YOLO训练参数设置解析

笔者按照教程训练完YOLO后对train训练参数配置产生兴趣，因此下文参考官方文档进行总结

Train - Ultralytics YOLO Docs

YOLO 模型的训练设置包括训练过程中使用的各种超参数和配置。 这些设置会影响模型的性能、速度和准确性。 关键的训练设置包括批量大小、学习率、动量和权重衰减。 此外，优化器、损失函数和训练数据集组成的选择也会影响训练过程。 对这些设置进行仔细的调整和实验对于优化性能至关重要。

翻译版本：

参数	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（如 coco8.yaml）的路径。 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、类名和类数量。
epochs	100	训练历元总数。 每个epoch代表对整个数据集的一次完整检测。 调整该值会影响训练时间和模型性能。
time	None	如果设置了这个参数，它将取代 epochs 参数，允许训练在指定时间后自动停止。 对于时间有限的训练场景非常有用。
patience	100	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，有助于防止过度拟合。
batch	16	Batch size, 有三种模式：设置为整数（如 batch=16）、GPU 内存利用率为 60% 的自动模式（batch=-1）或指定利用率分数的自动模式（batch=0.70）。
imgsz	640	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。 有助于恢复训练或模型部署。
save_period	-1	保存模型检查点的频率，以 epochs 为单位。 如果值为 -1 则禁用此功能。 该功能适用于在长时间训练过程中保存临时模型。
cache	False	启用内存（True/ram）、磁盘（disk）中的数据集映像缓存，或禁用（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	用于加载数据的工作线程数（如果使用多 GPU 训练，则为每个 RANK）。 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'	选择用于训练的优化器。 选项包括 SGD、Adam、AdamW、NAdam、RAdam、RMSProp 等，或根据模型配置自动选择。 影响收敛速度和稳定性。
verbose	False	在培训期间启用冗余输出，提供详细的日志和进度更新。 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	在最后 N 个历元中禁用马赛克数据增强，以便在训练完成前保持稳定。 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分数。 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	可在训练过程中分析 ONNX 和 TensorRT 的速度，这对优化模型部署非常有用。
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。 这对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	最终学习率为初始学习率的一部分 = (lr0 * lrf)，与调度器结合使用，用于调整学习率。
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	热身阶段的初始动量，在热身期间逐渐调整到设定动量。
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。