文章

yolov8模型训练教程

发表于
作者 Ram Dowson
次浏览 6 分钟阅读
yolov8模型训练教程

yolov8 模型训练教程

0.YOLO 模型术语解释

在 YOLO 模型中，常见术语包括：

  • 收敛：模型的训练损失和验证损失均不再下降，验证指标不再上升。
  • 过拟合：模型在训练集上表现很好，但在验证集上表现较差。
  • 欠拟合：模型在训练集上表现较差，但在验证集上表现较好。

其中，损失包括位置误差、置信度误差和分类误差，分别通过损失公式计算并相加得到最终的损失函数。

以下是各项指标的英文对应：

  • loss：损失
  • train_loss：训练损失
  • val_loss：验证损失
  • train_acc：训练准确率
  • val_acc：验证准确率
  • train_precision：训练精确率
  • val_precision：验证精确率
  • train_recall：训练召回率
  • val_recall：验证召回率

1.配置环境与数据准备

1.1 配置环境

建议使用 Anaconda。安装完成后，在 Anaconda Prompt 中输入以下命令以安装必要的包：

1
2
3

```bash
pip install ultralytics
```

如果您使用的是 Windows 并且希望加速使用 CUDA，请安装 CUDA 软件以及 cuDNN。

1.2 准备数据集：

1.2.1 打标签。

1.2.2. 转换格式：上传至Roboflow进行转换，选择 YOLO 格式下载，并解压，得到如下文件结构：

1.2.3 修改 data.yaml 文件：将训练集和验证集的路径改为绝对路径。

2.输入命令进行训练

2.1 命令行方式

在命令行中输入以下命令进行训练：

1

yolo segment train data=data.yaml model=yolov8n-seg.yaml pretrained=yolov8n-seg.pt batch=1 workers=2 epochs=200 imgsz=640 device=0

如果在 Windows 端出现报错，可以尝试以下解决方法：

1

set KMP_DUPLICATE_LIB_OK=TRUE

2.2 使用 Python 脚本

1
2
3
4
5
6

# from ultralytics import YOLO

# 加载模型
# model = YOLO('yolov8n-seg.pt')

# results = model.train(data='data.yaml', epochs=100, batch=16, imgsz=640, device=0, cos_lr=True, workers=2)

3.训练结果解读

训练过程中，会输出类似如下的结果：

对于训练输出中的各项指标，理想情况如下：

  • Box(P, R, mAP50, mAP50-95)：
    • P（Precision，精确率）和 R（Recall，召回率）越高越好。
    • mAP50和 mAP50-95越高越好，表示在不同阈值下的平均精度。

  • 损失函数：

    • box_loss：定位损失，越小越准确。
    • obj_loss：置信度损失，越小越准确。
    • cls_loss：分类损失，越小越准确。

  • Precision和Recall：越高越好，表示模型的预测结果越准确。

  • mAP50 & mAP50-95：越高越好，表示模型在不同阈值下的平均精度越高。

训练结果图示如下：

损失函数解释

损失函数用于衡量模型预测值与真实值之间的差异，从而影响模型的性能。在 YOLO 模型中，损失函数主要包括：

  • 定位损失（box_loss）：衡量预测边界框与真实边界框之间的误差（通常使用 GIoU）。该值越小，表示模型定位能力越准确。

  • 置信度损失（obj_loss）：衡量模型对目标存在性的置信度。较小的值表示模型对目标判断更准确。

  • 分类损失（cls_loss）：衡量模型对目标类别的分类准确性。较小的值表示模型对目标类别的识别更准确。

训练结果评价指标

训练结果通常通过以下指标进行评价：

  • 精度（Precision）：表示模型预测为正类并且正确的样本数占所有预测为正类的样本数的比例。越高越好。

  • 召回率（Recall）：表示模型能够正确预测出正类样本占所有实际正类样本的比例。也就是说，模型检测到了多少实际上的正样本。越高越好。

  • mAP50 & mAP50-95：平均精度（Average Precision）是目标检测任务中常用的评价指标之一。mAP50 表示在 IoU（重叠度）为 0.5 时的平均精度，mAP50-95 表示在 IoU 从 0.5 到 0.95 范围内的平均精度的均值。这两个指标越高越好，表示模型在不同的 IoU 阈值下的检测性能越好。

4.结论

通过监控损失函数的变化以及评估训练结果的指标，可以对模型的训练过程和性能进行有效的评估和改进。理想情况下，我们希望损失函数尽可能小，精度和召回率尽可能高，并且 mAP50 和 mAP50-95 也尽可能高，以确保模型在目标检测任务中具有良好的性能。

如果训练结果的波动较小，损失函数持续减小，并且评估指标保持稳定或者持续提高，那么可以认为模型的训练效果较好。

开发, 教程
图像识别
本文由作者按照 CC BY 4.0 进行授权