1.5 基于YOLOv8的交通标志检测模型
本节的内容主要介绍了基于YOLOv8的交通标志检测模型的构建与训练过程。首先，使用YOLOv8的预训练模型，并通过定制的数据集对其进行了训练，以检测交通标志。在训练过程中，评估了不同的参数和优化器的影响，通过调整批量大小、学习率等参数来优化模型性能。训练过程中使用了多种评估指标，如平均精度（mAP）、精确度和召回率。最终，经过多次训练和调整，得到了一个能够高效准确地检测交通标志的YOLOv8模型。模型验证包括使用测试集进行验证，并通过输出不同的性能指标来评估模型的效果。
1.5.1 使用自定义交通标志数据集进行模型训练
平均精度均值（mAP） 是一种用于评估目标检测算法在识别和定位图像中的物体时的有效性指标。它综合了不同类别的精确度（Precision）和召回率（Recall），通过计算每个类别的平均精度（AP）并取平均值，mAP可以为算法的总体性能提供一个评估。
如果最终轮次的mAP结果不理想，可以通过以下方法来改善模型的效果：
- 延长训练轮次：增加训练轮次可以让模型学习更多模式，可能提升性能。可以在运行训练命令时通过--epochs参数指定更高的值。
- 尝试不同的参数值：可以调整一些参数，以观察是否对结果有积极影响。推荐尝试的参数包括：
- 批量大小（Batch Size）：更改批量大小可能会影响模型的收敛性和泛化能力，可以通过--batch-size参数调整。
- 初始学习率（lr0）：初始学习率决定了训练初期的步长，可以通过调整--lr0参数控制模型的学习速度。
- 学习率范围（lrf）：学习率范围决定了训练过程中使用的学习率范围，尝试不同的--lrf值可以帮助找到更合适的学习率设置。
- 选择不同的优化器：优化器负责基于计算的梯度更新模型参数。更换优化器有时可以实现更好的收敛效果。Ultralytics YOLOv8支持多种优化器，如SGD、Adam和RMSprop，可以通过修改--optimizer参数来使用不同的优化器。
如果想了解更多关于恢复中断训练及其他训练选项的信息，可以参考Ultralytics YOLOv8的文档。
为优化模型性能，本项目尝试了不同的参数值和优化器组合。在训练阶段，探索了多种轮次、批量大小、初始学习率（lr0）和Dropout值的组合。实验过程中使用的具体参数如下：
- 轮次：10, 50, 100
- 批量大小：8, 16, 32, 64
- 初始学习率（lr0）：0.001, 0.0003, 0.0001
- Dropout：0.15, 0.25
此外，我们还使用了不同的优化器（包括Adam、SGD和auto）来评估其对模型收敛性和整体结果的影响。
经过大量的实验和训练后，我们展示了实验结果。基于多个指标（包括平均精度均值mAP），对YOLOv8模型的性能进行了评估。
1.5.2 训练步骤
（1）下面这段代码用于升级安装ultralytics和ray库，以确保使用最新版本，提升YOLOv8模型的功能和分布式计算性能。
# 升级安装ultralytics和ray库
!pip install --upgrade ultralytics ray（2）下面这段代码基于YOLOv8的预训练模型（yolov8n.pt）构建最终模型，并在指定的数据集上进行训练。数据集配置文件来自YAML文件，模型将在30个训练轮次中自动调整批量大小，并使用“auto”优化器选择最优的优化算法。
# 从YAML文件构建模型并加载权重
Final_model = YOLO('yolov8n.pt')
# 训练最终模型
Result_Final_model = Final_model.train(data="input/cardetection/car/data.yaml", epochs=30, batch=-1, optimizer='auto')执行后会使用YOLOv8的预训练权重（yolov8n.pt）加载最终模型，并在指定的数据集（配置在data.yaml文件中）上进行训练。训练过程将持续30个轮次（epochs），批量大小由系统自动选择（batch=-1），优化器根据模型和数据的需求自动选择最佳类型（optimizer='auto'）。训练完成后，会生成一个训练结果对象（Result_Final_model），其中包含训练的日志信息、模型性能指标（如损失值和mAP），以及经过微调的模型权重。
Ultralytics YOLOv8.2.58
标签：False,训练,nn,检测,模型,ultralytics,modules,YOLOv8,交通标志
From： https://blog.csdn.net/asd343442/article/details/143819752