序言

整理來自yolov8官方文檔常用的一些命令行參數(shù)，官方文檔YOLOv8 Docs

yolov8命令行的統(tǒng)一運(yùn)行格式為：

yolo TASK MODE ARGS

其中主要是三部分傳參：

• TASK(可選) 是[detect、segment、classification]中的一個(gè)。如果沒有顯式傳遞，YOLOv8將嘗試從模型類型中猜測(cè)TASK。
• MODE(必選) 是[train, val, predict, export]中的一個(gè)
• ARGS(可選) 是任意數(shù)量的自定義arg=value對(duì)，如imgsz=320，覆蓋默認(rèn)值。

一、訓(xùn)練參數(shù)

訓(xùn)練命令行示例：

# 從YAML中構(gòu)建一個(gè)新模型，并從頭開始訓(xùn)練
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640# 從預(yù)先訓(xùn)練的*.pt模型開始訓(xùn)練
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640# 從YAML中構(gòu)建一個(gè)新的模型，將預(yù)訓(xùn)練的權(quán)重傳遞給它，并開始訓(xùn)練
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

對(duì)應(yīng)python代碼示例：

from ultralytics import YOLO# Load a model
model = YOLO('yolov8n.yaml')  # 從YAML中構(gòu)建一個(gè)新模型
model = YOLO('yolov8n.pt')  #加載預(yù)訓(xùn)練的模型(推薦用于訓(xùn)練)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # 從YAML構(gòu)建并傳遞權(quán)重# Train the model
model.train(data='coco128.yaml', epochs=100, imgsz=640)

一些比較常用的傳參：

key	解釋
model	傳入的model.yaml文件或者model.pt文件，用于構(gòu)建網(wǎng)絡(luò)和初始化，不同點(diǎn)在于只傳入yaml文件的話參數(shù)會(huì)隨機(jī)初始化
data	訓(xùn)練數(shù)據(jù)集的配置yaml文件
epochs	訓(xùn)練輪次，默認(rèn)100
patience	早停訓(xùn)練觀察的輪次，默認(rèn)50，如果50輪沒有精度提升，模型會(huì)直接停止訓(xùn)練
batch	訓(xùn)練批次，默認(rèn)16
imgsz	訓(xùn)練圖片大小，默認(rèn)640
save	保存訓(xùn)練過程和訓(xùn)練權(quán)重，默認(rèn)開啟
save_period	訓(xùn)練過程中每x個(gè)輪次保存一次訓(xùn)練模型，默認(rèn)-1（不開啟）
cache	是否采用ram進(jìn)行數(shù)據(jù)載入，設(shè)置True會(huì)加快訓(xùn)練速度，但是這個(gè)參數(shù)非常吃內(nèi)存，一般服務(wù)器才會(huì)設(shè)置
device	要運(yùn)行的設(shè)備，即cuda device =0或Device =0,1,2,3或device = cpu
workers	載入數(shù)據(jù)的線程數(shù)。windows一般為4，服務(wù)器可以大點(diǎn)，windows上這個(gè)參數(shù)可能會(huì)導(dǎo)致線程報(bào)錯(cuò)，發(fā)現(xiàn)有關(guān)線程報(bào)錯(cuò)，可以嘗試減少這個(gè)參數(shù)，這個(gè)參數(shù)默認(rèn)為8，大部分都是需要減少的
project	項(xiàng)目文件夾的名，默認(rèn)為runs
name	用于保存訓(xùn)練文件夾名，默認(rèn)exp，依次累加
exist_ok	是否覆蓋現(xiàn)有保存文件夾，默認(rèn)Flase
pretrained	是否加載預(yù)訓(xùn)練權(quán)重，默認(rèn)Flase
optimizer	優(yōu)化器選擇，默認(rèn)SGD，可選[SGD、Adam、AdamW、RMSProP]
verbose	是否打印詳細(xì)輸出
seed	隨機(jī)種子，用于復(fù)現(xiàn)模型，默認(rèn)0
deterministic	設(shè)置為True，保證實(shí)驗(yàn)的可復(fù)現(xiàn)性
single_cls	將多類數(shù)據(jù)訓(xùn)練為單類，把所有數(shù)據(jù)當(dāng)作單類訓(xùn)練，默認(rèn)Flase
image_weights	使用加權(quán)圖像選擇進(jìn)行訓(xùn)練，默認(rèn)Flase
rect	使用矩形訓(xùn)練，和矩形推理同理，默認(rèn)False
cos_lr	使用余弦學(xué)習(xí)率調(diào)度，默認(rèn)Flase
close_mosaic	最后x個(gè)輪次禁用馬賽克增強(qiáng)，默認(rèn)10
resume	斷點(diǎn)訓(xùn)練，默認(rèn)Flase
lr0	初始化學(xué)習(xí)率，默認(rèn)0.01
lrf	最終學(xué)習(xí)率，默認(rèn)0.01
label_smoothing	標(biāo)簽平滑參數(shù)，默認(rèn)0.0
dropout	使用dropout正則化(僅對(duì)訓(xùn)練進(jìn)行分類)，默認(rèn)0.0

