YOLO 設(shè)置和超參數(shù)對模型的性能、速度和準(zhǔn)確性起著至關(guān)重要的作用。 這些設(shè)置和超參數(shù)可以影響模型開發(fā)過程各個階段的模型行為，包括訓(xùn)練、驗證和預(yù)測。

YOLOv8 yolo CLI 命令使用以下語法：

=== "CLI"

    ```bash
    yolo TASK MODE ARGS
    ```

=== "Python"

    ```python
    from ultralytics import YOLO

    # Load a YOLOv8 model from a pre-trained weights file
    model = YOLO('yolov8n.pt')

    # Run MODE mode using the custom arguments ARGS (guess TASK)
    model.MODE(ARGS)
    ```

Where:

• TASK?(optional) is one of?[detect, segment, classify, pose]. If it is not passed explicitly YOLOv8 will try to guess the?TASK?from the model type.
• MODE?(required) is one of?[train, val, predict, export, track, benchmark]
• ARGS?(optional) are any number of custom?arg=value?pairs like?imgsz=320?that override defaults.

一、Tasks

YOLO 模型可用于各種任務(wù)，包括檢測、分割、分類和姿勢。 這些任務(wù)的不同之處在于它們產(chǎn)生的輸出類型以及它們旨在解決的具體問題。

檢測：用于識別和定位圖像或視頻中感興趣的對象或區(qū)域。

分段：用于將圖像或視頻劃分為對應(yīng)于不同對象或類別的區(qū)域或像素。

分類：用于預(yù)測輸入圖像的類標(biāo)簽。

姿勢：用于識別圖像或視頻中的對象并估計其關(guān)鍵點。

二、Modes

YOLO 模型可以根據(jù)您要解決的具體問題以不同的模式使用。

這些模式包括：

訓(xùn)練：用于在自定義數(shù)據(jù)集上訓(xùn)練 YOLOv8 模型。

Val：用于在訓(xùn)練后驗證 YOLOv8 模型。

預(yù)測：使用經(jīng)過訓(xùn)練的 YOLOv8 模型對新圖像或視頻進(jìn)行預(yù)測。

導(dǎo)出：用于將 YOLOv8 模型導(dǎo)出為可用于部署的格式。

Track：用于使用 YOLOv8 模型實時跟蹤對象。

基準(zhǔn)：用于對 YOLOv8 導(dǎo)出（ONNX、TensorRT 等）速度和準(zhǔn)確性進(jìn)行基準(zhǔn)測試。

三、Train

YOLO 模型的訓(xùn)練設(shè)置包含訓(xùn)練過程中使用的各種超參數(shù)和配置。 這些設(shè)置會影響模型的性能、速度和準(zhǔn)確性。

關(guān)鍵的訓(xùn)練設(shè)置包括批量大小、學(xué)習(xí)率、動量和權(quán)重衰減。 此外，優(yōu)化器、損失函數(shù)和訓(xùn)練數(shù)據(jù)集組成的選擇也會影響訓(xùn)練過程。 仔細(xì)調(diào)整和試驗這些設(shè)置對于優(yōu)化性能至關(guān)重要。

四、Predict

YOLO 模型的預(yù)測設(shè)置包含一系列超參數(shù)和配置，這些超參數(shù)和配置會影響模型在推理新數(shù)據(jù)期間的性能、速度和準(zhǔn)確性。 仔細(xì)調(diào)整和試驗這些設(shè)置對于實現(xiàn)特定任務(wù)的最佳性能至關(guān)重要。 關(guān)鍵設(shè)置包括置信度閾值、非極大值抑制 (NMS) 閾值和考慮的類別數(shù)量。 影響預(yù)測過程的其他因素包括輸入數(shù)據(jù)的大小和格式、是否存在補充特征（例如每個框的掩碼或多個標(biāo)簽）以及模型所執(zhí)行的特定任務(wù)。

