yolov8命令行运行参数详解，运行方式的改进（符合yolov5的风格）

泡椒香菜‍

已于 2023-05-20 18:23:11 修改

阅读量5.6k

点赞数 26

文章标签： YOLO python 人工智能

于 2023-05-20 18:18:18 首次发布

本文链接：https://blog.csdn.net/weixin_52739099/article/details/130783668

版权

yolov8的使用和改进

第一章：yolov8命令行运行参数详解，运行方式的改进（符合yolov5的风格）

系列目录

yolov8的使用和改进
@[TOC](系列目录)

前言
一、yolov8参数含义
二、参数管理和代码运行方式的改进
1.yolov8的运行示例
2.yolov8运行代码的改进

总结

前言

这篇主要介绍yolov8的参数含义以及命令行运行方式的改进，yolov8的参数含义与yolov5大致相似，但是运行方式又有所不同，这对于用惯yolov5（python命令行和argparse管理）的同学来说比较难受，所以改进了其命令行的运行方式，使得与yolov5的运行方式相同

一、yolov8参数含义

源码的参数可以归类为四部分：

yolo【启动命令】
task【是[detect、segment、classification]中的一个。如果没有显式传递，YOLOv8将尝试从模型类型中猜测TASK】
mode 【(必选) 是[train, val, predict, export]中的一个】
args【(可选) 是任意数量的自定义arg=value对，如imgsz=320，覆盖默认值】

值得注意的是，每一个mode都有固定而不同的args（参数），yolov8支持你可以输入所有参数，但是代码会根据mode来自动选择使用特定的参数。以下是不同mode的参数详解（同时附上官网链接）：
train: https://docs.ultralytics.com/modes/train/#arguments
在这里插入图片描述
val: https://docs.ultralytics.com/modes/val/#arguments

predict: https://docs.ultralytics.com/modes/predict/#arguments

export: https://docs.ultralytics.com/modes/export/

二、参数管理和代码运行方式的改进

1.yolov8的运行示例

训练命令行示例：

# 从YAML中构建一个新模型，并从头开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

# 从预先训练的*.pt模型开始训练
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

# 从YAML中构建一个新的模型，将预训练的权重传递给它，并开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

对应python代码示例

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # 从YAML中构建一个新模型
model = YOLO('yolov8n.pt')  #加载预训练的模型(推荐用于训练)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # 从YAML构建并传递权重

# Train the model
model.train(data='coco128.yaml', epochs=100, imgsz=640)

可以看出，不管是使用yolov8命令行运行代码，还是python示例运行，和yolov5的风格区别较大，这对于习惯于用argparse参数方式的人来说有些许难受，所以我把接口做了改进。

argparse模式

python train.py --data coco128.yaml --weights yolov8n.pt --imgsz 640

2.yolov8运行代码的改进

改进后的命令行格式只需要将yolo改成python，参数前面加上‘- -’，也就是说完全符合yolov5的风格。

命令行示例：

python pythoncil.py --task detect --mode train --data coco128.yaml --weights yolov8n.pt --imgsz 640

在工程主目录新建pythoncil.py文件，粘贴如下代码，就可以实现上述功能。值得注意的是：我将训练超参数单独写在一个yaml文件中，在以下代码中会加载进去覆盖yolov8默认的训练超参数（在- -hyp中指定地址）。（这样符合yolov5的文件管理方式，也方便参数管理）

# -*- coding:utf-8 -*-
"""
作者：ChenTao
日期：2023年05月20日
"""
import argparse
import yaml
from ultralytics import YOLO

remove = {'weight': None, 'hyp': None}


def parse_opt(known=False):
    parser = argparse.ArgumentParser()
    parser.add_argument('--task', type=str, default='detect', help='YOLO task, i.e. detect, segment, classify, pose')
    parser.add_argument('--mode', type=str, default='train',
                        help='YOLO mode, i.e. train, val, predict, export, track, benchmark')

