如何使用YOLOv8训练自己的模型
本文介绍如何用YOLO8训练自己的模型，我们开门见山，直接步入正题。
前言：用yolo8在自己的数据集上训练模型首先需要配置好YOLO8的环境，如果不会配置YOLO8环境可以参考本人主页的另一篇文章
提醒：使用GPU训练会大幅度加快训练，有英伟达GPU的一定要配置GPU训练环境，没有英伟达显卡的只能采用CPU训练，但是一般不建议。 （GPU、CPU训练环境的配置具体见上面的文章链接）
第一章节：准备好数据集
配置好YOLO8环境之后，需要准备好YOLO格式的数据集（也称txt格式），该数据集可以通过数据集标注软件 labelme、labelimg对图片进行拉框标注得到。经过标注软件标注好的yolo数据集的格式通常为:
class_id x y w h
class_id: 类别的id编号
x: 目标的中心点x坐标(横向) /图片总宽度
y: 目标的中心的y坐标(纵向) /图片总高度
w:目标框的宽度/图片总宽度
h: 目标框的高度/图片总高度
下图为一张图片按照yolo格式进行标注的txt标注文件
在进行训练之前，还需要对数据集进行划分，一般是按照7：2：1的比例划分训练集（train）、验证集（val）、测试集（test） 或者按照8：2的比例划分训练集与验证集。
提醒：用YOLO8训练自己的模型必须至少要把数据集划分出训练集与验证集，可以不划分测试集，训练集与验证集不可或缺，否则不能数据集进行模型训练。我这里只划分训练集与验证集，并且训练集与验证集应该是下面的目录结构
train
├── images
└── labelsval
├── images
└── labels
下面以葡萄叶片病虫害数据集为例，给出训练集、验证集目录结构的参考示例
在训练之前，我们不仅要把数据集划分成训练集、验证集，还需要给出类别标签yaml文件，该文件是YOLO8在训练过程中所必须的。也就是说，一个完整的，可以直接用于模型训练的数据集应该具有以下目录结构：
data.yaml的内容如下图所示：
其中train、val指定训练集与验证集的路径地址（最好写成绝对路径）
nc代表该数据集有几个类别，我这里的葡萄叶片病虫害数据集有四个类别
names代表具体的类别名称。可以以数组的形式给出，但请注意类别名称需要以英文或数字呈现，不能含有任何特殊字符或者中文字符。
提醒：yaml文件是必须的，如果你拿到的数据集不含这个文件，那么你要按照上面的格式自己手动写了，书写时需要严格按照yaml文件的格式（冒号后面是有一个空格的）
第二章节：开始训练
搞深度学习，绝大部分都是在linux系统上进行炼丹的。考虑到有的读者可能对Linux不熟悉,本章节首先给出win系统训练教程，然后再给出linux系统训练步骤。
注意：在训练的过程中，有英伟达显卡的一定要用GPU训练，用CPU训练是特别缓慢的。
2.1 训练参数
训练方式有多种，可以通过py程序训练，也可以在命令行训练，我们这里以py程序训练为例：
无论是在win系统还是linux系统，训练的代码基本都是一致的，只有极个别参数会因为系统的不同出现差异。
from ultralytics import YOLO
# 这里有三种训练方式，三种任选其一
#第一种：根据yaml文件构建一个新模型进行训练,若对YOLO8网络进行了修改（比如添加了注意力机制）适合选用此种训练方式。但请注意这种训练方式是重头训练(一切参数都要自己训练),训练时间、资源消耗都是十分巨大的
model = YOLO('yolov8n.yaml') # build a new model from YAML
#第二种：加载一个预训练模型，在此基础之前上对参数进行调整。这种方式是深度学习界最最主流的方式。由于大部分参数已经训练好，我们仅需根据数据集对模型的部分参数进行微调，因此训练时间最短，计算资源消耗最小。
model = YOLO('yolov8n.pt') # load a pretrained model (recommended for training)
#第三种:根据yaml文件构建一个新模型，然后将预训练模型的参数转移到新模型中，然后进行训练，对YOLO8网络进行改进的适合选用此种训练方式，而且训练时间不至于过长
model = YOLO('yolov8n.yaml').load('yolov8n.pt') # build from YAML and transfer weights
# Train the model
#data参数指定数据集yaml文件(我这里data.yaml与train、val文件夹同目录)
#epochs指定训练多少轮
#imgsz指定图片大小
results = model.train(data='data.yaml', epochs=100, imgsz=640)model.train()函数可以指定的训练参数有很多，如下表所示：
| Key | Value | Description |
| model | None | path to model file, i.e. yolov8n.pt, yolov8n.yaml |
| data | None | path to data file, i.e. coco128.yaml |
| epochs | 100 | number of epochs to train for |
| time | None | number of hours to train for, overrides epochs if supplied |
| patience | 50 | epochs to wait for no observable improvement for early stopping of training |
