Yolov8不废话!参考手册!(yolov5l)
yund56 2025-07-17 00:03 4 浏览
yolo task=detect mode=train model=yolov8n.pt args...
classify predict yolov8n-cls.yaml args...
segment val yolov8n-seg.yaml args...
export yolov8n.pt format=onnx args...
使用Ultralytics YOLO进行模型训练
* 如COCO、VOC、ImageNet等YOLOv8数据集在首次使用时会自动下载,即 `yolo train data=coco.yaml`
from ultralytics import YOLO
model = YOLO('yolov8n-pose.yaml')
model = YOLO('model/yolov8n-pose.pt')
model = YOLO('yolov8n-pose.yaml').load('yolov8n-pose.pt')
results = model.train(data='coco8-pose.yaml', epochs=100, imgsz=640)
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml epochs=100 imgsz=640
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640
yolo pose train data=coco8-pose.yaml model=yolov8n-pose.yaml pretrained=yolov8n-pose.pt epochs=100 imgsz=640
from ultralytics import YOLO
model = YOLO('yolov8n.yaml')
model = YOLO('model/yolov8n.pt')
model = YOLO('yolov8n.yaml').load('yolov8n.pt')
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640
在COCO128数据集上训练YOLOv8n模型100个时期,图像大小为640。可以使用device
参数指定训练设备。如果没有传递参数,并且有可用的GPU,则将使用GPU device=0,否则将使用device=cpu。有关完整列表的训练参数,请参见下面的参数部分。
设备将自动确定。如果有可用的GPU,那么将使用它,否则将在CPU上开始训练。
from ultralytics import YOLO
model = YOLO('yolov8n.yaml')
model = YOLO('model/yolov8n.pt')
model = YOLO('yolov8n.yaml').load('yolov8n.pt')
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640
多GPU训练通过在多个GPU上分布训练负载,实现对可用硬件资源的更有效利用。无论是通过Python API还是命令行界面,都可以使用此功能。
若要启用多GPU训练,请指定您希望使用的GPU设备ID。
要使用2个GPU进行训练,请使用CUDA设备0和1,使用以下命令。根据需要扩展到更多GPU。
from ultralytics import YOLO
model = YOLO('model/yolov8n.pt')
results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device=[0, 1])
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1
在处理深度学习模型时,从之前保存的状态恢复训练是一个关键特性。在各种情况下,这可能很方便,比如当训练过程意外中断,或者当您希望用新数据或更多时期继续训练模型时。
恢复训练时,Ultralytics YOLO将加载最后保存的模型的权重,并恢复优化器状态、学习率调度器和时期编号。这允许您无缝地从离开的地方继续训练过程。
在Ultralytics YOLO中,您可以通过在调用train方法时将resume参数设置为True并指定包含部分训练模型权重的.pt
文件路径来轻松恢复训练。
下面是使用Python和命令行恢复中断训练的示例:
from ultralytics import YOLO
model = YOLO('path/to/last.pt')
results = model.train(resume=True)
yolo train resume model=path/to/last.pt
通过设置resume=True,train函数将从’path/to/last.pt’文件中存储的状态继续训练。如果省略resume
参数或将其设置为False,train函数将启动新的训练会话。
请记住,默认情况下,检查点会在每个时期结束时保存,或者使用save_period参数以固定间隔保存,因此您必须至少完成1个时期才能恢复训练运行。
