04训练——基于YOLO V8的自定义数据集训练——训练结果说明

已于 2023-11-08 13:24:40 修改
阅读量3.9k 收藏 34
点赞数 1
分类专栏： 手把手教你玩转YOLO目标识别——公安交管场景实战 文章标签： YOLO
于 2023-10-08 18:53:06 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/raozhongbo/article/details/133688013
版权
本文详细解析了YOLOv8训练过程中的关键指标，包括Epoch、GPU_mem、box_loss、cls_loss、dfl_loss等，以及训练结束后的验证指标，如Box§、Box®、mAP50和mAP50-95。通过这些指标，可以评估模型在目标检测任务中的定位精度、分类性能和模型效率。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1、训练过程中参数说明

运行YOLO V8的训练代码将会看到以下执行的情况。

在这里插入图片描述
在上图中，我们可以看到每一轮训练的指标情况，YOLOv8训练过程中的输出指标具体介绍如下：

• Epoch: 当前的训练轮数，一轮表示所有的训练数据都被模型处理一次。例如，1/100表示第一轮训练，总共有100轮。Epoch的取值范围是从1到总轮数，例如100。Epoch表示模型训练的进度，越大表示模型训练得越充分。

• GPU_mem: 当前使用的GPU显存量，单位是GB。GPU显存是用于存储模型参数和数据的内存，越大越好。GPU_mem的取值范围是从0到GPU的最大显存量，例如16GB。GPU_mem表示模型训练时使用的显存量，越大表示模型越复杂或者数据越大。

• box_loss: 目标检测任务中的边界框损失，表示模型预测的边界框和真实的边界框之间的差异。损失越小，表示模型越能准确地定位物体。 box_loss的取值范围是从0到正无穷，但通常在0到10之间。

