YOLOv11训练参数详解

一、训练参数详解

`model`	`str`	`None`	指定用于训练的模型文件。接受指向 `.pt` 预训练模型或 `.yaml` 配置文件。对于定义模型结构或初始化权重至关重要。
`data`	`str`	`None`	数据集配置文件的路径（例如 `coco8.yaml`).该文件包含特定于数据集的参数，包括训练和验证数据类名和类数。
`epochs`	`int`	`100`	训练历元总数。每个历元代表对整个数据集进行一次完整的训练。调整该值会影响训练时间和模型性能。
`time`	`float`	`None`	最长训练时间（小时）。如果设置了该值，则会覆盖 `epochs` 参数，允许训练在指定的持续时间后自动停止。对于时间有限的训练场景非常有用。
`patience`	`int`	`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`	`int`	`16`	批量大小有三种模式：设置为整数（如 `batch=16`）、自动模式，内存利用率为 60%GPU (`batch=-1`），或指定利用率的自动模式 (`batch=0.70`).
`imgsz`	`int` 或 `list`	`640`	用于训练的目标图像尺寸。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`	`bool`	`True`	可保存训练检查点和最终模型权重。这对恢复训练或模型部署非常有用。
`save_period`	`int`	`-1`	保存模型检查点的频率，以 epochs 为单位。值为-1 时将禁用此功能。该功能适用于在长时间训练过程中保存临时模型。
`cache`	`bool`	`False`	在内存中缓存数据集图像 (`True`/`ram`）、磁盘 (`disk`），或禁用它 (`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`	`int` 或 `str` 或 `list`	`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MPS for Apple silicon (`device=mps`).
`workers`	`int`	`8`	加载数据的工作线程数（每 `RANK` 如果多GPU 训练）。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`	`str`	`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`	`str`	`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`	`bool`	`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`	`bool`	`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`	`str`	`'auto'`	为培训选择优化器。选项包括 `SGD`, `Adam`, `AdamW`, `NAdam`, `RAdam`, `RMSProp` 等，或 `auto` 用于根据模型配置进行自动选择。影响收敛速度和稳定性
`seed`	`int`	`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`	`bool`	`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`	`bool`	`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。
`classes`	`list[int]`	`None`	指定要训练的类 ID 列表。有助于在训练过程中筛选出特定的类并将其作为训练重点。
`rect`	`bool`	`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`	`bool`	`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`	`int`	`10`	在训练完成前禁用最后 N 个历元的马赛克数据增强以稳定训练。设置为 0 则禁用此功能。
`resume`	`bool`	`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`	`bool`	`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`	`float`	`1.0`	指定用于训练的数据集的部分。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`	`bool`	`False`	在训练过程中，可对ONNX 和TensorRT 速度进行剖析，有助于优化模型部署。
`freeze`	`int` 或 `list`	`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`	`float`	`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`	`float`	`0.01`	最终学习率占初始学习率的百分比 = (`lr0 * lrf`)，与调度程序结合使用，随着时间的推移调整学习率。
`momentum`	`float`	`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`	`float`	`0.0005`	L2正则化项，对大权重进行惩罚，以防止过度拟合。
`warmup_epochs`	`float`	`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`	`float`	`0.8`	热身阶段的初始动力，在热身期间逐渐调整到设定动力。
`warmup_bias_lr`	`float`	`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`	`float`	`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`	`float`	`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`	`float`	`1.5`	分布焦点损失权重，在某些YOLO 版本中用于精细分类。
`pose`	`float`	`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`	`float`	`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。
`nbs`	`int`	`64`	用于损耗正常化的标称批量大小。
`overlap_mask`	`bool`	`True`	决定是将对象遮罩合并为一个遮罩进行训练，还是将每个对象的遮罩分开。在重叠的情况下，较小的掩码会在合并时覆盖在较大的掩码之上。
`mask_ratio`	`int`	`4`	分割掩码的下采样率，影响训练时使用的掩码分辨率。
`dropout`	`float`	`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`	`bool`	`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`	`bool`	`False`	生成并保存训练和验证指标图以及预测示例图，以便直观了解模型性能和学习进度。

二、训练参数指定方法：

建立一个py文件

from ultralytics import YOLO

if __name__ == '__main__':
    model=YOLO("xxx.yaml") \
        .load("...yolo11n.pt") ##(载入预训练权重)
    model.train(data='xxx.yaml',
                epochs=100,
                batch=18,
                device="cuda:0",
                project="runs/12.23",
                name="xxx",
    )

标签：历元,训练,权重,模型,学习,详解,参数,YOLOv11,用于
From： https://blog.csdn.net/Songyupenggg/article/details/144663388

一、训练参数详解

二、训练参数指定方法：

相关文章

赞助商

阅读排行