超详细YOLOv8训练参数、说明详解

目录

引言

使用示例

多GPU训练

苹果M1和M2 MPS训练

恢复中断的训练

参数

记录

Comet

ClearML

TensorBoard

 yolov8导航

        如果大家想要了解关于yolov8的其他任务和相关内容可以点击这个链接，我这边整理了许多其他任务的说明博文，后续也会持续更新，包括yolov8模型优化、sam等等的相关内容。

YOLOv8（附带各种任务详细说明链接）

引言

以下是YOLOv8训练模式的一些显著特点：

• 自动数据集下载: 标准数据集如COCO、VOC和ImageNet将在首次使用时自动下载。
• 多GPU支持: 无缝地跨多个GPU扩展您的训练工作，以加快过程。
• 超参数配置: 通过YAML配置文件或CLI参数修改超参数的选项。
• 可视化和监控: 实时跟踪训练指标并可视化学习过程，以获得更好的洞察力。

        这篇博客实际上基本都是摘自于官方的文档，我这边重新转载一遍也是为了个人可能更深刻的了解 ultralytics 的一些细节。如果大家想在这篇学到其他官网以外知识可能会让大家失望了。 

使用示例

        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。

使用python代码进行执行训练：

from ultralytics import YOLO

# 加载一个模型
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # 从YAML建立并转移权重

# 训练模型
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)

使用命令行执行训练： 

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

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

# 从YAML构建一个新模型，转移预训练权重，然后开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

        这三行代码都是可以执行训练的，就是参数不同，具体区别注释有写，小伙伴们如果不明白的可以告诉我，我这边在写的更详细一些。

多GPU训练

         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。代码中的device=[xxx, xxx]则是指定激活训练的GPT编号ID。

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.pt')  # 加载预训练模型（推荐用于训练）

# 使用2个GPU训练模型
results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device=[0, 1])