Yolo总结

https://docs.ultralytics.com/usage/python/#benchmark

#总结，首先要安装图表标记

labelme，images和labels，编写yaml

 

#Pycharm终端运行

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124 -i https://pypi.tuna.tsinghua.edu.cn/simple

 

#安装ultralytics

pip install ultralytics

 

#训练模型

from ultralytics import YOLO

model = YOLO("yolo11n.yaml")

model = YOLO("yolo11n.pt")

results = model.train(data="yoloA\A.yaml", epochs=50)#epochs值越大越好，默认100

results = model.val(data="yoloA\A.yaml", conf=0.25, save_json=True)#模型验证

 

#A.yaml内容

path: E:\Yolov11\Yolo\yoloA # 注意修改自己NEU-DET数据集的路径

train: train/images  # train images

val: val/images  # val images

test: test/images  # test images

nc: 1

# Classes names: ['dog','cat']

names:

  0: bad

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

如何使用我的数据集训练自定义 YOLO 模型？

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo11n.yaml")

# Train the model with custom dataset
model.train(data="path/to/your/dataset.yaml", epochs=10)

resume您可以通过将参数设置为True调用该方法时轻松恢复YOLO中的培训，并指定包含部分训练的模型权重的文件train路径。

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

#使用训练好的模型

from ultralytics import YOLO

model = YOLO(r"runs\detect\train\weights\best.pt")

results = model.val(data=r"val.yaml",imgsz=2024,batch=30,iou=0.6, conf=0.25)

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo11n.pt")

# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    result.show()

如何将YOLO集成到我的Python项目中用于物体检测？

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo11n.pt")

# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    result.show()

如何导出 YOLO 模型以进行部署？

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo11n.pt")

# Export the model to ONNX format
model.export(format="onnx")

我可以在不同的数据集上验证我的YOLO模型吗？

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate the model on a different dataset
model.val(data="path/to/separate/data.yaml")

YOLO 中有哪些不同的模式？

Ultralytics YOLO 提供了多种模式以满足不同的机器学习工作流程。这些包括：

• 训练：使用自定义数据集训练模型。
• Val：在验证集上验证模型性能。
• 预测：对新的图像或视频流进行预测。
• 导出：将模型导出为ONNX和TensorRT等各种格式。
• 跟踪：视频流中的实时物体跟踪。
• 基准测试：在不同的配置下基准测试模型性能。

每个模式都是为模型开发和部署的不同阶段提供全面功能而设计的.