| batch | 16 | number of images per batch (-1 for AutoBatch) |
| imgsz | 640 | size of input images as integer |
| save | True | save train checkpoints and predict results |
| save_period | -1 | Save checkpoint every x epochs (disabled if < 1) |
| cache | False | True/ram, disk or False. Use cache for data loading |
| device | None | device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu |
| workers | 8 | number of worker threads for data loading (per RANK if DDP) |
| project | None | project name |
| name | None | experiment name |
| exist_ok | False | whether to overwrite existing experiment |
| pretrained | True | (bool or str) whether to use a pretrained model (bool) or a model to load weights from (str) |
| optimizer | 'auto' | optimizer to use, choices=[SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto] |
| verbose | False | whether to print verbose output |
| seed | 0 | random seed for reproducibility |
| deterministic | True | whether to enable deterministic mode |
| single_cls | False | train multi-class data as single-class |
| rect | False | rectangular training with each batch collated for minimum padding |
| cos_lr | False | use cosine learning rate scheduler |
| close_mosaic | 10 | (int) disable mosaic augmentation for final epochs (0 to disable) |
| resume | False | resume training from last checkpoint |
| amp | True | Automatic Mixed Precision (AMP) training, choices=[True, False] |
| fraction | 1.0 | dataset fraction to train on (default is 1.0, all images in train set) |
| profile | False | profile ONNX and TensorRT speeds during training for loggers |
| freeze | None | (int or list, optional) freeze first n layers, or freeze list of layer indices during training |
| lr0 | 0.01 | initial learning rate (i.e. SGD=1E-2, Adam=1E-3) |
| lrf | 0.01 | final learning rate (lr0 * lrf) |
| momentum | 0.937 | SGD momentum/Adam beta1 |
| weight_decay | 0.0005 | optimizer weight decay 5e-4 |
| warmup_epochs | 3.0 | warmup epochs (fractions ok) |
| warmup_momentum | 0.8 | warmup initial momentum |
| warmup_bias_lr | 0.1 | warmup initial bias lr |
| box | 7.5 | box loss gain |
| cls | 0.5 | cls loss gain (scale with pixels) |
| dfl | 1.5 | dfl loss gain |
| pose | 12.0 | pose loss gain (pose-only) |
| kobj | 2.0 | keypoint obj loss gain (pose-only) |
| label_smoothing | 0.0 | label smoothing (fraction) |
