YOLOv8训练笔记

参考：http://t.csdnimg.cn/C1Ml2

参数

train代码

model = YOLO('ultralytics/cfg/models/v8/yolov8.yaml')
model.load('yolov8n.pt') 

.yaml是指按照你自己设定重新训练模型，从零开始。
.pt文件是在预训练模型的基础上进行训练，yolov8n.pt预训练的是coco数据集中的80个类别，如果你的检测目标就在这80个中，那么你接下来的训练相当于提升了原来的检测能力；如果不在这80个中的话，其实还是相当于从头训练，时间也会更长一些。

device='CUDA'

这是选择运行的设施，如果有N卡，安装了cuda的pytorch，就可以选cuda，如果没有就选cpu，或者直接注释掉也不影响

data='dataset/NWPU-10.yaml'

指定数据集.yaml文件路径，通常用相对路径

 epochs=11,
 batch=1,

epoch是指训练的轮数，原则上讲轮数越多，模型的学习就越透彻充分，但也要避免过拟合的情况
batch是指每个批次的图像数量，在训练过程中，数据会分成多个批次进行处理。一般认为batch越大越好。因为我们的batch越大我们选择的这个batch中的图片更有可能代表整个数据集的分布，从而帮助模型学习。但batch越大占用的显卡显存空间越多，所以还是有上限的。如果设置为-1，则会自动调整批次大小，至你的显卡能容纳的最多图像数量。

patience = 50,

早停的等待轮数，我设置的这个就是：如果等待了50轮，发现模型的性能还是没有提升的话，就提前停止训练进程。这是避免过拟合的一个手段。

数据集文件

我通常把数据集yaml文件放在dataset目录内，即数据集文件的同目录下，这样可以使用相对路径直接指向数据集

path: NWPU-10  # dataset root dir
train: images/train  # train images (relative to 'path') 128 images
val: images/val  # val images (relative to 'path') 128 images

path指向数据集图片的文件夹
train指向训练集图像文件夹
val指向验证集图像文件夹
这里只填写了图像的路径，在实际运行的时候会自动在图像文件夹下寻找标签文件夹

还有另外一种yaml文件写法（根据下载的数据集格式选择用哪种写法）

train: /home/wzh/data/hat/trainval.txt
val: /home/wzh/data/hat/valid.txt
nc: 2
names: ['hat','person']

这里的txt文件里是每张图片的路径，注意是绝对路径！！！

 resume='/home/data/yolov8-main/runs/train/exp4/weights/last.pt',

resume是指如果上一次训练异常中断了，可以给它中断前的训练结果，让它接着上一次继续训练。平时不用的时候注释掉就好了

cache=True,

决定数据加载时是否使用缓存，使用缓存可以加快数据读取速度

 workers=8,

数据加载时的工作线程数。在数据加载过程中，可以使用多个线程并行地加载数据，以提高数据读取速度。这个参数确定了加载数据时使用的线程数，具体的最佳值取决于硬件和数据集的大小。

optimizer='SGD',

选择要使用的优化器

close_mosaic=10,

可以指定一个整数值，表示在训练的最后第几个轮次中禁用mosaic增强。

val = True

是否在训练过程中进行验证

clone一下Git上的改进代码

参考：http://t.csdnimg.cn/Khqxx
首先下载Git和TortoiseGit两个软件
（在TortoiseGit下载页面有语言包可以下载，我选择了Chinese simple，其实就是汉化包啦~语言包要点击安装一下，然后在安装软件页面有选择语言的下拉框，就可以看到了）
安装成功之后上github上clone代码的git地址

然后找到本地准备存放代码的文件夹右键选择git克隆


成功！！！！

代码改进

终于到了最关键的一步了
参考：http://t.csdnimg.cn/V7gjy
按步骤来吧~
1.首先找到要插入代码的文件，一般是在ultralytics/nn/modules/block.py里注册要使用的新模块，也有一些在conv.py中注册的模块，这个自己把握

2.在py文件中插入要改进的模块代码
3.在py文件的最头头有个这个👇

在这个all的括号里加上自己改进的模块名
4.检查ultralytics/nn/modules/init.py文件中的写法，如果是这样的👇
那就要依次把改进的模块名写进去~加在哪个py文件了就加在哪块，all也要加
如果是这样的👇

那就不用加了，*就是全部了
5.找到ultralytics/nn/tasks.py文件，在前边引用部分，这一条加上自己的改进模块，如果跟我一样是星号的话，就不用管了（插一句~深切的感受到了代码一定要兼容性高！不然一点改动就要通篇更新！）

然后就是在下面，我是大概759行的位置，找到这样的代码，同样是在里边添加模块名

6.因为添加了新的模块，训练使用的yaml文件也就不通用了，所以要根据自己的代码新建一个yaml文件，新建在ultralytics/cfg/models/v8路径下

然后在原yolov8的网络层进行替换或者添加

至此！！就结束了~
后边我自己实践一下，看看哪些改进策略搭配起来比较好~如果有进展再更新吧！