YOLO模型的训练设置是指用于对数据集进行模型训练的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。一些常见的YOLO训练设置包括批大小、学习率、动量和权重衰减。其他可能影响训练过程的因素包括优化器的选择、损失函数的选择以及训练数据集的大小和组成。仔细调整和实验这些设置以实现给定任务的最佳性能是非常重要的。
键 | 值 | 描述 |
model | None | 模型文件路径,例如 yolov8n.pt, yolov8n.yaml |
data | None | 数据文件路径,例如 coco128.yaml |
epochs | 100 | 训练的轮次数量 |
patience | 50 | 早停训练的等待轮次 |
batch | 16 | 每批图像数量(-1为自动批大小) |
imgsz | 640 | 输入图像的大小,以整数表示 |
save | True | 保存训练检查点和预测结果 |
save_period | -1 | 每x轮次保存检查点(如果<1则禁用) |
cache | False | True/ram, disk 或 False。使用缓存加载数据 |
device | None | 运行设备,例如 cuda device=0 或 device=0,1,2,3 或 device=cpu |
workers | 8 | 数据加载的工作线程数(如果DDP则为每个RANK) |
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 | (bool 或 str) 是否使用预训练模型(bool)或从中加载权重的模型(str) |
optimizer | 'auto' | 使用的优化器,选择范围=[SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto] |
verbose | False | 是否打印详细输出 |
seed | 0 | 随机种子,用于可重复性 |
deterministic | True | 是否启用确定性模式 |
single_cls | False | 将多类数据作为单类训练 |
rect | False | 矩形训练,每批为最小填充整合 |
cos_lr | False | 使用余弦学习率调度器 |
close_mosaic | 10 | (int) 最后轮次禁用马赛克增强(0为禁用) |
resume | False | 从最后检查点恢复训练 |
amp | True | 自动混合精度(AMP)训练,选择范围=[True, False] |
fraction | 1.0 | 训练的数据集比例(默认为1.0,即训练集中的所有图像) |
profile | False | 在训练期间为记录器分析ONNX和TensorRT速度 |
freeze | None | (int 或 list, 可选) 在训练期间冻结前n层,或冻结层索引列表 |
lr0 | 0.01 | 初始学习率(例如 SGD=1E-2, Adam=1E-3) |
lrf | 0.01 | 最终学习率 (lr0 * lrf) |
momentum | 0.937 | SGD动量/Adam beta1 |
weight_decay | 0.0005 | 优化器权重衰减5e-4 |
warmup_epochs | 3.0 | 热身轮次(小数ok) |
warmup_momentum | 0.8 | 热身初始动量 |
warmup_bias_lr | 0.1 | 热身初始偏差lr |
box | 7.5 | 框损失增益 |
cls | 0.5 | cls损失增益(根据像素缩放) |
dfl | 1.5 | dfl损失增益 |
pose | 12.0 | 姿态损失增益(仅限姿态) |
kobj | 2.0 | 关键点obj损失增益(仅限姿态) |
label_smoothing | 0.0 | 标签平滑(小数) |
nbs | 64 | 标称批大小 |
overlap_mask | True | 训练期间掩码应重叠(仅限分割训练) |
mask_ratio | 4 | 掩码降采样比率(仅限分割训练) |
dropout | 0.0 | 使用dropout正则化(仅限分类训练) |
val | True | 训练期间验证/测试 |
在训练YOLOv8模型时,跟踪模型随时间的性能变化可能非常有价值。这就是记录发挥作用的地方。Ultralytics的YOLO提供对三种类型记录器的支持 -
Comet、ClearML和TensorBoard。
要使用记录器,请在上面的代码片段中的下拉菜单中选择它并运行。所选的记录器将被安装和初始化。
TensorBoard
是TensorFlow的可视化工具包。它允许您可视化TensorFlow图表,绘制有关图表执行的定量指标,并展示通过它的附加数据,如图像。
load_ext tensorboard
tensorboard --logdir ultralytics/runs
在本地使用TensorBoard,运行下面的命令并在 http://localhost:6006/ 查看结果。
tensorboard --logdir ultralytics/runs
这将加载TensorBoard并将其定向到保存训练日志的目录。
在设置好日志记录器后,您可以继续进行模型训练。所有训练指标将自动记录在您选择的平台中,您可以访问这些日志以监控模型随时间的表现,比较不同模型,并识别改进的领域。
将 YOLOv8n 模型导出为 ONNX 或 TensorRT 等不同格式。查看下面的参数部分,了解完整的导出参数列表。