• cls_loss: 目标检测任务中的分类损失，表示模型预测的物体类别和真实的物体类别之间的差异。损失越小，表示模型越能正确地识别物体。cls_

了解本专栏 订阅专栏 解锁全文 超级会员免费看
04训练——基于YOLO V8的自定义数据集训练——在windows环境准备
raozhongbo的博客
10-09 1068
为此，在我们实际的项目需求中，仍然需要掌握如何在windows环境下，调用本地电脑的GPU资源进行模型的训练。三是免费使用gpu的额度有限制，也就是说当你频繁使用colab做训练的时候，会提示配额已满，甚至我们耗费很长时间进行训练的时候，突然运行报错，实际上就是配额慢了，造成前期工作白费了。在上述步骤完成之后，便可调用本地电脑的GPU资源了，具体的代码与基于linux环境的colab上运行的代码类似，但有些许不同，笔者将逐一讲解。一是需要通过虚拟服务器做为跳板机来访问，总体操作起来非常繁杂。
yolov8实战第二天——yolov8训练过程、结果分析（保姆式解读）
qq_34717531的博客
12-15 5万+
以逻辑回归举例，逻辑回归的输出是一个 0 到 1 之间的概率数字，因此，如果我们想要根据这个概率判断用户好坏的话，我们就必须定义一个阈值。因此，对于阈值为 0.5 的情况下，我们可以得到相应的一对查准率和查全率。选取合适的阈值点要根据实际需求，比如我们想要高的查全率，那么我们就会牺牲一些查准率，在保证查全率最高的情况下，查准率也不那么低。因此，为了找到一个最合适的阈值满足我们的要求，我们就必须遍历 0 到 1 之间所有的阈值，而每个阈值下都对应着一对查准率和查全率，从而我们就得到了 PR 曲线。
yolov8在train时，出现box_loss、cls_loss、dfl_loss为nan，Box(P R mAP50 mAP50-95)为0的解决办法
2301_78783836的博客
07-04 1万+
'cpu' 将self.args.half的值设置为False 后训练yolov8n Box(P R mAP50 mAP50-95)不为0。并注释掉ultralytics/yolo/engine/validator.py 中第102行代码 # self.args.half = self.device.type!分析.half()改为.float()或者把half赋值为False，找到val.py和validator.py。查看self.args.half:的值的结果。
Distribution Focal Loss 目标检测任务中的损失函数
最新发布
TuringEvo专栏
04-25 967
是一种基于分布学习的损失函数，适用于目标检测任务中的边界框预测或关键点定位。通过将连续值离散化为概率分布并优化预测分布与真实分布之间的差异，它可以显著提高模型的预测精度和鲁棒性。，是一种用于目标检测任务中的损失函数，尤其在一些现代的目标检测框架（如 YOLO 系列）中被广泛使用。传统的方法可能直接回归这个值，而使用分布学习的方法则会将宽度建模为一个离散的概率分布。就是基于第二种方法设计的损失函数，它通过学习边界框坐标的分布来提高预测精度。模型会输出一个长度为 10 的向量，表示预测的分布。
【YOLOv8系列】（四）YOLOv8使用自己的数据集进行模型训练，成就感满满
weixin_44765053的博客
07-13 1万+
通过爬虫程序批量下载网络上的图片数据集，或者使用相机或其他来源收集您需要的图片使用标注工具对图片中的目标进行标注。LabelImg：一个开源的图像标注工具，支持VOC和YOLO格式。可以从LabelImg官网下载。LabelMe：一个在线的图像标注工具，支持多种标注格式。可以从LabelMe官网使用。Roboflow：一个在线平台，提供数据集管理和标注工具。可以从Roboflow官网使用。
04训练——基于YOLO V8的自定义数据集训练——使用免费在线GPU资源
raozhongbo的博客
08-23 5407
Colab 是一个由 Google Research 团队开发的在线平台，可以让你在浏览器中编写和运行 Python 代码，无需任何配置，免费使用 GPU 和 TPU，还可以方便地与其他人共享你的工作。Google Colab 适合进行机器学习、数据分析和教育等目的。其主要特点有：• 零配置：你只需要一个 Google 账号和一个浏览器，就可以开始使用 Google Colab，无需安装任何软件或硬件。
yolov8训练结果分析
qq_47689743的博客
07-05 3609
训练集：已知的输入和输出数据集去训练。验证集：也是一些已知输入和输出的数据集，通过让机器学习去优化调整模型的参数。多次使用而不断调参测试集：测试模型表现的数据集，根据误差（一般为预测输出与实际输出的不同）来判断一个模型的好坏。仅用与模型评价。
Yolov8目标识别——模型训练结果可视化图分析与评估训练结果
