YOLO图像识别训练参数

​

YOLO图像识别训练参数

1、训练代码中参数

代码示例：

yaml_yolov8 = 'ultralytics/cfg/models/v8/yolov8m.yaml'

model = YOLO(yaml_yolov8)

data_path = r'config\traindata.yaml'

name = os.path.basename(yaml_yolov8).split('.')[0]

# 文档中对参数有详细的说明

model.train(data=data_path,  # 数据集

            imgsz=640,  # 训练图片大小

            epochs=200,  # 训练的轮次

            batch=2,  # 训练batch

            workers=0,  # 加载数据线程数

            device=device,  # 使用显卡

            optimizer='SGD',  # 优化器

            project='runs/train',  # 模型保存路径

            name=name,  # 模型保存命名

            )

1.1、yolov8m.yaml

选择yolov8m作为超参传入。网络层数在295层

​

1.2、model.train：data=data_path

定义了数据集路径，包括了根路径（path）、训练集（train）、验证集（val）、测试集（test）如：

path: D://python//ultralytics-main//dataset//yolo

train: # train images (relative to 'path')  16551 images

  - train

val: # val images (relative to 'path')  4952 images

  - val

test: # test images (optional)

  - test

定义了分类的详细情况：如

names:

  0: helmet

  1: head

1.3、model.train：igmsz=640

定义了训练的图片大小。

1.3.1 、常见设置

小目标检测用igmsz=1024（如遥感图像中的车辆、行人等）

通用目标检测用igmsz=640（如交通监控中的车辆）

实时检测用416或320（如无人机或摄像头实时检测）

1.3.2、imgsz的作用

1. 影响模型性能：大的imgsz会保存图片更多细节，有助于小目标检测，同理小的imgsz会导致小目标丢失使效果变差
2. 影响推理速度：imgsz 越大，模型的计算量越大，推理速度越慢。实时性：对于实时检测任务（如视频流处理），通常需要较小的 imgsz 以保证推理速度。
3. 影响内存占用大小：显存占用：imgsz 越大，输入图像占用的显存越多，可能导致 GPU 内存不足（OOM）。批量大小：较大的 imgsz 会减少单次推理或训练的批量大小（batch size）。

1.3.3 模型性能

验证集表现：在验证集上测试不同 imgsz 的模型性能（如 mAP），选择性能最佳的 imgsz。

推理速度：测试不同 imgsz 的推理速度（FPS），选择满足实时性要求的 imgsz。

​

1.3.4、 imgsz 的调整策略

（1）从默认值开始

初始可以使用 YOLO 的默认 imgsz（如 640），观察模型性能和推理速度。

如果默认值无法满足需求，再逐步调整。

（2）逐步调整

如果需要更高的检测精度，可以逐步增加 imgsz（如从 640 增加到 1024）。

如果需要更快的推理速度，可以逐步减小 imgsz（如从 640 减小到 416）。

（3）验证集测试

在验证集上测试不同 imgsz 的模型性能（如 mAP），选择性能最佳的 imgsz。

1.4、model.train：epochs=100

1.4.1、epochs 的作用

定义：1