from ultralytics import YOLO
model = YOLO('model/yolov8n.pt')
model = YOLO('path/to/best.pt')
model.export(format='onnx')
yolo export model=yolov8n.pt format=onnx
yolo export model=path/to/best.pt format=onnx
YOLO 模型的导出设置是指用于在其他环境或平台中使用模型时保存或导出模型的各种配置和选项。这些设置会影响模型的性能、大小和与不同系统的兼容性。一些常见的
YOLO 导出设置包括导出的模型文件格式(例如 ONNX、TensorFlow SavedModel)、模型将在哪个设备上运行(例如
CPU、GPU)以及是否包含附加功能,如遮罩或每个框多个标签。其他可能影响导出过程的因素包括模型用途的具体细节以及目标环境或平台的要求或限制。重要的是要仔细考虑和配置这些设置,以确保导出的模型针对预期用例经过优化,并且可以在目标环境中有效使用。
键 | 值 | 描述 |
format | 'torchscript' | 导出的格式 |
imgsz | 640 | 图像尺寸,可以是标量或 (h, w) 列表,比如 (640, 480) |
keras | False | 使用 Keras 导出 TF SavedModel |
optimize | False | TorchScript:为移动设备优化 |
half | False | FP16 量化 |
int8 | False | INT8 量化 |
dynamic | False | ONNX/TensorRT:动态轴 |
simplify | False | ONNX/TensorRT:简化模型 |
opset | None | ONNX:opset 版本(可选,默认为最新版本) |
workspace | 4 | TensorRT:工作区大小(GB) |
nms | False | CoreML:添加 NMS |
下表中提供了可用的 YOLOv8 导出格式。您可以使用 format 参数导出任何格式的模型,比如 format='onnx' 或 format='engine'。
格式 | format 参数 | 模型 | 元数据 | 参数 |
PyTorch | - | yolov8n.pt | - | |
TorchScript | torchscript | yolov8n.torchscript | imgsz, optimize | |
ONNX | onnx | yolov8n.onnx | imgsz, half, dynamic, simplify, opset | |
OpenVINO | openvino | yolov8n_openvino_model/ | imgsz, half | |
TensorRT | engine | yolov8n.engine | imgsz, half, dynamic, simplify, workspace | |
CoreML | coreml | yolov8n.mlpackage | imgsz, half, int8, nms | |
TF SavedModel | saved_model | yolov8n_saved_model/ | imgsz, keras | |
TF GraphDef | pb | yolov8n.pb | imgsz | |
TF Lite | tflite | yolov8n.tflite | imgsz, half, int8 | |
TF Edge TPU | edgetpu | yolov8n_edgetpu.tflite | imgsz | |
TF.js | tfjs | yolov8n_web_model/ | imgsz | |
PaddlePaddle | paddle | yolov8n_paddle_model/ | imgsz | |
ncnn | ncnn | yolov8n_ncnn_model/ | imgsz, half |
Yolov8 训练代码+部署事例+参考手册 1G资料
下载链接:点击下载
相关推荐
- 柚墨个人简历Word模板分享(柚墨ppt)
-
1、棕色商务风餐饮店长个人通用简历:http://www.yomoer.cn/template/detail/7801.html2、棕色商务风猎头个人通用简历:http://www.yomoer.cn...
- 纯粹的 Prompt 优化:输出HTML一步到位, 简历诊断 AI 小程序揭秘
-
最近我琢磨着,能不能搞一个超便捷的简历诊断工具,用户只需上传简历和岗位要求截图,AI就能一步到位生成HTML报告,这想法是不是听着就带劲?现在,我把这整个过程拆解出来,跟大家分享一下,保证干货满...
- 代码式动态录入生成个人简历页面html页面前端源码
-
大家好,今天给大家介绍一款,代码式动态录入生成个人简历页面html页面前端源码(图1)。送给大家哦,获取方式在本文末尾。整个页面分为两个部分,左右布局,左边动态输入一个代码编辑器,根据输入的代码动态变...
- Web前端开发,HTML超链接标签,不懂的可以学习一下
-
一、什么是HTML的超链接大家平时浏览的网页中都可以找到链接。点击链接就可以从一个页面跳转到另一个页面。HTML超链接可以是一个字,一个词,或者一组词,也可以是一幅图像。可以点击这些内容来跳转到新的文...
