YOLO模型训练.md 2.6 KB
YOLO 采用命令训练数据集
yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01 --device='0,1'
yolo task=detect mode=train model=yolov8x.yaml data=mydata.yaml epochs=10 batch=16
yolo task=segment mode=predict model=yolov8x-seg.pt source='/kaggle/input/personpng/1.jpg'
以上参数解释如下：
- task：选择任务类型，可选['detect', 'segment', 'classify', 'init']
- mode: 选择是训练、验证还是预测的任务蕾西 可选['train', 'val', 'predict']
- model: 选择yolov8不同的模型配置文件，可选yolov8s.yaml、yolov8m.yaml、yolov8l.yaml、yolov8x.yam
- data: 选择生成的数据集配置文件
- epochs：指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。
- batch：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点。
- device: cpu or '0' or '0,1', 采用 cpu or gpu，以及 gpu 编号
- imgsz: 输入图片大小，显卡不行你就调小点。
- name: 模型保存的名称
实际运行：
yolo train data=/home/jxft/datasets/hyd-action.yaml model=/home/jxft/datasets/yolov8/yolov8n.pt epochs=100 lr0=0.01
YOLO 采用代码测试数据集
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO('yolov8n.yaml')
# Load a pretrained YOLO model (recommended for training)
model = YOLO('yolov8n.pt')
# Train the model using the 'coco128.yaml' dataset for 3 epochs
results = model.train(data='coco128.yaml', epochs=3)
# Evaluate the model's performance on the validation set
results = model.val()
# Perform object detection on an image using the model
results = model('https://ultralytics.com/images/bus.jpg')
# Export the model to ONNX format
success = model.export(format='onnx')
训练参数：
workers = 1
batch = 8
data_name = "TrafficSign"
model = YOLO(abs_path('./weights/yolov5nu.pt', path_type='current'), task='detect') # 加载预训练的YOLOv8模型
results = model.train( # 开始训练模型
data=data_path, # 指定训练数据的配置文件路径
device='cpu', # 指定使用CPU进行训练
workers=workers, # 指定使用2个工作进程加载数据
imgsz=640, # 指定输入图像的大小为640x640
epochs=100, # 指定训练100个epoch
batch=batch, # 指定每个批次的大小为8
name='train_v5_' + data_name # 指定训练任务的名称
)