    # Train settings ---------------------------------------------------------------------------------------------------
    parser.add_argument('--weight', type=str, default='yolov8s.pt', help='initial weights path')
    parser.add_argument('--model', type=str, default='ultralytics/models/v8/yolov8n.yaml', help='model.yaml path')
    parser.add_argument('--data', type=str, default='ultralytics/datasets/coco128.yaml', help='dataset.yaml path')
    parser.add_argument('--hyp', type=str, default='ultralytics/datasets/hyp/default.yaml', help='hyperparameters path')
    parser.add_argument('--epochs', type=int, default=300, help='total training epochs')
    parser.add_argument('--patience', type=int, default=50,
                        help='epochs to wait for no observable improvement for early stopping of training')
    parser.add_argument('--batch', type=int, default=1, help='total batch size for all GPUs, -1 for autobatch')
    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')
    parser.add_argument('--save', type=bool, default=True, help='save train checkpoints and predict results')
    parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')
    parser.add_argument('--cache', type=str, nargs='?', const='ram', help='--cache images in "ram" (default) or "disk"')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')
    parser.add_argument('--project', default='runs/train', help='save to project/name')
    parser.add_argument('--name', default='exp', help='save to project/name')
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    parser.add_argument('--pretrained', action='store_true', help='whether to use a pretrained model')
    parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')
    parser.add_argument('--verbose', type=bool, default=True, help='whether to print verbose output')
    parser.add_argument('--seed', type=int, default=0, help='Global training seed')
    parser.add_argument('--deterministic', type=bool, default=True, help='whether to enable deterministic mode')
    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
    parser.add_argument('--rect', action='store_true', help='rectangular training')
    parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')
    parser.add_argument('--close_mosaic', type=int, default=0,
                        help='(int) disable mosaic augmentation for final epochs')
    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
    parser.add_argument('--amp', type=bool, default=True,
                        help='Automatic Mixed Precision (AMP) training, choices=[True, False], True runs AMP check')
    # Segmentation
    parser.add_argument('--overlap_mask', type=bool, default=True,
                        help='masks should overlap during training (segment train only)')
    parser.add_argument('--mask_ratio', type=int, default=4, help='mask downsample ratio (segment train only)')
    # Classification
    parser.add_argument('--dropout', type=float, default=0.0, help='use dropout regularization (classify train only)')

    # Val/Test settings ------------------------------------------------------------------------------------------------
    parser.add_argument('--val', type=bool, default=True, help='validate/test during training')
    parser.add_argument('--split', type=str, default='val', help="dataset split to use for validation, i.e. 'val', "
                                                                 "'test' or 'train'")
    parser.add_argument('--save_json', action='store_true', help='save results to JSON file')
    parser.add_argument('--save_hybrid', action='store_true', help='save hybrid version of labels (labels + '
                                                                   'additional predictions)')
    parser.add_argument('--conf', type=float, default=0.001, help='object confidence threshold for detection (default '
                                                                  '0.25 predict, 0.001 val)')
    parser.add_argument('--iou', type=float, default=0.7, help='intersection over union (IoU) threshold for NMS')
    parser.add_argument('--max_det', type=int, default=300, help='maximum number of detections per image')
    parser.add_argument('--half', action='store_true', help='use half precision (FP16)')
    parser.add_argument('--dnn', action='store_true', help='use OpenCV DNN for ONNX inference')
    parser.add_argument('--plots', type=bool, default=True, help='save plots during train/val')

    # Prediction settings ----------------------------------------------------------------------------------------------
    parser.add_argument('--source', type=str, default='', help='source directory for images or videos')
    parser.add_argument('--show', action='store_true', help='show results if possible')
    parser.add_argument('--save_txt', action='store_true', help='save results as .txt file')
    parser.add_argument('--save_conf', action='store_true', help='save results with confidence scores')
    parser.add_argument('--save_crop', action='store_true', help='save cropped images with results')
    parser.add_argument('--show_labels', type=bool, default=True, help='show object labels in plots')
    parser.add_argument('--show_conf', type=bool, default=True, help='show object confidence scores in plots')
    parser.add_argument('--vid_stride', type=int, default=1, help='video frame-rate stride')
    parser.add_argument('--line_width', type=int, default=None, help='line width of the bounding boxes')
    parser.add_argument('--visualize', action='store_true', help='visualize model features')
    parser.add_argument('--augment', action='store_true', help='apply image augmentation to prediction sources')
    parser.add_argument('--agnostic_nms', action='store_true', help='class-agnostic NMS')
    parser.add_argument('--classes', nargs='+', type=int, help='filter results by class, i.e. class=0, or class=[0,2,3]')
    parser.add_argument('--retina_masks', action='store_true', help='use high-resolution segmentation masks')
    parser.add_argument('--boxes', type=bool, default=True, help='Show boxes in segmentation predictions')

