如何使用YOLOv8训练自己的模型

本文介绍如何用YOLO8训练自己的模型，我们开门见山，直接步入正题。

前言：用yolo8在自己的数据集上训练模型首先需要配置好YOLO8的环境，如果不会配置YOLO8环境可以参考本人主页的另一篇文章

提醒：使用GPU训练会大幅度加快训练，有英伟达GPU的一定要配置GPU训练环境，没有英伟达显卡的只能采用CPU训练，但是一般不建议。 （GPU、CPU训练环境的配置具体见上面的文章链接）

第一章节：准备好数据集

配置好YOLO8环境之后，需要准备好YOLO格式的数据集（也称txt格式），该数据集可以通过数据集标注软件 labelme、labelimg对图片进行拉框标注得到。经过标注软件标注好的yolo数据集的格式通常为:

class_id        x                y            w           h

class_id: 类别的id编号
x: 目标的中心点x坐标(横向) /图片总宽度
y: 目标的中心的y坐标(纵向) /图片总高度
w:目标框的宽度/图片总宽度
h: 目标框的高度/图片总高度

下图为一张图片按照yolo格式进行标注的txt标注文件 

在进行训练之前，还需要对数据集进行划分，一般是按照7：2：1的比例划分训练集（train）、验证集（val）、测试集（test） 或者按照8：2的比例划分训练集与验证集。

提醒：用YOLO8训练自己的模型必须至少要把数据集划分出训练集与验证集，可以不划分测试集，训练集与验证集不可或缺，否则不能数据集进行模型训练。我这里只划分训练集与验证集，并且训练集与验证集应该是下面的目录结构

train
├── images
└── labels

val
├── images
└── labels

下面以葡萄叶片病虫害数据集为例，给出训练集、验证集目录结构的参考示例

 

 

在训练之前，我们不仅要把数据集划分成训练集、验证集，还需要给出类别标签yaml文件，该文件是YOLO8在训练过程中所必须的。也就是说，一个完整的，可以直接用于模型训练的数据集应该具有以下目录结构：

data.yaml的内容如下图所示： 

其中train、val指定训练集与验证集的路径地址（最好写成绝对路径） 

nc代表该数据集有几个类别，我这里的葡萄叶片病虫害数据集有四个类别

names代表具体的类别名称。可以以数组的形式给出，但请注意类别名称需要以英文或数字呈现，不能含有任何特殊字符或者中文字符。

提醒：yaml文件是必须的，如果你拿到的数据集不含这个文件，那么你要按照上面的格式自己手动写了，书写时需要严格按照yaml文件的格式（冒号后面是有一个空格的）

第二章节：开始训练

搞深度学习，绝大部分都是在linux系统上进行炼丹的。考虑到有的读者可能对Linux不熟悉,本章节首先给出win系统训练教程，然后再给出linux系统训练步骤。

注意：在训练的过程中，有英伟达显卡的一定要用GPU训练，用CPU训练是特别缓慢的。

2.1 训练参数

训练方式有多种，可以通过py程序训练，也可以在命令行训练，我们这里以py程序训练为例：

无论是在win系统还是linux系统，训练的代码基本都是一致的，只有极个别参数会因为系统的不同出现差异。

from ultralytics import YOLO# 这里有三种训练方式，三种任选其一#第一种：根据yaml文件构建一个新模型进行训练,若对YOLO8网络进行了修改（比如添加了注意力机制）适合选用此种训练方式。但请注意这种训练方式是重头训练(一切参数都要自己训练),训练时间、资源消耗都是十分巨大的
model = YOLO('yolov8n.yaml')  # build a new model from YAML#第二种：加载一个预训练模型，在此基础之前上对参数进行调整。这种方式是深度学习界最最主流的方式。由于大部分参数已经训练好，我们仅需根据数据集对模型的部分参数进行微调，因此训练时间最短，计算资源消耗最小。
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)#第三种:根据yaml文件构建一个新模型，然后将预训练模型的参数转移到新模型中，然后进行训练，对YOLO8网络进行改进的适合选用此种训练方式，而且训练时间不至于过长
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights# Train the model
#data参数指定数据集yaml文件(我这里data.yaml与train、val文件夹同目录)
#epochs指定训练多少轮
#imgsz指定图片大小
results = model.train(data='data.yaml', epochs=100, imgsz=640)