知来者逆的博客
01-16 7万+
Yolov8在训练完成之后，会在run目录下把训练的过程一些参数与结果示意图保存下来,这里面包含是目标检测性能指标，如下图:表示正确预测的目标数量与总预测数量的比率。表示模型正确预测为正样本的样本数量占所有预测为正样本的样本数量的比例。表示模型正确预测为正样本的样本数量占所有实际正样本的样本数量的比例。综合考虑精确率和召回率，是精确率和召回率的调和平均数。衡量模型检测出的区域与实际目标区域的重叠程度。在目标检测中，AP通常指Precision-Recall曲线下的面积，用于综合评估模型的性能。
04训练——基于YOLO V8的自定义数据集训练-----windows环境下训练代码
raozhongbo的博客
11-06 341
在下面代码中，为了更高效，本人使用了yolov8s这一个轻量级模型，我们可以查看官网上各类模型在目标识别方面的性能对比情况，大家可以结合实际使用更大的模型从而追求更好的效果。于前面讲的在colab中的代码不同，因为colab本质上是linux环境，linux环境和windows环境下对多进程的调用方法不同，在参数上，需要增加amp=False，这是因为不加这个参数的话，会出现Nan Loss的情况，导致训练异常，得到的模型无法检测到目标。windows环境下需要增加“if。windows环境下训练代码。
yolov8seg图像分割全过程教学——自定义数据集制作与训练
m0_69115733的博客
09-30 958
我的自定义数据集名称为datapose3，包含images和labels两个字文件。这两个子文件分别存储了图片和txt文件。注意：txt文件名称和图片名称一定要对应。
yolov8模型训练结果分析以及如何评估yolov8模型训练的效果
热门推荐
githubcurry
06-05 9万+
混淆矩阵是对分类问题预测结果的总结。使用计数值汇总正确和不正确预测的数量，并按每个类进行细分，显示了分类模型进行预测时会对哪一部分产生混淆。通过这个矩阵可以方便地看出机器是否将两个不同的类混淆了（把一个类错认成了另一个）。混淆矩阵不仅可以让我们直观的了解分类模型所犯的错误，更重要的是可以了解哪些错误类型正在发生，正是这种对结果的分解克服了仅使用分类准确率带来的局限性（总体到细分）。
yolo训练过程中 Epoch GPU_mem box_loss cls_loss dfl_loss Instances的意思
MrLi的博客
05-15 3731
分别解释一下yolo训练过程中 Epoch GPU_mem box_loss cls_loss dfl_loss Instances的意思,总的来说，这些术语在YOLO训练过程中提供了关于模型性能、资源使用和训练进度的关键信息。通过分析这些指标，可以更好地理解模型的训练过程并进行相应的调整和优化。
YOLOv8训练自定义数据集
红叶谷 wsp_1138886114的博客
06-30 600
labelme标准的json文件转yolo-txt数据集格式。随机目录下，创建 data目录，新建custom.yaml,方法一：python命令: 新建。新建weights目录存放。
三、yolov8训练结果查看和模型预测(语义分割)
机器视觉、深度学习、C++、opencv、halcon、图像算法
01-10 6309
yolov8模型预测
yolov8训练指标解读
m0_73406727的博客
06-21 1802
表示当前是第70个epoch，总共要训练100个epoch。：表示当前训练过程中使用的GPU内存为0.879 GB。：表示当前epoch的边界框损失（bounding box loss）为1.057。：表示当前epoch的分类损失（classification loss）为3.581。：表示当前epoch的分布焦点损失（distribution focal loss）为1.556。：表示在当前epoch中处理的实例数量为4。：表示当前处理的类别为a11。：表示当前epoch中处理的图像数量为202。
超详细YOLOv8姿态检测全程概述：环境、训练、验证与预测详解
CDBmax的博客
12-26 2万+
本篇博客详细介绍了使用YOLOv8-pose进行姿态估计的全过程，包括不同版本模型的性能比较、训练与验证步骤，以及预测代码的实现。它对模型参数、训练过程和输出结果进行了解释，同时提供了详细的配置文件示例和标签数据格式说明。此外，还演示了如何使用预训练模型进行图像预测，并如何处理和理解预测结果。最后，它还讨论了如何评估和比较不同模型的性能。如果有哪里写的不够清晰，小伙伴本可以给评论或者留言，我这边会尽快的优化博文内容，另外如有需要，我这边可支持技术答疑与支持。
YOLOV8学习笔记2
yang的博客
05-29 3909
YOLOV8训练结果分析
box_loss,obj_loss,cls_loss,Size的含义，以及他们数据增长与降低时，是好还是坏