    # Export settings --------------------------------------------------------------------------------------------------
    parser.add_argument('--format', type=str, default='onnx', help='format to export to')
    parser.add_argument('--keras', action='store_true', help='use Keras')
    parser.add_argument('--optimize', action='store_true', help='TorchScript: optimize for mobile')
    parser.add_argument('--int8', action='store_true', help='CoreML/TF INT8 quantization')
    parser.add_argument('--dynamic', action='store_true', help='ONNX/TF/TensorRT: dynamic axes')
    parser.add_argument('--simplify', action='store_true', help='ONNX: simplify model')
    parser.add_argument('--opset', action='store_true', help='opset version (optional)')
    parser.add_argument('--workspace', action='store_true', help='TensorRT: workspace size (GB)')
    parser.add_argument('--nms', action='store_true', help='CoreML: add NMS')
    return parser.parse_known_args()[0] if known else parser.parse_args()


def load_yaml(path):
    with open(path, 'r', encoding='utf-8') as f:
        hyp = yaml.safe_load(f)
    return hyp


def remove_key(dic):
    for key in remove.keys():
        del dic[key]
    return dic


def run(**kwargs):
    # Usage: import pythoncil; pythoncil.run(task='', mode='', data='coco128.yaml', imgsz=320, weights='yolov8m.pt')
    opt = parse_opt(True)
    dic = load_yaml('ultralytics/yolo/cfg/default.yaml')

    for k, v in kwargs.items():
        setattr(opt, k, v)
    for arg in vars(opt):
        dic[arg] = getattr(opt, arg)

    # Load Hyperparameters
    hyp = load_yaml(opt.hyp)
    for key in hyp.keys():
        dic[key] = hyp[key]

    dic['project'] = f"runs/{dic['task']}/{dic['mode']}"
    dic['name'] = f"{dic['data'].split('/')[-1].split('.')[0]}-{dic['model'].split('/')[-1].split('.')[0]}-{dic['imgsz']}- "
    if dic['mode'] == 'train':
        model = YOLO(dic['model'], task=dic['task']).load(dic['weight'])
        model.train(**remove_key(dic))
    elif dic['mode'] == 'val':
        model = YOLO(dic['weight'])
        model.val(**remove_key(dic))
    elif dic['mode'] == 'predict':
        model = YOLO(dic['weight'])
        model.predict(**remove_key(dic))
    elif dic['mode'] == 'export':
        model = YOLO(dic['weight'])
        model.export(**remove_key(dic))


run()

总结

本文分析的yolov8的参数含义和使用方式，并对其进行改进使得其符合yolov5的参数管理方式和代码运行方式，毕竟yolov5经过长时间的磨炼，是非常优秀的项目，值得我们借鉴。

泡椒香菜‍

关注

26
点赞
踩
56

收藏

觉得还不错? 一键收藏
打赏
23
评论
yolov8命令行运行参数详解，运行方式的改进（符合yolov5的风格）

这篇主要介绍yolov8的参数含义以及命令行运行方式的改进，yolov8的参数含义与yolov5大致相似，但是运行方式又有所不同，这对于用惯yolov5（python命令行和argparse管理）的同学来说比较难受，所以改进了其命令行的运行方式，使得与yolov5的运行方式相同本文分析的yolov8的参数含义和使用方式，并对其进行改进使得其符合yolov5的参数管理方式和代码运行方式，毕竟yolov5经过长时间的磨炼，是非常优秀的项目，值得我们借鉴。
复制链接

扫一扫