YOLOv8训练参数总结及翻译

参数名称	默认值	描述
`model`	`None`	指定用于训练的模型文件。接受 `.pt` 预训练模型或 `.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，包括到训练和验证数据的路径、类名和类数。
`epochs`	`100`	训练周期总数。每个epoch代表整个数据集的完整传递。调整这个值会影响训练时间和模型性能。
`time`	`None`	最大培训时间(以小时为单位)。如果设置了，这将覆盖 `epochs` 参数，允许训练在指定的持续时间后自动停止。对于时间限制的训练场景非常有用。
`patience`	`100`	在早期停止训练之前，在验证度量没有改进的情况下等待的epoch数。当表现停滞时，停止训练有助于防止过度拟合。
`batch`	`16`	批量大小，有三种模式:设置为整数(例如 `batch=16` )，自动模式为60%的GPU内存利用率( `batch=-1` )，或自动模式为指定的利用率分数( `batch=0.70` )。
`imgsz`	`640`	用于训练的目标图像大小。所有图像在输入到模型之前都会被调整到这个尺寸。影响模型精度和计算复杂度。
`save`	`True`	允许保存训练检查点和最终模型权重。用于恢复训练或模型部署。
`save_period`	`-1`	保存模型检查点的频率，以epoch指定。值为-1时禁用此特性。用于在长时间的训练期间保存临时模型。
`cache`	`False`	启用在内存( `True` / `ram` )、磁盘( `disk` )或禁用( `False` )中缓存数据集图像。以增加内存使用为代价，通过减少磁盘I/O来提高训练速度。
`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` )，或用于Apple芯片的MPS ( `device=mps` )。
`workers`	`8`	用于数据加载的工作线程数(per `RANK` 如果是多gpu训练)。影响数据预处理和输入模型的速度，在多gpu设置中特别有用。
`project`	`None`	保存培训输出的项目目录名称。允许有组织地存储不同的实验。
`name`	`None`	训练运行的名称。用于在项目文件夹中创建子目录，用于存储培训日志和输出。
`exist_ok`	`False`	如果为True，则允许覆盖现有的项目/名称目录。可用于迭代实验，无需手动清除先前的输出。
`pretrained`	`True`	确定是否从预训练的模型开始训练。可以是布尔值或到要从中加载权重的特定模型的字符串路径。提高培训效率和模型性能。
`optimizer`	`'auto'`	训练优化器的选择。选项包括 `SGD、` `Adam` 、 `AdamW` 、 `NAdam` 、 `RAdam` 、 `RMSProp` 等，或者根据型号配置自动选择 `auto` 。影响收敛速度和稳定性。
`verbose`	`False`	支持训练期间的详细输出，提供详细的日志和进度更新。用于调试和密切监视培训过程。
`seed`	`0`	为训练设置随机种子，确保在相同配置的运行中结果的可重复性。
`deterministic`	`True`	强制使用确定性算法，确保再现性，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`	在训练期间将多类数据集中的所有类视为单个类。用于二元分类任务或关注对象存在而不是分类时。
`rect`	`False`	使矩形训练，优化批量组成最小填充。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程序，调整学习率后，余弦曲线的epoch。有助于管理学习率以实现更好的收敛。
`close_mosaic`	`10`	在最后N次迭代中禁用马赛克数据增强，以在完成之前稳定训练。设置为0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、优化器状态和历元计数，无缝地继续训练。
`amp`	`True`	支持自动混合精度(AMP)训练，减少内存使用，并可能在对准确性影响最小的情况下加速训练。
`fraction`	`1.0`	指定要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，对于实验或资源有限时非常有用。
`profile`	`False`	允许在训练期间对ONNX和TensorRT速度进行分析，有助于优化模型部署。
`freeze`	`None`	通过索引冻结模型的前N层或指定层，减少可训练参数的数量。用于微调或迁移学习。
`lr0`	`0.01`	最初的学习速率(即 `SGD=1E-2` , `Adam=1E-3` )。调整此值对于优化过程至关重要，它会影响模型权重更新的速度。
`lrf`	`0.01`	最终学习率作为初始学习率的一部分= ( `lr0 * lrf` )，与调度器一起使用以随时间调整学习率。
`momentum`	`0.937`	SGD的动量因子或Adam优化器的beta1，影响当前更新中过去梯度的整合。
`weight_decay`	`0.0005`	L2正则化项，惩罚大权重以防止过拟合。
`warmup_epochs`	`3.0`	学习率预热的epoch数，从一个较低的学习率逐渐增加到初始学习率，以稳定早期的训练。
`warmup_momentum`	`0.8`	热身阶段的初始动量，在热身期间逐渐调整到设定的动量。
`warmup_bias_lr`	`0.1`	预热阶段偏差参数的学习率，有助于稳定初始阶段的模型训练。
`box`	`7.5`	损失函数中盒损失分量的权重，影响对准确预测边界盒坐标的重视程度。
`cls`	`0.5`	总损失函数中分类损失的权重，影响正确分类预测相对于其他成分的重要性。
`dfl`	`1.5`	分布焦点损失的权重，在某些YOLO版本中用于细粒度分类。
`pose`	`12.0`	姿态估计模型中姿态损失的权重，影响了对准确预测姿态关键点的重视。
`kobj`	`2.0`	姿态估计模型中关键点目标损失的权重，平衡检测置信度和姿态精度。
`label_smoothing`	`0.0`	应用标签平滑，软化硬标签的混合目标标签和均匀分布的标签，可以提高泛化。
`nbs`	`64`	归一化损失的标称批量大小。
`overlap_mask`	`True`	确定在训练期间分割掩码是否应该重叠，适用于实例分割任务。
`mask_ratio`	`4`	分割蒙版的下采样率，影响训练时使用的蒙版的分辨率。
`dropout`	`0.0`	分类任务中正则化的失败率，通过在训练过程中随机省略单元来防止过拟合。
`val`	`True`	在训练期间启用验证，允许在单独的数据集上定期评估模型性能。
`plots`	`False`	生成并保存训练和验证度量的图，以及预测示例，提供对模型性能和学习进展的可视化洞察。