| nbs | 64 | nominal batch size |
| overlap_mask | True | masks should overlap during training (segment train only) |
| mask_ratio | 4 | mask downsample ratio (segment train only) |
| dropout | 0.0 | use dropout regularization (classify train only) |
| val | True | validate/test during training |
| plots | False | save plots and images during train/val |
下面指出几个比较重要的训练参数
1. epochs
epochs: 训练的轮数。这个参数确定了模型将会被训练多少次，每一轮都遍历整个训练数据集。训练的轮数越多，模型对数据的学习就越充分，但也增加了训练时间。
选取策略
默认是100轮数。但一般对于新数据集，我们还不知道这个数据集学习的难易程度，可以加大轮数，例如300，来找到更佳性能。
2. patience
patience: 早停的等待轮数。在训练过程中，如果在一定的轮数内没有观察到模型性能的明显提升，就会停止训练。这个参数确定了等待的轮数，如果超过该轮数仍没有改进，则停止训练。
早停
早停能减少过拟合。过拟合(overfitting)指的是只能拟合训练数据, 但不能很好地拟合不包含在训练数据中的其他数据的状态。
3. batch
batch: 每个批次中的图像数量。在训练过程中，数据被分成多个批次进行处理，每个批次包含一定数量的图像。这个参数确定了每个批次中包含的图像数量。特殊的是，如果设置为**-1**，则会自动调整批次大小，至你的显卡能容纳的最多图像数量。
选取策略
一般认为batch越大越好。因为我们的batch越大我们选择的这个batch中的图片更有可能代表整个数据集的分布，从而帮助模型学习。但batch越大占用的显卡显存空间越多，所以还是有上限的。
4. imgsz
imgsz: 输入图像的尺寸。这个参数确定了输入图像的大小。可以指定一个整数值表示图像的边长，也可以指定宽度和高度的组合。例如640表示图像的宽度和高度均为640像素。
选取策略
如果数据集中存在大量小对象，增大输入图像的尺寸imgsz可以使得这些小对象从高分辨率中受益，更好的被检测出。
5. device
device: 训练运行的设备。该参数指定了模型训练所使用的设备，例如使用 GPU 运行可以指定为 cuda device=0，或者使用多个 GPU 运行可以指定为 device=0,1,2,3，如果没有可用的 GPU，可以指定为 device=cpu 使用 CPU 进行训练。
6. workers
workers: 数据加载时的工作线程数。在数据加载过程中，可以使用多个线程并行地加载数据，以提高数据读取速度。这个参数确定了加载数据时使用的线程数，具体的最佳值取决于硬件和数据集的大小。
windows系统注意设置为0！！！windows系统下需设置为0，否则会报错！！！
RuntimeError: An attempt has been made to start a new process before the current process has finished its bootstrapping phase。
这是因为在linux系统中可以使用多个子进程加载数据，而在windows系统中不能。
7. optimizer
optimizer: 选择要使用的优化器。优化器是深度学习中用于调整模型参数以最小化损失函数的算法。可以选择不同的优化器，如 ‘SGD’、‘Adam’、‘AdamW’、‘RMSProp’，根据任务需求选择适合的优化器。
2.2 在win系统中进行训练
在开始训练之前，文件参考目录如下：
我这里直接加载yolovn8预训练模型进行训练，训练代码train.py内容如下：
from ultralytics import YOLO
model=YOLO('yolov8n.pt')
model.train(data='./data.yaml',imgsz=(640,640),workers=0,batch=32,epochs=60)需要注意的是，目录下最好提前下载好预训练模型（我这里是yolov8n.pt)，如果没有提前下载好，运行train.py还是会ultralytics官网下载，由于外网的缘故，此时可能会出现网络问题。
紧接着，我们在anaconda中切换到提前已经配置好的yolo8环境，然后python命令运行train.py
之后，控制台窗口会有一系列的日志输出
此时，训练成功。经过一段时间等待之后，在目录下的runs文件夹下会自动生成训练过程记录，包含模型权重、混淆矩阵、PR曲线、loss曲线等
2.3 在linux系统中进行训练
在linux系统中我们可以加大workers(数据加载时的工作线程数)，从而加快训练速度，代码跟win系统基本保持一致：
from ultralytics import YOLO
model=YOLO('yolov8n.pt')
model.train(data='./data.yaml',imgsz=(640,640),workers=16,batch=32,epochs=60)值得注意的是，无论是在win系统中还是linux系统中，都要根据自己电脑、服务器的算力去选择合适的workers和batch，设置过小训练速度慢，设置过大，会out of memory.