骨子里的偏爱
08-28 1万+
box_loss,obj_loss,cls_loss,Size的含义，以及他们数据增长与降低时，是好还是坏
目标检测模型中的几个损失值
qq_52832321的博客
03-08 9953
DFL损失的主要作用是用于校正模型在预测物体边界框时的误差，优化后的效果可以在一定程度上针对有些模糊或者焦点不集中的图片提升对象检测的精度。Box Loss直接依赖于模型预测的边界框与实际（或称为真值）边界框之间的距离。DFL损失是一个更高级的损失函数，目标是能在某些更复杂的情况下获得更好的性能，特别是针对一些难以边界框预测的目标。Box损失函数通常用于基本的目标检测任务，如Faster R-CNN, SSD等方法，Box损失是一个相对简单的损失函数，它主要计算预测的边界框与实际的边界框之间的位置偏差。
yolo v8训练参数
03-31
### YOLOv8 训练参数配置与超参数调整 YOLOv8 是由 Ultralytics 开发的一个高性能目标检测框架，其训练过程可以通过多种方式进行配置和优化。以下是关于 YOLOv8 的训练参数设置、配置文件以及超参数调整的相关内容。 #### 1. **训练方式的选择** YOLOv8 提供两种主要的训练启动方式：命令行模式和编写自定义代码模式。 - 命令行模式适合快速测试和简单的实验场景，通过传递参数即可轻松调整训练选项[^1]。然而，这种方式不便于记录详细的训练参数或进行复杂调试。 - 编写自定义代码则更加灵活，允许开发者完全控制训练流程并实现复杂的逻辑需求。不过，默认情况下，许多参数被硬编码到代码中，缺乏动态调整的能力。 为了兼顾两者的优点，推荐结合两者的方法——即使用配置文件存储较少变动的参数，并通过命令行输入频繁更改的部分（如 `batch_size` 或 `epochs`）。这样既能保持灵活性又方便后续对比不同实验的结果。 #### 2. **常用训练参数及其作用** 以下是一些常见的 YOLOv8 训练参数及它们的功能描述： | 参数名称 | 描述 | |----------------|------------------------------------------------------------------------------------------| | `model` | 指定使用的预训练模型路径或名称 (e.g., yolov8n.pt)[^3]. | | `data` | 数据集配置文件路径，用于定义类别数、图片目录等信息. | | `epochs` | 总共运行多少轮次来完成整个数据集的学习过程. | | `imgsz` | 输入图像尺寸大小(通常为正方形)，影响计算效率及时延表现. | | `batch` | 单批次处理样本数量；较大的 batch 可能带来更好的泛化能力但也占用更多显存资源[^2]. | | `device` | 设备选择(gpu/cpu/mps)，默认优先尝试 gpu 加速. | ##### 批量大小 (`batch`) 批量大小决定了每次迭代所加载的数据量。增大该值有助于提高收敛速度和平滑损失曲线，但会增加内存消耗。如果硬件条件有限，则需适当减小此数值以避免 OOM 错误发生. ##### 图像增强(`augmentations`)及相关超参数 图像增强技术对于提升模型鲁棒性和防止过拟合至关重要。例如翻转(flip)、裁剪(crop)、颜色抖动(color jittering)等功能都可以显著改善最终效果。具体可调节项包括但不限于亮度/对比度范围、旋转角度限制等等. #### 3. **如何创建和编辑配置文件** 配置文件通常是 YAML 格式的文档，包含了大部分固定的训练设定。它不仅简化了重复操作还促进了团队协作下的版本管理。下面展示了一个基础示例: ```yaml train: ./datasets/coco/train.txt # 训练集标注文件位置 val: ./datasets/coco/valid.txt # 验证集标注文件位置 nc: 80 # 类别总数 names: ['person', 'bicycle', ... ] # 各类别的标签名列表 hyp: lr0: 0.01 # 初始学习率 momentum: 0.937 # 动量因子 ``` 上述片段展示了最基本的字段结构，实际应用时可能还需要额外补充诸如权重衰减系数(weight decay)之类的高级属性. #### 4. **实践建议** 当面对特定任务时，合理地微调某些关键性的超参数往往可以获得意想不到的好结果。比如针对小型物体密集分布的情况应该考虑降低 anchor box 尺寸或者启用 mosaic augmentation 技术;而对于极度不平衡分类问题来说引入 Focal Loss 函数可能是有效的解决方案之一. ---
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值