序言

整理来自yolov8官方文档常用的一些命令行参数,官方文档YOLOv8 Docs

yolov8命令行的统一运行格式为:

yolo TASK MODE ARGS

其中主要是三部分传参:

  • TASK(可选) 是[detect、segment、classification]中的一个。如果没有显式传递,YOLOv8将尝试从模型类型中猜测TASK。
  • MODE(必选) 是[train, val, predict, export]中的一个
  • ARGS(可选) 是任意数量的自定义arg=value对,如imgsz=320,覆盖默认值。

一、训练参数

训练命令行示例:

# 从YAML中构建一个新模型,并从头开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

# 从预先训练的*.pt模型开始训练
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

# 从YAML中构建一个新的模型,将预训练的权重传递给它,并开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

对应python代码示例:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # 从YAML中构建一个新模型
model = YOLO('yolov8n.pt')  #加载预训练的模型(推荐用于训练)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # 从YAML构建并传递权重

# Train the model
model.train(data='coco128.yaml', epochs=100, imgsz=640)

一些比较常用的传参:

key

解释

model

传入的model.yaml文件或者model.pt文件,用于构建网络和初始化,不同点在于只传入yaml文件的话参数会随机初始化

data

训练数据集的配置yaml文件

epochs

训练轮次,默认100

patience

早停训练观察的轮次,默认50,如果50轮没有精度提升,模型会直接停止训练

batch

训练批次,默认16

imgsz

训练图片大小,默认640

save

保存训练过程和训练权重,默认开启

save_period

训练过程中每x个轮次保存一次训练模型,默认-1(不开启)

cache

是否采用ram进行数据载入,设置True会加快训练速度,但是这个参数非常吃内存,一般服务器才会设置

device

要运行的设备,即cuda device =0或Device =0,1,2,3或device = cpu

workers

载入数据的线程数。windows一般为4,服务器可以大点,windows上这个参数可能会导致线程报错,发现有关线程报错,可以尝试减少这个参数,这个参数默认为8,大部分都是需要减少的

project

项目文件夹的名,默认为runs

name

用于保存训练文件夹名,默认exp,依次累加

exist_ok

是否覆盖现有保存文件夹,默认Flase

pretrained

是否加载预训练权重,默认Flase

optimizer

优化器选择,默认SGD,可选[SGD、Adam、AdamW、RMSProP]

verbose

是否打印详细输出

seed

随机种子,用于复现模型,默认0

deterministic

设置为True,保证实验的可复现性

single_cls

将多类数据训练为单类,把所有数据当作单类训练,默认Flase

image_weights

使用加权图像选择进行训练,默认Flase

rect

使用矩形训练,和矩形推理同理,默认False

cos_lr

使用余弦学习率调度,默认Flase

close_mosaic

最后x个轮次禁用马赛克增强,默认10

resume

断点训练,默认Flase

lr0

初始化学习率,默认0.01

lrf

最终学习率,默认0.01

label_smoothing

标签平滑参数,默认0.0

dropout

使用dropout正则化(仅对训练进行分类),默认0.0

数据增强参数:

YOLO多块GPU训练环境配置_YOLO

更多参数参考:modes/train

二、评估参数

评估命令行代码示例:

yolo detect val model=yolov8n.pt  #   val 官方模型
yolo detect val model=path/to/best.pt  # val 自己训练的模型

对应的python代码:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  #加载官方模型
model = YOLO('path/to/best.pt')  # 加载自己训练的模型

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map    # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps   # a list contains map50-95 of each category

