超详解| Yolov8模型手把手调参

超详解| Yolov8模型手把手调参

| 配置 | 模型训练 | 验证 | 推理

YOLOv8是一款前沿、最先进（SOTA）的模型，基于先前YOLO版本的成功，引入了新功能和改进，进一步提升性能和灵活性。

然而，要充分发挥Yolov8的潜力，合理的参数配置是至关重要的。本文将带您深入了解Yolov8调参的每一个细节。无论您是初学者还是有经验的研究者，本文都将为您提供实用技巧和深入解读，帮助您在Yolov8的世界中取得更出色的成果。让我们一起开始这个令人激动的调参之旅吧！

文档目录

1. 代码获取方式

2. 准备项目环境

3. Yolov8使用

3.1. CLI

3.2. Python

4. default.yaml文件解读

4.1. 类型/模式参数

4.1.1. task: detect

4.1.2. mode: train

4.2. 训练参数

4.2.1. model

4.2.2. data

4.2.3. epochs: 100

4.2.4. patience: 50

4.2.5. batch: 16

4.2.6. imgsz: 640

4.2.7. save: True

4.2.8. save_period: -1

4.2.9. cache: False

4.2.10. device

4.2.11. workers: 8

4.2.12. project

4.2.13. name

4.2.14. exist_ok: False

4.2.15. pretrained: True

4.2.16. optimizer: auto

4.2.17. verbose: True

4.2.18. seed: 0

4.2.19. deterministic: True

4.2.20. single_cls: False

4.2.21. rect: False

4.2.22. cos_lr: False

4.2.23. close_mosaic: 10

4.2.24. resume: False

4.2.25. amp: True

4.2.26. fraction: 1.0

4.2.27. profile: False

4.2.28. freeze: None

4.2.29. overlap_mask: True

4.2.30. mask_ratio

4.2.31. dropout

4.3. 验证/测试参数

4.3.1. val: True

4.3.2. split: val

4.3.3. save_json: False

4.3.4. save_hybrid: False

4.3.5. conf

4.3.6. iou: 0.7

4.3.7. max_det: 300

4.3.8. half: False

4.3.9. dnn: False

4.3.10. plots: True

4.4. 预测参数

4.4.1. source

4.4.2. show: False

4.4.3. save_txt: False

4.4.4. save_conf: False

4.4.5. save_crop: False

4.4.6. show_labels: True

4.4.7. show_conf: True

4.4.8. vid_stride: 1

4.4.9. stream_buffer: False

4.4.10. line_width

4.4.11. visualize: False

4.4.12. augment: False

4.4.13. agnostic_nms: False

4.4.14. classes

4.4.15. retina_masks: False

4.4.16. boxes: True

4.5. 模型导出参数

4.5.1. format: torchscript

4.5.2. keras: False

4.5.3. optimize: False

4.5.4. int8: False

4.5.5. dynamic: False

4.5.6. simplify: False

4.5.7. opset

4.5.8. workspace: 4

4.5.9. nms: False

4.6. 超参数

4.6.1. lr0: 0.01

4.6.2. lrf: 0.01

4.6.3. momentum: 0.937

4.6.4. weight_decay: 0.0005

4.6.5. warmup_epochs: 3.0

4.6.6. warmup_momentum: 0.8

4.6.7. warmup_bias_lr: 0.1

4.6.8. box: 7.5

4.6.9. cls: 0.5

4.6.10. dfl: 1.5

4.6.11. pose: 12.0

4.6.12. kobj: 1.0

4.6.13. label_smoothing: 0.0

4.6.14. nbs: 64

4.6.15. hsv_h: 0.015

4.6.16. hsv_s: 0.7

4.6.17. hsv_v: 0.4

4.6.18. degrees: 0.0

4.6.19. translate: 0.1

4.6.20. scale: 0.5

4.6.21. shear: 0.0

4.6.22. perspective: 0.0

4.6.23. flipud: 0.0

4.6.24. fliplr: 0.5

4.6.25. mosaic: 1.0

4.6.26. mixup: 0.0

4.6.27. copy_paste: 0.0

4.7. 自定义配置文件

4.7.1. cfg:

4.8. 跟踪器设置

4.8.1. tracker: botsort.yaml

5. YOLOv8网络配置

5.1. Parameters

5.2. Backbone

5.3. Head

1. 代码获取方式

Yolov8项目地址：https://github.com/ultralytics/ultralytics

首先切换至指定目录，执行以下命令克隆Yolov8项目代码到本地。

$: git clone https://github.com/ultralytics/ultralytics

2. 准备项目环境

切换至ultralytics，安装依赖包。

$: cd ultralytics

$: pip install -r requirements.txt

如果加快下载速度，可使用国内源，例如：

$: pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

3. Yolov8使用

3.1. 命令行界面(CLI)

YOLOv8可以在命令行界面（CLI）中直接使用，只需输入yolo命令，例如：yolo predict model=yolov8n.pt imgz=640 source='https://ultralytics.com/images/bus.jpg'

其中，

predict：是指这条命令用于进行模型预测。

model：指定要使用的模型文件，示例中yolov8n.pt是Yolov8预训练模型。

imgz：指定输入图像的尺寸大小。

source：指定输入图像读取路径。

3.2. Python

YOLOv8也可以在Python环境中直接使用，并接受与上述CLI示例中相同的参数。

from ultralytics import YOLO # 加载模型

model = YOLO("yolov8n.yaml") # 从头开始构建新模型

model = YOLO("y