【保姆级视频教程（三）】YOLOv12训练参数隐藏功能大揭秘！实时可视化你的模型“学习过程” | 小白也能轻松玩转目标检测！

【2025全站首发】YOLOv12训练参数隐藏功能大揭秘！实时可视化你的模型“学习过程”| 小白也能轻松玩转目标检测！

1. ultralytics官方训练参数详解

官方文档链接，注意plots参数默认值为True，官方文档标注错误。

论据	类型	默认值	说明
model	str	None	指定用于训练的模型文件。接受指向 .pt 预训练模型或 .yaml 配置文件。对于定义模型结构或初始化权重至关重要。
data	str	None	数据集配置文件的路径（例如 coco8.yaml).该文件包含特定于数据集的参数，包括训练和 验证数据类名和类数。
epochs	int	100	训练历元总数。每个历元代表对整个数据集进行一次完整的训练。调整该值会影响训练时间和模型性能。
time	float	None	最长训练时间（小时）。如果设置了该值，则会覆盖 epochs 参数，允许训练在指定的持续时间后自动停止。对于时间有限的训练场景非常有用。
patience	int	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	int	16	批量大小有三种模式： 设置为整数（如 batch=16）、自动模式，内存利用率为 60%GPU (batch=-1），或指定利用率的自动模式 (batch=0.70).
imgsz	int 或 list	640	用于训练的目标图像尺寸。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	bool	True	可保存训练检查点和最终模型权重。这对恢复训练或模型部署非常有用。
save_period	int	-1	保存模型检查点的频率，以 epochs 为单位。值为-1 时将禁用此功能。该功能适用于在长时间训练过程中保存临时模型。
cache	bool	False	在内存中缓存数据集图像 (True/ram）、磁盘 (disk），或禁用它 (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	int 或 str 或 list	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MPS for Apple silicon (device=mps).
workers	int	8	加载数据的工作线程数（每 RANK 如果多GPU 训练）。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	str	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	str	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	bool	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	bool	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	str	'auto'	为培训选择优化器。选项包括 SGD, Adam, AdamW, NAdam, RAdam, RMSProp 等，或 auto 用于根据模型配置进行自动选择。影响收敛速度和稳定性
seed	int	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	bool	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	bool	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。
classes	list[int]	None	指定要训练的类 ID 列表。有助于在训练过程中筛选出特定的类并将其作为训练重点。
rect	bool	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。
multi_scale	bool	False	通过增加/减少 imgsz 的系数 0.5 在训练过程中通过多次训练，使模型更加准确。 imgsz 在推理过程中
cos_lr	bool	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	int	10	在训练完成前禁用最后 N 个历元的马赛克数据增强以稳定训练。设置为 0 则禁用此功能。
resume	bool	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	bool	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	float	1.0	指定用于训练的数据集的部分。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	bool	False	在训练过程中，可对ONNX 和TensorRT 速度进行剖析，有助于优化模型部署。
freeze	int 或 list	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	float	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	float	0.01	最终学习率占初始学习率的百分比 = (lr0 * lrf)，与调度程序结合使用，随着时间的推移调整学习率。
momentum	float	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	float	0.0005	L2正则化项，对大权重进行惩罚，以防止过度拟合。
warmup_epochs	float	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	float	0.8	热身阶段的初始动力，在热身期间逐渐调整到设定动力。
warmup_bias_lr	float	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	float	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	float	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	float	1.5	分布焦点损失权重，在某些YOLO 版本中用于精细分类。
pose	float	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	float	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。
nbs	int	64	用于损耗正常化的标称批量大小。
overlap_mask	bool	True	决定是将对象遮罩合并为一个遮罩进行训练，还是将每个对象的遮罩分开。在重叠的情况下，较小的掩码会在合并时覆盖在较大的掩码之上。
mask_ratio	int	4	分割掩码的下采样率，影响训练时使用的掩码分辨率。
dropout	float	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	bool	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	bool	True	生成并保存训练和验证指标图以及预测示例图，以便直观了解模型性能和学习进度。

2. 训练过程可视化：TensorBoard 安装与使用详解

在深度学习训练过程中，实时监控模型的性能和训练进度至关重要。TensorBoard 作为 TensorFlow 的官方可视化工具，提供了丰富的功能来帮助开发者直观地了解模型的训练情况。本节将详细介绍 TensorBoard 的安装与使用方法，以提升训练过程的可观测性和调试效率。

2.1 TensorBoard 安装

2.1.1 使用 pip 安装

TensorBoard 可以通过 Python 的包管理工具 pip 进行安装。在终端或命令提示符中执行以下命令即可完成安装：

pip install tensorboard

2.1.2 验证安装

安装完成后，可以通过以下命令验证 TensorBoard 是否正确安装：

tensorboard --version

如果安装成功，将显示 TensorBoard 的版本号。

2.1.3 依赖项

TensorBoard 依赖于 TensorFlow 或其他兼容的后端框架（如 PyTorch）来生成和解析日志文件。确保你的环境中已安装了适当的后端框架，并与其版本兼容。

2.2 TensorBoard 使用

2.2.1 启动 TensorBoard

要启动 TensorBoard，需要指定一个日志目录，其中包含由训练过程生成的事件文件。以下是启动 TensorBoard 的基本命令：

tensorboard --logdir=runs/detect

其中，runs/detect 是包含事件文件的目录路径。你可以根据实际的日志目录路径进行调整。

2.2.2 访问 TensorBoard 界面

启动 TensorBoard 后，它将在默认的 6006 端口上运行。在浏览器中输入以下 URL 即可访问 TensorBoard 的 Web 界面：

http://localhost:6006

如果 TensorBoard 在远程服务器上运行，需要将 localhost 替换为服务器的 IP 地址或域名。

2.2.3 TensorBoard 主要功能

TensorBoard 提供了多种可视化功能，帮助开发者全面了解模型的训练过程：

• 标量（Scalars）：显示训练过程中的标量值，如损失函数、准确率等。
• 图像（Images）：展示训练过程中生成的图像，如输入图像、预测结果等。
• 直方图（Histograms）：显示张量（如权重、偏置）的分布情况，帮助分析模型的参数变化。
• 分布图（Distributions）：以分布图的形式展示张量的统计信息，与直方图功能类似，但更侧重于整体分布。
• 计算图（Graphs）：可视化模型的计算图，帮助理解模型的结构和数据流。
• 嵌入向量（Embeddings）：展示高维嵌入向量的可视化结果，常用于分析词向量等。

2.2.4 高级用法

• 自定义端口：如果默认的 6006 端口已被占用，可以通过 --port 参数指定其他端口：

  tensorboard --logdir=runs --port=6007