Python----目标检测（使用YOLOV8网络训练人脸）

一、Ultralytics安装

Ultralytics提供了各种安装方法，包括pip、conda和Docker。通过 ultralytics pip包安装最新稳定版本的YOLOv8，或克隆Ultralytics GitHub 存储库以获取最新版本。可以使用Docker在隔离的容器中执行包，避免本地安装。

复制代码

pip install ultralytics==8.2.28 -i https://pypi.tuna.tsinghua.edu.cn/simple

python 复制代码

pip install git+https://github.com/ultralytics/ultralytics.git@main

注意：ultralytics需要PyTorch支持。
python 复制代码
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

二、目录

复制代码

dataset
 ├─train
 │  ├─images
 │  └─labels
 ├─test
 │  ├─images
 │  └─labels
 └─mydata.yaml

配置文件

复制代码

# peach
train: /home/YoloV_/ultralytics-main/dataset/train
val: /home/YoloV_/ultralytics-main/dataset/valid

# Classes
names:
  0: face

三、训练模型

指令训练

复制代码

yolo train model=yolov8n.pt data=./dataset/mydata.yaml epochs=50 batch=32 imgsz=640

训练结果

四、训练参数

论据	默认值	说明
model	None	指定用于训练的模型文件。接受指向预训练模型 `.pt` 文件或 `.yaml` 配置文件的路径。对于定义模型结构或初始化权重至关重要。
data	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，包括训练数据和验证数据的路径、类名和类数。
epochs	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	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	0	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，有助于防止过拟合。
batch	16	Batch size, with three modes: set as an integer (e.g., batch=16), auto mode for 60% GPU memory utilization (batch=-1), or auto mode with specified utilization fraction (batch=0.70).
imgsz	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	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	-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	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	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`)，或苹果芯片的 MPS (`device=mps`).
workers	8	加载数据的工作线程数（每个 RANK 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	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	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	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	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	'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。
verbose	False	在训练过程中启用冗长输出，提供详细日志和进度更新。有助于调试和密切监控培训过程。
seed	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	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	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。
rect	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。
cos_lr	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	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	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	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	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	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	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。微调或迁移学习非常有用。
lr0	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	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	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	0.0005	L2 正则化项, 对大权重进行惩罚, 以防止过度拟合。
warmup_epochs	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	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	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	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	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	1.5	分布焦点损失权重，在某些YOLO 版本中用于精细分类。
pose	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	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。
label_smoothing	0.0	应用标签平滑，将硬标签软化为目标标签和标签均匀分布的混合标签，可以提高泛化效果。
nbs	64	用于损耗正常化的标称批量大小。
overlap_mask	True	决定在训练过程中分割掩码是否应该重叠，适用于实例分割任务。
mask_ratio	4	分割掩码的下采样率，影响训练时使用的掩码分辨率。
dropout	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	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	False	生成并保存训练和验证指标图以及预测示例图，以便直观地了解模型性能和学习进度。

batch大小设置方案：

固定 Batch Size：设置固定值 (例如： batch=16)。

自动模式 (60%的GPU显存占用)：使用 batch=-1 自动调整batch 大小，实现大约60%的CUDA内存占用。

带有使用分数值的自动模式：通过设置一个分数值（例如， batch=0.70），来根据指定的GPU内存使用分数调整批处理大小

五、增强设置和超参数

增强技术通过在训练数据中引入可变性，帮助模型更好地泛化到未见数据中，对提高YOLO 模型的稳健性和性能至关重要。下表概述了每种增强参数的目的和效果：

论据	默认值	说明
hsv_h	0.015	图像色调中的最大变化。
hsv_s	0.7	图像饱和度的最大变化。
hsv_v	0.4	图像值 (亮度) 的最大变化。
degrees	0.0	图像旋转的最大角度。
translate	0.1	图像平移的最大比例 (按图像尺寸)。
scale	0.5	图像比例的最大变化。
shear	0.0	图像剪切的最大量。
perspective	0.0	图像透视变换的最大失真。
mosaic	1.0	启用马赛克数据增强，这是一种将多个训练图像组合成一个图像以提高对象变化的方法。
mixup	0.0	启用 mixup 数据增强，这是一种将图像和标签混合在一起以正则化模型的方法。
copy_paste	0.0	启用复制粘贴数据增强，这是一种将对象从一个图像随机复制到另一个图像的方法。

这些设置可根据数据集和手头任务的具体要求进行调整。试验不同的值有助于找到最佳的增强策略，从而获得最佳的模型性能。