- HTML-列表标签(双标签) 208(html项目列表标签)
-
列表标签有3种:1)dl,dd与dt(定义列表)2)ol与li(有序列表)3)ul与li(无序列表)前两者一般不怎么用,网页中运用最多的是第三种1)<dl><dd>与<...
- html开发笔记06- 字体标签和文字标签
-
1、字体标签:用于在页面中加粗、倾斜、加下划线等操作(不推荐)。字体标签分为:<b>加粗</b>,<i>倾斜</i>,<u>下划线&...
- Web前端:HTML的10大重要用途(web前端开发html总结)
-
HTML是最流行的Web前端开发技术之一,它是一种用于创建网页和Web应用程序的标记语言。HTML与CSS和JavaScript结合使用以创建有吸引力且响应迅速的前端网页。 HTML提供了...
- 晨间解析!HTML canvas 标签面试题,绘图知识轻松掌握
-
当清晨的阳光如笔尖般轻轻划过窗台,泡一杯温润的金骏眉,坐在桌前翻开这篇文章——此刻的学习,就像在网页的“电子画布”上从容调色,让HTML中<canvas>标签的知识点如晨光般细...
- 想学 HTML,不知从何入手?看完这篇文章你就知道了
-
很多人都说HTML是一门很简单的语言,看看书,看看视频就能读懂。但是,如果你完全没有接触过,就想通过看一遍教程,背背标签,想要完全了解HTML,真的有点太天真了。HTML中文“超文本标记语言”,英文名...
- B端设计|页面标签的认识和实操应用
-
既然浏览器中可以使用页面标签,那为什么在项目中还需要使用这个组件和交互框架的形式呢?本文IE等浏览器界面为例,介绍了页面标签在产品设计中的作用,以及它们在不同使用场景当中的效果。希望能帮助你对页面标签...
- 视频号超链接怎么设置能成功?核心要点:标签代码格式
-
视频号超链接怎么设置能成功?坦白来讲,成功背后的方法很简单,唯一需要注意的点,就是<a>标签代码背后对应的格式。前两天一朋友跟我说:为什么视频号超链接设置完以后,在用户端看测试效果时,显示...
- 那些容易被你忽略的HTML重要属性,你知道几个?
-
前言在前端开发编写html文件的时候,我们可能会很熟练的写出常见的html元素,但是如果问到某些元素的差别时,大家不一定能说的出来,今天就给大家总结一下那些很常见但容易混淆的属性。html与csscs...
- 「测试开发全栈-HTML」(18) label标签的使用
-
说完了标签属性后,接着说下HTML中最后的标签--label<label>标签为input元素定义标注,用于绑定一个表单元素,当点击一个<label>标签内的文本时,浏览器就会...
- Markdown 各种标签说明介绍(markdownhere)
-
介绍主要介绍各种Markdown的标签。汇总一下自己在Markdown中编辑中的常用标签。本篇内容的标签,全部是在Typora的环境下自测使用过。1.基础标签主要介绍Markdown中的一些基础标签,...
- 10 个罕见的 HTML 标签,几乎无人使用 - 、等等
-
HTML的内容远不止<div>、<a>和<p>。如此多更复杂、更强大的标签,你可能从未使用过。具有从交互式图像到复杂的UI组件的有趣功能。1.<...
- 一周热门
- 最近发表
- 标签列表
-
- filter函数js (37)
- filter函数excel用不了 (73)
- 商城开发 (40)
- 影视网站免费源码最新版 (57)
- 影视资源api接口 (46)
- 网站留言板代码大全 (56)
- java版软件下载 (52)
- java教材电子课本下载 (48)
- 0基础编程从什么开始学 (50)
- java是用来干嘛的 (51)
- it入门应该学什么 (55)
- java线上课程 (55)
- 学java的软件叫什么软件 (38)
- 程序开发软件有哪些 (53)
- 软件培训 (59)
- 机器人编程代码大全 (50)
- 少儿编程教程免费 (45)
- 新代系统编程教学 (61)
- 共创世界编程网站 (38)
- 亲测源码 (36)
- 三角函数积分公式表 (35)
- 函数的表示方法 (34)
- 表格乘法的公式怎么设置 (34)
- sumif函数的例子 (34)
- 图片素材 (36)