一些比较常用的传参:

key

解释

model

需要评估的pt模型文件路径

data

需要评估的数据集yaml文件

imgsz

评估图片推理大小,默认640

batch

评估推理批次,默认16

save_json

是否保存评估结果为json输出,默认False

save_hybrid

是否保存混合版本的标签(标签+额外的预测)

conf

模型评估置信度阈值,默认0.001

iou

模型评估iou阈值,默认0.6

max_det

单张图最大检测目标数量,默认300

half

是否使用fp16推理,默认True

device

要运行的设备,即cuda device =0或Device =0,1,2,3或device = cpu

dnn

是否使用use OpenCV DNN for ONNX inference,默认Flase

rect

是否使用矩形推理,默认False

split

数据集分割用于验证,即val、 test、train,默认val

三、推理参数

推理命令行示例:

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

对应python代码示例:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load an official model
model = YOLO('path/to/best.pt')  # load a custom model

# Predict with the model
results = model('https://ultralytics.com/images/bus.jpg')  # predict on an image

# 目标检测后处理
boxes = results[0].boxes
boxes.xyxy  # box with xyxy format, (N, 4)
boxes.xywh  # box with xywh format, (N, 4)
boxes.xyxyn  # box with xyxy format but normalized, (N, 4)
boxes.xywhn  # box with xywh format but normalized, (N, 4)
boxes.conf  # confidence score, (N, 1)
boxes.cls  # cls, (N, 1)
boxes.data  # raw bboxes tensor, (N, 6) or boxes.boxes .

# 实例分割后处理
masks = results[0].masks  # Masks object
masks.segments  # bounding coordinates of masks, List[segment] * N
masks.data  # raw masks tensor, (N, H, W) or masks.masks 

# 目标分类后处理
results = model(inputs)
results[0].probs  # cls prob, (num_class, )

一些常用传参解释:

key

解释

source

跟之前的yolov5一致,可以输入图片路径,图片文件夹路径,视频路径

save

保存检测后输出的图像,默认False

conf

用于检测的对象置信阈值,默认0.25

iou

用于nms的IOU阈值,默认0.7

half

FP16推理,默认False

device

要运行的设备,即cuda设备=0/1/2/3或设备=cpu

show

用于推理视频过程中展示推理结果,默认False

save_txt

是否把识别结果保存为txt,默认False

save_conf

保存带有置信度分数的结果 ,默认False

save_crop

保存带有结果的裁剪图像,默认False

hide_label

保存识别的图像时候是否隐藏label ,默认False

hide_conf

保存识别的图像时候是否隐藏置信度,默认False

vid_stride

视频检测中的跳帧帧数,默认1

classes

展示特定类别的,根据类过滤结果,即class=0,或class=[0,2,3]

line_thickness

目标框中的线条粗细大小 ,默认3

visualize

可视化模型特征 ,默认False

augment

是否使用数据增强,默认False

agnostic_nms

是否采用class-agnostic NMS,默认False

retina_masks

使用高分辨率分割掩码,默认False

max_det

单张图最大检测目标,默认300

box

在分割人物中展示box信息,默认True

yolov8支持各种输入源推理:

YOLO多块GPU训练环境配置_深度学习_02


对于图片还支持以下保存格式的输入图片:

YOLO多块GPU训练环境配置_YOLO多块GPU训练环境配置_03


对于视频支持以下视频格式输入:

YOLO多块GPU训练环境配置_YOLO多块GPU训练环境配置_04

返回的result结果解析:

  • Results.boxes: 目标检测返回的boxes信息
  • Results.masks: 返回的分割mask坐标信息
  • Results.probs: 分类输出的类概率
  • Results.orig_img: 原始图像
  • Results.path: 输入图像的路径

result可以使用如下方法在加载到cpu或者gpu设备中:

  • results = results.cuda()
  • results = results.cpu()
  • results = results.to(“cpu”)
  • results = results.numpy()

更多细节:modes/predict

四、模型导出

yolov8支持一键导出多种部署模型,支持如下格式的模型导出:

YOLO多块GPU训练环境配置_深度学习_05

命令行运行示例:

yolo export model=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

python代码示例:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load an official model
model = YOLO('path/to/best.pt')  # load a custom trained