五、Val

YOLO 模型的 val（驗證）設(shè)置涉及各種超參數(shù)和配置，用于評估模型在驗證數(shù)據(jù)集上的性能。 這些設(shè)置會影響模型的性能、速度和準(zhǔn)確性。 常見的 YOLO 驗證設(shè)置包括批量大小、訓(xùn)練期間的驗證頻率以及性能評估指標(biāo)。 影響驗證過程的其他因素包括驗證數(shù)據(jù)集的大小和組成，以及模型所用于的特定任務(wù)。 對這些設(shè)置進(jìn)行仔細(xì)調(diào)整和實驗對于確保驗證數(shù)據(jù)集的最佳性能以及檢測和防止過度擬合至關(guān)重要。

六、Export

YOLO 模型的導(dǎo)出設(shè)置包含與保存或?qū)С瞿Ｐ鸵栽诓煌h(huán)境或平臺中使用相關(guān)的配置和選項。 這些設(shè)置可能會影響模型的性能、大小以及與各種系統(tǒng)的兼容性。 關(guān)鍵導(dǎo)出設(shè)置包括導(dǎo)出的模型文件格式（例如 ONNX、TensorFlow SavedModel）、目標(biāo)設(shè)備（例如 CPU、GPU）以及其他功能，例如掩?；蛎總€框多個標(biāo)簽。 導(dǎo)出過程還可能受到模型的特定任務(wù)以及目標(biāo)環(huán)境或平臺的要求或約束的影響。 仔細(xì)配置這些設(shè)置以確保導(dǎo)出的模型針對預(yù)期用例進(jìn)行優(yōu)化并在目標(biāo)環(huán)境中有效運行至關(guān)重要。

七、Augmentation

YOLO 模型的增強設(shè)置是指應(yīng)用于訓(xùn)練數(shù)據(jù)的各種轉(zhuǎn)換和修改，以增加數(shù)據(jù)集的多樣性和大小。 這些設(shè)置會影響模型的性能、速度和準(zhǔn)確性。 一些常見的 YOLO 增強設(shè)置包括所應(yīng)用的變換的類型和強度（例如隨機翻轉(zhuǎn)、旋轉(zhuǎn)、裁剪、顏色變化）、應(yīng)用每個變換的概率以及是否存在附加功能，例如每個框的掩?；蚨鄠€標(biāo)簽 。 可能影響增強過程的其他因素包括原始數(shù)據(jù)集的大小和組成以及模型所用于的特定任務(wù)。 仔細(xì)調(diào)整和試驗這些設(shè)置非常重要，以確保增強數(shù)據(jù)集具有足夠的多樣性和代表性，足以訓(xùn)練高性能模型。

八、Logging, checkpoints, plotting and file management

訓(xùn)練 YOLO 模型時，日志記錄、檢查點、繪圖和文件管理是重要的考慮因素。

日志記錄：在訓(xùn)練期間記錄各種指標(biāo)和統(tǒng)計數(shù)據(jù)通常很有幫助，以跟蹤模型的進(jìn)度并診斷可能出現(xiàn)的任何問題。 這可以使用 TensorBoard 等日志庫或通過將日志消息寫入文件來完成。

檢查點：在訓(xùn)練期間定期保存模型的檢查點是一個很好的做法。 如果訓(xùn)練過程中斷或者您想嘗試不同的訓(xùn)練配置，您可以從之前的點恢復(fù)訓(xùn)練。

繪圖：可視化模型的性能和訓(xùn)練進(jìn)度有助于理解模型的行為方式并識別潛在問題。 這可以使用 matplotlib 等繪圖庫或使用 TensorBoard 等日志記錄庫生成繪圖來完成。

文件管理：管理訓(xùn)練過程中生成的各種文件（例如模型檢查點、日志文件和繪圖）可能具有挑戰(zhàn)性。 擁有清晰且有組織的文件結(jié)構(gòu)來跟蹤這些文件并使其易于根據(jù)需要訪問和分析它們非常重要。

有效的日志記錄、檢查點、繪圖和文件管理可以幫助您跟蹤模型的進(jìn)度，并更輕松地調(diào)試和優(yōu)化訓(xùn)練過程。文章來源地址http://www.zghlxwxcb.cn/news/detail-752605.html

到了這里，關(guān)于【計算機視覺】YOLOv8參數(shù)詳解（全面詳細(xì)、重點突出、大白話闡述小白也能看懂）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！