數(shù)據(jù)增強(qiáng)參數(shù)：

更多參數(shù)參考：modes/train

二、評(píng)估參數(shù)

評(píng)估命令行代碼示例：

yolo detect val model=yolov8n.pt  #   val 官方模型
yolo detect val model=path/to/best.pt  # val 自己訓(xùn)練的模型

對(duì)應(yīng)的python代碼：

from ultralytics import YOLO# Load a model
model = YOLO('yolov8n.pt')  #加載官方模型
model = YOLO('path/to/best.pt')  # 加載自己訓(xùn)練的模型# 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

一些比較常用的傳參：

key	解釋
model	需要評(píng)估的pt模型文件路徑
data	需要評(píng)估的數(shù)據(jù)集yaml文件
imgsz	評(píng)估圖片推理大小，默認(rèn)640
batch	評(píng)估推理批次，默認(rèn)16
save_json	是否保存評(píng)估結(jié)果為json輸出，默認(rèn)False
save_hybrid	是否保存混合版本的標(biāo)簽(標(biāo)簽+額外的預(yù)測(cè))
conf	模型評(píng)估置信度閾值，默認(rèn)0.001
iou	模型評(píng)估iou閾值，默認(rèn)0.6
max_det	單張圖最大檢測(cè)目標(biāo)數(shù)量，默認(rèn)300
half	是否使用fp16推理，默認(rèn)True
device	要運(yùn)行的設(shè)備，即cuda device =0或Device =0,1,2,3或device = cpu
dnn	是否使用use OpenCV DNN for ONNX inference，默認(rèn)Flase
rect	是否使用矩形推理，默認(rèn)False
split	數(shù)據(jù)集分割用于驗(yàn)證，即val、 test、train，默認(rèn)val

三、推理參數(shù)

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

對(duì)應(yīng)python代碼示例：

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# 目標(biāo)檢測(cè)后處理
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 .# 實(shí)例分割后處理
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 # 目標(biāo)分類后處理
results = model(inputs)
results[0].probs  # cls prob, (num_class, )

一些常用傳參解釋：

key	解釋
source	跟之前的yolov5一致，可以輸入圖片路徑，圖片文件夾路徑，視頻路徑
save	保存檢測(cè)后輸出的圖像，默認(rèn)False
conf	用于檢測(cè)的對(duì)象置信閾值，默認(rèn)0.25
iou	用于nms的IOU閾值，默認(rèn)0.7
half	FP16推理，默認(rèn)False
device	要運(yùn)行的設(shè)備，即cuda設(shè)備=0/1/2/3或設(shè)備=cpu
show	用于推理視頻過程中展示推理結(jié)果，默認(rèn)False
save_txt	是否把識(shí)別結(jié)果保存為txt，默認(rèn)False
save_conf	保存帶有置信度分?jǐn)?shù)的結(jié)果 ，默認(rèn)False
save_crop	保存帶有結(jié)果的裁剪圖像，默認(rèn)False
hide_label	保存識(shí)別的圖像時(shí)候是否隱藏label ，默認(rèn)False
hide_conf	保存識(shí)別的圖像時(shí)候是否隱藏置信度，默認(rèn)False
vid_stride	視頻檢測(cè)中的跳幀幀數(shù)，默認(rèn)1
classes	展示特定類別的，根據(jù)類過濾結(jié)果，即class=0，或class=[0,2,3]
line_thickness	目標(biāo)框中的線條粗細(xì)大小 ，默認(rèn)3
visualize	可視化模型特征 ，默認(rèn)False
augment	是否使用數(shù)據(jù)增強(qiáng)，默認(rèn)False
agnostic_nms	是否采用class-agnostic NMS，默認(rèn)False
retina_masks	使用高分辨率分割掩碼，默認(rèn)False
max_det	單張圖最大檢測(cè)目標(biāo)，默認(rèn)300
box	在分割人物中展示box信息，默認(rèn)True

