YOLO第Y1周：详解YOLO检测算法的训练参数

第Y1周：详解YOLO检测算法的训练参数

• 🍨 本文为🔗IT男的一人企业中的学习记录博客
• 🍖 原作者：[IT男的一人企业]

人工智能的技术圈有一项“一招鲜，吃遍天”的免费开源技术。软件外包公司拿着它就可以吃饱喝足。这项技术就是目标检测，用的是YOLO算法。

对于外行人，不管是做交通、医疗、环保还是机械行业的，他们往往会认为每一个场景都是一项技术。我接触过一个读者，他说要给我130多个AI项目做。我问都是什么项目？他告诉我，检测道路积水、检测流动摊贩、检测门前脏乱、检测违规撑伞……

我说，停停停！从我看来，这就是一个项目，都是针对某个目标进行检测。我说你有这么多需要检测的场景，咱别一个项目一个项目的走，不如做一个通用的检测平台，一招解决所以问题。

不管是检测路上的杂物，还是检测车船，看着有上百种要识别的场景。其实用到的技术都是目标检测算法。一般是用YOLO算法。

这里面最难的就是获取训练数据。这么多场景，对数据量的要求很大。因为每做一类，都要对数据进行标记。即便是现在大厂做的模型，也仅仅是通用模型，没这么细致。所谓通用就是一些生活中常见的事物，比如人啊，汽车呀。他没有细致到具体车的反光镜，化妆镜，还是后视镜。你想要搞这么细，你得找个几千张图片，然后挨个标记，交给模型去训练，训练完之后他才能进行识别。

举个例子，比方说我们想识别下图中的①和②，得先有训练素材，然后标记成训练集，最后去训练。

有些人确实是这么做了。其实，能迈出这一步的人，已经很不错了。因为多数人都望而却步，说一句：都说AI方便，什么破技术，这么费劲巴拉！

有些先驱们，前期耗费了一些人力物力，搞了一些训练集，但是最终发现还是没有获得好的效果。于是就对检测技术产生了怀疑。

我搜了搜，网上都在讲YOLO平台，还没有人专门讲过它训练参数的配置。如果配置不好参数，无异于高速上挂S档跑长途，很难获得预期的效果。

那么，YOLO进行训练时，它有哪些参数可以设置呢？又会起到什么作用呢？

以YOLOv8举例，我们可以去一个地方查询，那就是安装目录下的

ultralytics\cfg\default.yaml文件。

# Ultralytics YOLO 馃殌, AGPL-3.0 license
# 默认的训练设置和超参数，用于中等增强的 COCO 训练

task: detect  # (str) YOLO 任务，例如检测、分割、分类、姿态
mode: train  # (str) YOLO 模式，例如训练、验证、预测、导出、跟踪、基准测试

# 训练设置 --------------------------------------------------------------------------------
model:  # (str, optional)模型文件的路径，例如 yolov8n.pt, yolov8n.yaml
data:  # (str, optional) 数据文件的路径，例如 coco128.yaml
epochs: 100  # (int) 训练的周期数
patience: 50  # (int) 如果没有可观察到的改进，则等待周期数以提前停止训练
batch: 16  # (int) 每个批次的图像数（-1 表示自动批次）
imgsz: 640  # (int | list) 训练和验证模式下的输入图像尺寸（整数），或预测和导出模式下的列表[w,h]
save: True  # (bool) 保存训练检查点和预测结果
save_period: -1 # (int) 每 x 个周期保存一次检查点（如果小于 1 则禁用）
cache: False  # (bool) True/ram, disk 或 False。用于数据加载的缓存
device:  # (int | str | list, optional) 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu
workers: 8  # (int) 数据加载的工作线程数（如果是 DDP，则每个 RANK）
project:  # (str, optional可选) 项目名称
name:  # (str, optional) 实验名称，结果保存到 '项目/名称' 目录
exist_ok: False  # (bool) 是否覆盖现有实验
pretrained: True  # (bool | str) 是否使用预训练模型（bool）或从哪个模型加载权重（str）
optimizer: auto  # (str) 使用的优化器，选项=[SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto]
verbose