YOLOv8目标检测(三*)_最佳超参数训练

YOLOv8目标检测(一)_检测流程梳理：YOLOv8目标检测(一)_检测流程梳理_yolo检测流程-CSDN博客

YOLOv8目标检测(二)_准备数据集：YOLOv8目标检测(二)_准备数据集_yolov8 数据集准备-CSDN博客

YOLOv8目标检测(三)_训练模型：YOLOv8目标检测(三)_训练模型_yolo data.yaml-CSDN博客

YOLOv8目标检测(三*)_最佳超参数训练：YOLOv8目标检测(三*)_最佳超参数训练_yolo 为什么要选择yolov8m.pt进行训练-CSDN博客

YOLOv8目标检测(四)_图片推理：YOLOv8目标检测(四)_图片推理-CSDN博客

YOLOv8目标检测(五)_结果文件(run/detrct/train)详解：YOLOv8目标检测(五)_结果文件(run/detrct/train)详解_yolov8 yolov8m.pt可以训练什么-CSDN博客

YOLOv8目标检测(六)_封装API接口：YOLOv8目标检测(六)_封装API接口-CSDN博客

YOLOv8目标检测(七)_AB压力测试：YOLOv8目标检测(七)_AB压力测试-CSDN博客

官方文档参考：超参数调整 -Ultralytics YOLO 文档

为什么要最佳超参数训练？

简单来说：

进行最佳超参数训练（Hyperparameter Optimization，HPO）是为了提高模型的性能，确保其在目标任务上的表现尽可能优异。

具体原因如下：

1.提升模型性能

（1）更高的准确性：通过调优学习率、权重衰减、批量大小等超参数，可以显著提高模型的准确性。

（2）更好的泛化能力：合适的超参数能够帮助模型在未见过的数据上表现更好，避免过拟合或欠拟合。

2.加快收敛速度

通过选择合适的学习率等超参数，模型的训练过程可以更快地收敛，从而节省训练时间和计算资源。

3.避免过拟合或欠拟合

超参数如正则化参数、数据增强策略、学习率衰减等会影响模型的复杂度和训练过程，优化这些参数有助于找到合适的平衡点。

4.适配特定任务或数据集

每个任务或数据集都有其独特的特点，默认的超参数可能不适合特定的应用场景。通过超参数搜索，可以为具体的任务定制训练流程。

5.优化资源使用

超参数优化能够找到在性能与计算资源之间的最佳平衡点。例如，通过调节批量大小、网络宽度或深度，可以降低显存占用，同时维持或提升模型性能。

注：笔者首先对数据进行了训练集和验证集的切分，用验证集数据寻找最佳超参数，得到参数后，再把全部数据进行训练。

一、修改脚本

（1）修改model路径

推荐使用yolov8m.pt或者yolov8n.pt等下载好的权重文件。

（2）修改model.tune参数

微调模型参数。

以下代码作用是加载 YOLOv8 的预训练模型，并使用其 tune 方法对指定数据集进行微调。

import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLOif __name__ == '__main__':model = YOLO('/usr/src/ultralytics/ultralytics/yolov8m.pt')      # 需要修改#model.load('yolov8n.pt') # loading pretrain weightsmodel.tune(data=r'/usr/src/ultralytics/ultralytics/phone.yaml',  # 需要修改# 如果任务是其它的，找到'ultralytics/cfg/default.yaml'修改task可以改成detect, segment, classify, pose# cache=False,imgsz=640,epochs=50,# single_cls=False,      # 是否是单类别检测# batch=4,# close_mosaic=10,# workers=0,device='0',# optimizer='SGD', # resume='',             # 续训设置last.pt的地址# amp=False,             # 如果出现训练损失为Nan可以关闭ampproject='runs/train',# val=False,             #注释false相当属于val=Trueiterations=100,name='exp',)

model.tune参数详细解释

1）data

• 数据集配置文件的路径，是一个 .yaml 文件。

• 该文件包含训练集和验证集的路径，以及类别标签信息。例如：

  # 数据集路径和类别数
  train: /path/to/dataset/train/images     # 训练集的图片路径
  val: /path/to/dataset/val/images         # 验证集的图片路径names: ['class1','class2','class3']nc: 3  # 类别数，与 names 的总数一致
  

2）imgsz

• 输入图像的尺寸，默认值是 640。
• 表示将图像缩放到 640x640 的大小后再进行训练或推理。

3）epochs

• 训练的轮次。
• 模型会在数据集上迭代指定的次数，可以根据实验需求调整。

4）device

• 指定训练使用的设备，例如：
  • '0'：使用 GPU 0 进行训练。
  • 'cpu'：使用 CPU。
• 如果有多块 GPU，可以指定多个，例如 device='0,1'。