model.train()函数可以指定的训练参数有很多，如下表所示： 

Key	Value	Description
model	None	path to model file, i.e. yolov8n.pt, yolov8n.yaml
data	None	path to data file, i.e. coco128.yaml
epochs	100	number of epochs to train for
time	None	number of hours to train for, overrides epochs if supplied
patience	50	epochs to wait for no observable improvement for early stopping of training
batch	16	number of images per batch (-1 for AutoBatch)
imgsz	640	size of input images as integer
save	True	save train checkpoints and predict results
save_period	-1	Save checkpoint every x epochs (disabled if < 1)
cache	False	True/ram, disk or False. Use cache for data loading
device	None	device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu
workers	8	number of worker threads for data loading (per RANK if DDP)
project	None	project name
name	None	experiment name
exist_ok	False	whether to overwrite existing experiment
pretrained	True	(bool or str) whether to use a pretrained model (bool) or a model to load weights from (str)
optimizer	'auto'	optimizer to use, choices=[SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto]
verbose	False	whether to print verbose output
seed	0	random seed for reproducibility
deterministic	True	whether to enable deterministic mode
single_cls	False	train multi-class data as single-class
rect	False	rectangular training with each batch collated for minimum padding
cos_lr	False	use cosine learning rate scheduler
close_mosaic	10	(int) disable mosaic augmentation for final epochs (0 to disable)
resume	False	resume training from last checkpoint
amp	True	Automatic Mixed Precision (AMP) training, choices=[True, False]
fraction	1.0	dataset fraction to train on (default is 1.0, all images in train set)
profile	False	profile ONNX and TensorRT speeds during training for loggers
freeze	None	(int or list, optional) freeze first n layers, or freeze list of layer indices during training
lr0	0.01	initial learning rate (i.e. SGD=1E-2, Adam=1E-3)
lrf	0.01	final learning rate (lr0 * lrf)
momentum	0.937	SGD momentum/Adam beta1
weight_decay	0.0005	optimizer weight decay 5e-4
warmup_epochs	3.0	warmup epochs (fractions ok)
warmup_momentum	0.8	warmup initial momentum
warmup_bias_lr	0.1	warmup initial bias lr
box	7.5	box loss gain
cls	0.5	cls loss gain (scale with pixels)
dfl	1.5	dfl loss gain
pose	12.0	pose loss gain (pose-only)
kobj	2.0	keypoint obj loss gain (pose-only)
label_smoothing	0.0	label smoothing (fraction)
nbs	64	nominal batch size
overlap_mask	True	masks should overlap during training (segment train only)
mask_ratio	4	mask downsample ratio (segment train only)
dropout	0.0	use dropout regularization (classify train only)
val	True	validate/test during training
plots	False	save plots and images during train/val

下面指出几个比较重要的训练参数

1. epochs 
epochs: 训练的轮数。这个参数确定了模型将会被训练多少次，每一轮都遍历整个训练数据集。训练的轮数越多，模型对数据的学习就越充分，但也增加了训练时间。

选取策略
默认是100轮数。但一般对于新数据集，我们还不知道这个数据集学习的难易程度，可以加大轮数，例如300，来找到更佳性能。

2. patience
patience: 早停的等待轮数。在训练过程中，如果在一定的轮数内没有观察到模型性能的明显提升，就会停止训练。这个参数确定了等待的轮数，如果超过该轮数仍没有改进，则停止训练。

早停
早停能减少过拟合。过拟合(overfitting)指的是只能拟合训练数据, 但不能很好地拟合不包含在训练数据中的其他数据的状态。

3. batch
batch: 每个批次中的图像数量。在训练过程中，数据被分成多个批次进行处理，每个批次包含一定数量的图像。这个参数确定了每个批次中包含的图像数量。特殊的是，如果设置为**-1**，则会自动调整批次大小，至你的显卡能容纳的最多图像数量。

选取策略
一般认为batch越大越好。因为我们的batch越大我们选择的这个batch中的图片更有可能代表整个数据集的分布，从而帮助模型学习。但batch越大占用的显卡显存空间越多，所以还是有上限的。

4. imgsz
imgsz: 输入图像的尺寸。这个参数确定了输入图像的大小。可以指定一个整数值表示图像的边长，也可以指定宽度和高度的组合。例如640表示图像的宽度和高度均为640像素。
选取策略
如果数据集中存在大量小对象，增大输入图像的尺寸imgsz可以使得这些小对象从高分辨率中受益，更好的被检测出。

5. device 
device: 训练运行的设备。该参数指定了模型训练所使用的设备，例如使用 GPU 运行可以指定为 cuda device=0，或者使用多个 GPU 运行可以指定为 device=0,1,2,3，如果没有可用的 GPU，可以指定为 device=cpu 使用 CPU 进行训练。

6. workers
workers: 数据加载时的工作线程数。在数据加载过程中，可以使用多个线程并行地加载数据，以提高数据读取速度。这个参数确定了加载数据时使用的线程数，具体的最佳值取决于硬件和数据集的大小。
windows系统注意设置为0！！！windows系统下需设置为0，否则会报错！！！
RuntimeError: An attempt has been made to start a new process before the current process has finished its bootstrapping phase。

这是因为在linux系统中可以使用多个子进程加载数据，而在windows系统中不能。

 7. optimizer

optimizer: 选择要使用的优化器。优化器是深度学习中用于调整模型参数以最小化损失函数的算法。可以选择不同的优化器，如 ‘SGD’、‘Adam’、‘AdamW’、‘RMSProp’，根据任务需求选择适合的优化器。

2.2 在win系统中进行训练

在开始训练之前，文件参考目录如下：

我这里直接加载yolovn8预训练模型进行训练，训练代码train.py内容如下：

from ultralytics import YOLO
model=YOLO('yolov8n.pt')
model.train(data='./data.yaml',imgsz=(640,640),workers=0,batch=32,epochs=60)

需要注意的是，目录下最好提前下载好预训练模型（我这里是yolov8n.pt)，如果没有提前下载好，运行train.py还是会ultralytics官网下载，由于外网的缘故，此时可能会出现网络问题。

紧接着，我们在anaconda中切换到提前已经配置好的yolo8环境，然后python命令运行train.py

之后，控制台窗口会有一系列的日志输出

 此时，训练成功。经过一段时间等待之后，在目录下的runs文件夹下会自动生成训练过程记录，包含模型权重、混淆矩阵、PR曲线、loss曲线等

2.3 在linux系统中进行训练

在linux系统中我们可以加大workers(数据加载时的工作线程数)，从而加快训练速度，代码跟win系统基本保持一致：

from ultralytics import YOLO
model=YOLO('yolov8n.pt')
model.train(data='./data.yaml',imgsz=(640,640),workers=16,batch=32,epochs=60)

值得注意的是，无论是在win系统中还是linux系统中，都要根据自己电脑、服务器的算力去选择合适的workers和batch，设置过小训练速度慢，设置过大，会out of memory.