yolov8支持各種輸入源推理：

對(duì)于圖片還支持以下保存格式的輸入圖片：

對(duì)于視頻支持以下視頻格式輸入：

返回的result結(jié)果解析：

• Results.boxes: 目標(biāo)檢測(cè)返回的boxes信息
• Results.masks: 返回的分割mask坐標(biāo)信息
• Results.probs: 分類輸出的類概率
• Results.orig_img: 原始圖像
• Results.path: 輸入圖像的路徑

result可以使用如下方法在加載到cpu或者gpu設(shè)備中：

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

更多細(xì)節(jié)：modes/predict

四、模型導(dǎo)出

yolov8支持一鍵導(dǎo)出多種部署模型，支持如下格式的模型導(dǎo)出：

命令行運(yùn)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代碼示例：

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')

一些常用參數(shù)解釋：

key	解釋
format	導(dǎo)出的格式，默認(rèn)’torchscript’，可選如上支持的格式 onnx、engine、openvino等
imgsz	導(dǎo)出時(shí)固定的圖片推理大小，為標(biāo)量或(h, w)列表，即(640,480) ，默認(rèn)640
keras	使用Keras導(dǎo)出TF SavedModel ，用于部署tensorflow模型，默認(rèn)False
optimize	是否針對(duì)移動(dòng)端對(duì)TorchScript進(jìn)行優(yōu)化
half	fp16量化導(dǎo)出，默認(rèn)False
int8	int8量化導(dǎo)出，默認(rèn)False
dynamic	針對(duì)ONNX/TF/TensorRT:動(dòng)態(tài)推理，默認(rèn)False
simplify	onnx simplify簡(jiǎn)化，默認(rèn)False
opset	onnx的Opset版本(可選，默認(rèn)為最新)
workspace	TensorRT:工作空間大小(GB)，默認(rèn)4
nms	導(dǎo)出CoreML，添加NMS

更多參考：modes/export

五、跟蹤參數(shù)

yolov8目前支持：BoT-SORT、ByteTrack兩種目標(biāo)跟蹤，默認(rèn)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代碼使用示例：

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") 

同時(shí)支持檢測(cè)和分割模型，只需要加載相應(yīng)權(quán)重即可。

跟蹤的傳參和推理時(shí)一樣，主要有三個(gè)：conf、 iou、 show

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

也可以自定義修改跟蹤配置文件，需要修改ultralytics/tracker/cfg中的yaml文件，修改你需要的配置(除了跟蹤器類型)，同樣的運(yùn)行方式：

yolo track model=yolov8n.pt source="https://youtu.be/Zgi9g1ksQHc" tracker='custom_tracker.yaml'# orfrom ultralytics import YOLOmodel = YOLO('yolov8n.pt')
results = model.track(source="https://youtu.be/Zgi9g1ksQHc", tracker='custom_tracker.yaml') 

六、基準(zhǔn)測(cè)試參數(shù)

基準(zhǔn)測(cè)試模式用于分析YOLOv8各種導(dǎo)出格式的速度和準(zhǔn)確性?；鶞?zhǔn)測(cè)試提供了關(guān)于導(dǎo)出格式的大小、其mAP50-95指標(biāo)(用于對(duì)象檢測(cè)和分割)或精度top5指標(biāo)(用于分類)的信息，以及在各種導(dǎo)出格式(如ONNX、OpenVINO、TensorRT等)中，每張圖像的推斷時(shí)間(以毫秒為單位)。這些信息可以幫助用戶根據(jù)他們對(duì)速度和準(zhǔn)確性的需求，為他們的特定用例選擇最佳的導(dǎo)出格式。

命令行代碼示例：

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

python代碼示例：

from ultralytics.yolo.utils.benchmarks import benchmark# Benchmark
benchmark(model='yolov8n.pt', imgsz=640, half=False, device=0)

一些基準(zhǔn)測(cè)試常用參數(shù)：

key	解釋
model	模型文件路徑，yoloV8v.pt等
imgsz	基準(zhǔn)測(cè)試圖片大小，默認(rèn)640
half	基準(zhǔn)測(cè)試是否開啟fp16，默認(rèn)False
device	在哪些設(shè)備上測(cè)試cuda device=0 or device=0,1,2,3 or device=cpu
hard_fail	在錯(cuò)誤(bool)或val下限閾值(float)時(shí)停止繼續(xù)，默認(rèn)False

基準(zhǔn)測(cè)試可以支持以下導(dǎo)出的格式上運(yùn)行測(cè)試：

更多參考：modes/benchmark

七、其他任務(wù)

分割參考：segment

分類參考：classify