5）project

• 保存训练结果的路径，默认是 runs/train。
• 所有实验的模型权重、日志、结果图片等会存储在这个目录下。

6）iterations

• 每个 epoch 中完成的迭代次数，决定了一轮训练中数据加载的批次总量。
• 如果数据集较大，可以增加迭代次数，以确保每轮训练更充分。

7）name

• 当前实验的名字，用于区分不同实验。
• 实验结果会保存在 project 指定路径下的 exp 文件夹中，例如 runs/train/exp。

8）cache

• 是否将数据加载到内存中以加速训练。
• 如果注释掉，默认值为 False。
• 设置为 True 可以提升加载速度，但会占用大量内存。

9）single_cls

• 如果数据集中只有一个类别，可以设置为 True。
• 适合单类别检测任务，例如仅检测某一特定物体。

10）batch

• 每次训练使用的样本数量（批次大小）。
• 批次大小越大，对显存要求越高，通常调整到显存能承受的最大值。

11）close_mosaic

• 控制 Mosaic 数据增强的关闭周期。
• Mosaic 是一种将多个图像拼接为一张训练样本的方法，默认在训练后期关闭以稳定模型。

12）workers

• 数据加载的线程数。
• 设置为 0 表示不使用多线程加载数据。
• 如果设置更高的值，可以加快数据加载，但对 CPU 性能有要求。

13）optimizer

• 优化器的选择，默认是 Adam。
• 可选值包括 'SGD'、'Adam' 等。

14）resume

• 用于续训的设置。
• 如果有中断的训练，可以通过指定 last.pt 的路径继续训练。

15）amp

• 是否启用混合精度训练（Automatic Mixed Precision）。
• 默认为 True，可以提升训练速度并减少显存占用。
• 如果训练过程中出现 NaN 错误，可以关闭它。

16）val

• 是否在训练过程中进行验证。
• 如果注释掉 val=False，相当于默认开启验证（val=True）。

二、运行脚本

python train_tune.py

三、查看最佳结果

（1）查看结果文件

训练完成后保存在hyptune_result_tune中，文件夹内容如下

1）weights中存放着权重文件。

2）best_hyperparameters.yaml存放着训练的最佳参数。

3）tune_fitness.png展示了超参数优化过程中，目标函数（ fitness 值）的变化趋势。

这是一幅显示适应度（通常是 AP50 这样的性能指标）与迭代次数的对比图。它可以帮助你直观地了解遗传算法在一段时间内的表现。

什么是fitness？

fitness是衡量模型性能的综合指标，一般是是基于多个评价指标（如精确率、召回率、mAP 等）的加权和。

4）tune_results.csv

部分数据如下

fitness	lr0	lrf	momentum	weight_decay	warmup_epochs	warmup_momentum	box	cls	dfl	hsv_h	hsv_s	hsv_v	degrees	translate	scale	shear	perspective	flipud	fliplr	mosaic	mixup	copy_paste
0.7561	0.01074	0.01092	0.87809	0.0005	5	0.6645	3.81906	0.52678	2.53135	0.01114	0.351	0.22014	0	0.07474	0.59202	0	0	0	0.26175	1	0	0
0.75352	0.01074	0.01311	0.88108	0.00048	4.6469	0.60231	3.81906	0.43861	2.57052	0.01134	0.39181	0.22014	0	0.07474	0.66259	0	0	0	0.27737	0.82468	0	0
0.76364	0.00915	0.0102	0.88694	0.00044	3.79998	0.54519	3.57381	0.57831	2.5339	0.01114	0.33132	0.21189	0	0.07475	0.54387	0	0	0	0.26416	1	0	0
0.75078	0.00915	0.0102	0.88697	0.00044	3.80256	0.54519	3.57242	0.57854	2.53504	0.01114	0.33132	0.21198	0	0.07476	0.54405	0	0	0	0.26416	1	0	0
0.76293	0.00928	0.00811	0.86524	0.00042	3.79998	0.54854	3.67781	0.57831	2.4856	0.01166	0.29207	0.23139	0	0.06951	0.59062	0	0	0	0.23951	0.97602	0	0

CSV文件，包含调整过程中每次迭代的详细结果。文件中的每一行代表一次迭代，包括适配度得分、精确度、召回率等指标，以及使用的超参数。

5）tune_scatter_plots.png

这个图文件展示了超参数与目标性能指标的关系。

请注意，初始化为 0 的超参数将不会被调整，如degrees、shear、persprctive、flipud、mixup、copy_paste。

（2）查看最佳参数

查看best_hyperparameters.yaml文件，如下图

四、使用最佳超参数训练

复制修改训练的yaml文件（:改为=）

#修改前训练命令
yolo task=detect mode=train model=yolov8m.yaml data=./data.yaml pretrained=/data/yolov8m.pt imgsz=640 save=True epochs=400 patience=50 resume=True device=0
#修改后训练命令
yolo task=detect mode=train model=yolov8m.yaml data=./data.yaml pretrained=/data/yolov8m.pt imgsz=640 save=True epochs=400 patience=50 resume=True device=0 lr0=0.00976 lrf=0.01153 momentum=0.93626 weight_decay=0.00018 warmup_epochs=4.85722 warmup_momentum=0.95 box=4.18836 cls=0.66206 dfl=2.35773 hsv_h=0.00929 hsv_s=0.25334 hsv_v=0.15979 degrees=0.0 translate=0.09706 scale=0.69983 shear=0.0 perspective=0.0 flipud=0.0 fliplr=0.26921 mosaic=0.97292 mixup=0.0 copy_paste=0.0

注意：训练命令添加最佳超参数后，data.yaml文件别忘了修改成完整的数据集，笔者是先用小部分数据找最佳超参数，再训练完整数据集。

恭喜你学会了如何找到最佳超参数，并使用其进行训练！