当前位置：首页 > news >正文

YOLO训练参数设置解析

news 2025/8/7 23:45:08

笔者按照教程训练完YOLO后对train训练参数配置产生兴趣，因此下文参考官方文档进行总结

Train - Ultralytics YOLO Docs

YOLO 模型的训练设置包括训练过程中使用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。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外，优化器、损失函数和训练数据集组成的选择也会影响训练过程。对这些设置进行仔细的调整和实验对于优化性能至关重要。

翻译版本：

参数	默认值	描述
`model`	`None`	指定用于训练的模型文件。接受 .pt 预训练模型或 .yaml 配置文件的路径。对于定义模型结构或初始化权重至关重要。
`data`	`None`	数据集配置文件（如 coco8.yaml）的路径。该文件包含特定于数据集的参数，包括训练数据和验证数据的路径、类名和类数量。
`epochs`	`100`	训练历元总数。每个epoch代表对整个数据集的一次完整检测。调整该值会影响训练时间和模型性能。
`time`	`None`	如果设置了这个参数，它将取代 epochs 参数，允许训练在指定时间后自动停止。对于时间有限的训练场景非常有用。
`patience`	`100`	在验证指标没有改善的情况下，提前停止训练所需的历元数。当性能趋于平稳时停止训练，有助于防止过度拟合。
`batch`	`16`	Batch size, 有三种模式：设置为整数（如 batch=16）、GPU 内存利用率为 60% 的自动模式（batch=-1）或指定利用率分数的自动模式（batch=0.70）。
`imgsz`	`640`	所有图像在输入模型前都会被调整到这一尺寸。影响模型精度和计算复杂度。
`save`	`True`	可保存训练检查点和最终模型权重。有助于恢复训练或模型部署。
`save_period`	`-1`	保存模型检查点的频率，以 epochs 为单位。如果值为 -1 则禁用此功能。该功能适用于在长时间训练过程中保存临时模型。
`cache`	`False`	启用内存（True/ram）、磁盘（disk）中的数据集映像缓存，或禁用（False）。通过减少磁盘 I/O，提高训练速度，但代价是增加内存使用量。
`device`	`None`	指定用于训练的计算设备：单个 GPU（device=0）、多个 GPU（device=0,1）、CPU（device=cpu）或苹果芯片的 MPS（device=mps）。
`workers`	`8`	用于加载数据的工作线程数（如果使用多 GPU 训练，则为每个 RANK）。影响数据预处理和输入模型的速度，尤其适用于多 GPU 设置。
`project`	`None`	保存训练结果的项目目录名称。允许有组织地存储不同的实验。
`name`	`None`	训练运行的名称。用于在项目文件夹内创建一个子目录，用于存储训练日志和输出结果。
`exist_ok`	`False`	如果为 True，则允许覆盖现有的项目/名称目录。这对迭代实验非常有用，无需手动清除之前的输出。
`pretrained`	`True`	决定是否从预处理模型开始训练。可以是布尔值，也可以是加载权重的特定模型的字符串路径。提高训练效率和模型性能。
`optimizer`	`'auto'`	选择用于训练的优化器。选项包括 SGD、Adam、AdamW、NAdam、RAdam、RMSProp 等，或根据模型配置自动选择。影响收敛速度和稳定性。
`verbose`	`False`	在培训期间启用冗余输出，提供详细的日志和进度更新。有助于调试和密切监控培训过程。
`seed`	`0`	为训练设置随机种子，确保在相同配置下运行的结果具有可重复性。
`deterministic`	`True`	强制使用确定性算法，确保可重复性，但由于对非确定性算法的限制，可能会影响性能和速度。
`single_cls`	`False`	在训练过程中将多类数据集中的所有类别视为单一类别。适用于二元分类任务，或侧重于对象的存在而非分类。
`rect`	`False`	可进行矩形训练，优化批次组成以减少填充。这可以提高效率和速度，但可能会影响模型的准确性。
`cos_lr`	`False`	利用余弦学习率调度器，根据历时的余弦曲线调整学习率。这有助于管理学习率，实现更好的收敛。
`close_mosaic`	`10`	在最后 N 个历元中禁用马赛克数据增强，以便在训练完成前保持稳定。设置为 0 则禁用此功能。
`resume`	`False`	从上次保存的检查点恢复训练。自动加载模型权重、优化器状态和历时计数，无缝继续训练。
`amp`	`True`	启用自动混合精度 (AMP) 训练，可减少内存使用量并加快训练速度，同时将对精度的影响降至最低。
`fraction`	`1.0`	指定用于训练的数据集分数。允许在完整数据集的子集上进行训练，这对实验或资源有限的情况非常有用。
`profile`	`False`	可在训练过程中分析 ONNX 和 TensorRT 的速度，这对优化模型部署非常有用。
`freeze`	`None`	冻结模型的前 N 层或按索引指定的层，从而减少可训练参数的数量。这对微调或迁移学习非常有用。
`lr0`	`0.01`	初始学习率（即 SGD=1E-2，Adam=1E-3） . 调整这个值对优化过程至关重要，会影响模型权重的更新速度。
`lrf`	`0.01`	最终学习率为初始学习率的一部分 = (lr0 * lrf)，与调度器结合使用，用于调整学习率。
`momentum`	`0.937`	用于 SGD 的动量因子，或用于 Adam 优化器的 beta1，用于将过去的梯度纳入当前更新。
`weight_decay`	`0.0005`	L2 正则化项，对大权重进行惩罚，以防止过度拟合。
`warmup_epochs`	`3.0`	学习率预热的历元数，学习率从低值逐渐增加到初始学习率，以在早期稳定训练。
`warmup_momentum`	`0.8`	热身阶段的初始动量，在热身期间逐渐调整到设定动量。
`warmup_bias_lr`	`0.1`	热身阶段的偏置参数学习率，有助于稳定初始历元的模型训练。
`box`	`7.5`	损失函数中边框损失部分的权重，影响对准确预测边框坐标的重视程度。
`cls`	`0.5`	分类损失在总损失函数中的权重，影响正确分类预测相对于其他部分的重要性。
`dfl`	`1.5`	分布焦点损失权重，在某些 YOLO 版本中用于精细分类。
`pose`	`12.0`	姿态损失在姿态估计模型中的权重，影响着准确预测姿态关键点的重点。
`kobj`	`2.0`	姿态估计模型中关键点对象性损失的权重，平衡检测可信度与姿态精度。
`label_smoothing`	`0.0`	应用标签平滑，将硬标签软化为目标标签和标签均匀分布的混合标签，可以提高泛化效果。
`nbs`	`64`	用于损耗正常化的标称批量大小。
`overlap_mask`	`True`	决定在训练过程中分割掩码是否应该重叠，适用于实例分割任务。
`mask_ratio`	`4`	分割掩码的下采样率，影响训练时使用的掩码分辨率。
`dropout`	`0.0`	分类任务中正则化的丢弃率，通过在训练过程中随机省略单元来防止过拟合。
`val`	`True`	可在训练过程中进行验证，以便在单独的数据集上对模型性能进行定期评估。
`plots`	`False`	生成并保存训练和验证指标图以及预测示例图，以便直观地了解模型性能和学习进度。