争论	类型	默认	描述
model	str	None	指定培训模型文件。接受.pt验证模型或配置文件的路径.yaml。定义模型结构或初始化权重的必要条件。
data	str	None	数据集配置文件（例如coco8.yaml）的路径。该文件包含特定于数据集的参数，包括培训和验证数据的途径，类名和类数。
epochs	int	100	训练时期的总数。每个时期都代表整个数据集的完整通行证。调整此值会影响训练持续时间和模型性能。
time	float	None	小时的最大训练时间。如果设置，这将覆盖epochs参数，允许训练在指定的持续时间后自动停止。对于时间约束的培训方案很有用。
patience	int	100	在停止培训之前，在不改善验证指标的情况下等待时的时代数量。在性能高原时停止训练，有助于防止过度适应。
batch	int	16	批处理大小，具有三种模式：设置为整数（例如batch=16），60％GPU内存利用率（batch=-1）的自动模式或具有指定利用率分数（batch=0.70）的自动模式。
imgsz	int或者list	640	训练目标图像大小。所有图像都将其调整到该维度之前，然后将其馈入模型。影响模型的准确性和计算复杂性。
save	bool	True	可以节省训练检查点和最终模型权重。对于恢复培训或模型部署有用。
save_period	int	-1	保存模型检查点的频率，以时期指定。 -1的值禁用此功能。在长期训练期间保存临时模型有用。
cache	bool	False	True在内存（ / ram），磁盘（disk）上或禁用它（ ）中的数据集图像的缓存False。通过减少磁盘I/O，以增加内存使用量来提高训练速度。
device	int或str或list	None	指定用于培训的计算设备：单个GPU（device=0），多个GPU（device=0,1），CPU（device=cpu）或MPS Apple Silicon（device=mps）。
workers	int	8	数据加载的工作线数（RANK如果多GPU培训）。影响数据预处理的速度和进食模型，在多GPU设置中尤其有用。
project	str	None	保存培训输出的项目目录的名称。允许组织不同实验的存储。
name	str	None	训练运行的名称。用于在项目文件夹中创建一个子目录，其中存储了训练日志和输出。
exist_ok	bool	False	如果为true，则允许覆盖现有项目/名称目录。对于迭代实验有用，无需手动清除先前的输出。
pretrained	bool或者str	True	确定是否从验证的模型开始培训。可以是布尔值，也可以是特定模型的字符串路径，从而从中加载权重。提高培训效率和模型性能。
optimizer	str	'auto'	选择优化器进行培训。选项包括SGD，，，，，，或用于基于模型配置的自动选择Adam。影响收敛速度和稳定性。AdamWNAdamRAdamRMSPropauto
seed	int	0	为训练设置随机种子，确保具有相同配置的运行过程中结果的可重复性。
deterministic	bool	True	力确定性算法的使用，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	在培训期间，将多级数据集中的所有课程视为单个类。对于二进制分类任务或专注于对象存在而不是分类时。
classes	list[int]	None	指定要训练的类ID列表。在培训期间过滤出来并仅专注于某些课程。
rect	bool	False	启用矩形训练，优化最小填充物的批处理组成。可以提高效率和速度，但可能会影响模型准确性。
multi_scale	bool	False	imgsz通过在训练过程中最多增加/减少来启用多尺度培训0.5。在推断过程中，训练模型更准确imgsz。
cos_lr	bool	False	利用余弦学习率调度程序，在余弦曲线上对时期的学习率调整了学习率。有助于管理学习率以更好地收敛。
close_mosaic	int	10	在最后一个n段中禁用马赛克数据扩展，以在完成前稳定训练。设置为0禁用此功能。
resume	bool	False	从最后保存的检查站恢复培训。自动加载模型权重，优化器状态和时期计数，从而无缝进行训练。
amp	bool	True	启用自动混合精度（AMP）训练，减少记忆使用情况并可能对准确性影响最小的培训加速训练。
fraction	float	1.0	指定用于培训的数据集的分数。允许在完整数据集的子集上进行培训，可用于实验或资源有限时。
profile	bool	False	在训练过程中启用onnx和张力速度的分析，可用于优化模型部署。
freeze	int或者list	None	通过索引冻结模型或指定图层的前层，减少了可训练的参数的数量。可用于微调或转移学习。
lr0	float	0.01	初始学习率（即SGD=1E-2）Adam=1E-3。调整此值对于优化过程至关重要，从而影响了模型权重的更新方式。
lrf	float	0.01	最终学习率是初始率的一部分=（lr0 * lrf），与调度程序一起使用，以随着时间的推移调整学习率。
momentum	float	0.937	ADAM优化器的SGD或BETA1的动量因素，影响了过去梯度在当前更新中的掺入。
weight_decay	float	0.0005	L2正则化项，惩罚大量重量以防止过度拟合。
warmup_epochs	float	3.0	学习率热身的时期数量，逐渐将学习率从低价值提高到初始学习率，以便尽早稳定培训。
warmup_momentum	float	0.8	热身阶段的初始动量，逐渐调整为在热身期间的设定动量。
warmup_bias_lr	float	0.1	在热身阶段，偏差参数的学习率有助于稳定最初时期的模型训练。
box	float	7.5	损失函数中盒子损耗组件的重量，影响了准确预测边界盒坐标的重点。
cls	float	0.5	总损失函数中分类损失的重量，影响正确类预测相对于其他组件的重要性。
dfl	float	1.5	分布焦点损失的重量，用于某些Yolo版本，用于细粒度分类。
pose	float	12.0	在训练姿势估计的模型中，姿势损失的重量影响了精确预测姿势关键的重点。
kobj	float	2.0	姿势估计模型中关键点对象损失的重量，平衡检测置信度与姿势精度。
nbs	int	64	标称损失归一化的标称批量大小。
overlap_mask	bool	True	确定是否应将对象掩码合并到一个掩码中进行训练，或者为每个对象分开。如果重叠，则在合并期间，较小的面膜在较大面罩的顶部被覆盖。
mask_ratio	int	4	分割面罩的下样本比，影响训练过程中使用的面膜的分辨率。
dropout	float	0.0	分类任务中正规化的辍学率，以防止训练过程中随机省略单位过度拟合。
val	bool	True	在培训期间启用验证，允许在单独的数据集上定期评估模型性能。
plots	bool	False	生成并保存培训和验证指标的图以及预测示例，从而为模型性能和学习进步提供了视觉见解。