# Export the model
model.export(format='onnx')

一些常用参数解释:

key

解释

format

导出的格式,默认’torchscript’,可选如上支持的格式 onnx、engine、openvino等

imgsz

导出时固定的图片推理大小,为标量或(h, w)列表,即(640,480) ,默认640

keras

使用Keras导出TF SavedModel ,用于部署tensorflow模型,默认False

optimize

是否针对移动端对TorchScript进行优化

half

fp16量化导出,默认False

int8

int8量化导出,默认False

dynamic

针对ONNX/TF/TensorRT:动态推理,默认False

simplify

onnx simplify简化,默认False

opset

onnx的Opset版本(可选,默认为最新)

workspace

TensorRT:工作空间大小(GB),默认4

nms

导出CoreML,添加NMS

更多参考:modes/export

五、跟踪参数

yolov8目前支持:BoT-SORT、ByteTrack两种目标跟踪,默认使用BoT-SORT

命令行使用示例:

yolo track model=yolov8n.pt source="https://youtu.be/Zgi9g1ksQHc"  # official detection model
yolo track model=yolov8n-seg.pt source=...   # official segmentation model
yolo track model=path/to/best.pt source=...  # custom model
yolo track model=path/to/best.pt  tracker="bytetrack.yaml" # bytetrack tracker

python代码使用示例:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load an official detection model
model = YOLO('yolov8n-seg.pt')  # load an official segmentation model
model = YOLO('path/to/best.pt')  # load a custom model

# Track with the model
results = model.track(source="https://youtu.be/Zgi9g1ksQHc", show=True) 
results = model.track(source="https://youtu.be/Zgi9g1ksQHc", show=True, tracker="bytetrack.yaml")

同时支持检测和分割模型,只需要加载相应权重即可。

跟踪的传参和推理时一样,主要有三个:conf、 iou、 show

yolo track model=yolov8n.pt source="https://youtu.be/Zgi9g1ksQHc" conf=0.3, iou=0.5 show

# or

from ultralytics import YOLO

model = YOLO('yolov8n.pt')
results = model.track(source="https://youtu.be/Zgi9g1ksQHc", conf=0.3, iou=0.5, show=True)

也可以自定义修改跟踪配置文件,需要修改ultralytics/tracker/cfg中的yaml文件,修改你需要的配置(除了跟踪器类型),同样的运行方式:

yolo track model=yolov8n.pt source="https://youtu.be/Zgi9g1ksQHc" tracker='custom_tracker.yaml'

# or

from ultralytics import YOLO

model = YOLO('yolov8n.pt')
results = model.track(source="https://youtu.be/Zgi9g1ksQHc", tracker='custom_tracker.yaml')

六、基准测试参数

基准测试模式用于分析YOLOv8各种导出格式的速度和准确性。基准测试提供了关于导出格式的大小、其mAP50-95指标(用于对象检测和分割)或精度top5指标(用于分类)的信息,以及在各种导出格式(如ONNX、OpenVINO、TensorRT等)中,每张图像的推断时间(以毫秒为单位)。这些信息可以帮助用户根据他们对速度和准确性的需求,为他们的特定用例选择最佳的导出格式。

命令行代码示例:

yolo benchmark model=yolov8n.pt imgsz=640 half=False device=0

python代码示例:

from ultralytics.yolo.utils.benchmarks import benchmark

# Benchmark
benchmark(model='yolov8n.pt', imgsz=640, half=False, device=0)

一些基准测试常用参数:

key

解释

model

模型文件路径,yoloV8v.pt等

imgsz

基准测试图片大小,默认640

half

基准测试是否开启fp16,默认False

device

在哪些设备上测试cuda device=0 or device=0,1,2,3 or device=cpu

hard_fail

在错误(bool)或val下限阈值(float)时停止继续,默认False

基准测试可以支持以下导出的格式上运行测试:

YOLO多块GPU训练环境配置_YOLO多块GPU训练环境配置_06


更多参考:modes/benchmark

七、其他任务

分割参考:segment

分类参考:classify