`None`	在训练过程中冻结前 n 层，或冻结层索引列表	在迁移学习场景中冻结特定层
`lr0`	`0.01`	初始学习率	根据模型和数据集大小调整
`lrf`	`0.01`	最终学习率	根据训练策略调整
`momentum`	`0.937`	SGD 动量 / Adam 的 beta1	根据优化器类型和训练过程调整
`weight_decay`	`0.0005`	优化器权重衰减	防止过拟合时调整，过大会导致欠拟合
`warmup_epochs`	`3.0`	预热周期数（可以是分数）	根据模型和数据集调整热身期
`warmup_momentum`	`0.8`	预热初始动量	在预热时调整动量以稳定训练
`warmup_bias_lr`	`0.1`	预热偏置的学习率	在预热时适当提高偏置项的学习率
`box`	`7.5`	边框损失增益（值越大越表强调）	根据训练输出的box_loss调整
`cls`	`0.5`	类别损失增益（值越大越表强调，按像素缩放）	根据训练输出的cls_loss调整
`dfl`	`1.5`	DFL 损失增益	根据训练输出的dfl_loss调整
`pose`	`12.0`	姿态损失增益（仅 pose 训练）	-
`kobj`	`2.0`	关键点对象损失增益（仅 pose 训练）	-
`label_smoothing`	`0.0`	标签平滑，一种正则化技术，用于减少模型对训练数据的过拟合程度	在多类别分类中使用以提高整体泛化性，通常取`0.1`，过大会导致欠拟合
`nbs`	`64`	标称批量，训练过程中每个批次的大小	根据 GPU 内存和模型大小调整
`overlap_mask`	`True`	是否遮罩应在训练期间重叠（仅 seg 训练）	-
`mask_ratio`	`4`	mask 降采样比率（仅 seg 训练，mask 的尺寸将缩小为原来的 1/x）	-
`dropout`	`0.0`	使用 dropout 正则化（仅 cls 训练）	如果设置为非零值，则在训练过程中使用丢弃正则化来减少模型的过拟合
`val`	`True`	是否在训练期间验证/测试	-
`plots`	`False`	是否在训练/评估过程中保存绘图和图像	-

predict 参数

参数	默认值	说明	调参建议
`source`	`ultralytics/assets`	图片或视频的源目录	-
`conf`	`0.25`	用于检测的对象置信阈值，只有置信度高于此阈值的对象才会被检测出来	根据训练结果的F1_curve.png调整
`iou`	`0.7`	非极大值抑制（NMS）的交并比（IoU）阈值	用于去除重叠的检测框，只保留具有最高置信度的框
`imgsz`	`640`	输入图像尺寸	根据数据集图像大小和硬件限制（如 GPU 内存）调整
`half`	`False`	使用半精度（FP16）	半精度可以减少计算量，但可能会牺牲一些精度
`device`	`None`	运行设备，如`device = 0`或`device = cpu`	根据硬件资源分配合适的设备
`max_det`	`300`	每个图像的最大检测数	根据实际应用场景和性能需求调整
`vid_stride`	`False`	视频帧率步长	根据需要调整视频处理的帧率
`stream_buffer`	`False`	缓冲所有流帧（`True`）或返回最近的帧（`False`）	根据实时处理需求和资源限制调整
`visualize`	`False`	是否可视化模型特征	-
`augment`	`False`	是否对预测源应用图像增强	-
`agnostic_nms`	`False`	是否使用类别不可知（无关）的非极大值抑制（NMS）	在检测不区分类别的应用场景中启用
`classes`	`None`	按类别筛选结果，即`classes = 0`或`classes = [0,2,3]`	-
`retina_masks`	`False`	是否使用高分辨率的分割掩膜	在进行高精度分割任务时启用
`embed`	`None`	返回给定层的特征向量/嵌入	-
`show`	`False`	如果环境允许，是否显示预测的图像和视频	-
`save`	`False`	是否保存预测的图像和视频	-
`save_frames`	`False`	是否保存预测的单个视频帧	-
`save_txt`	`False`	是否将结果保存为 .txt 文件	-
`save_conf`	`False`	是否将检测结果与置信度分数一起保存	-
`save_crop`	`False`	是否保存裁剪的图像与结果	-
`show_labels`	`True`	是否显示预测标签	-
`show_conf`	`True`	是否显示预测置信度	-
`show_boxes`	`True`	是否显示预测边界框	-
`line_width`	`None`or`int`	边界框的线宽（如果为`None`，则缩放为图像大小）	根据可视化需求和图像大小调整