YOLO算法检测模型训练参数大合集！！再也不用看不懂超参啦！

本文主要是介绍YOLO算法检测模型训练参数大合集！！再也不用看不懂超参啦！，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

参数	默认值	描述
`model`	None	指定用于训练的模型文件。接受预训练模型（`.pt` 文件）或配置文件（`.yaml` 文件）的路径。对于定义模型结构或初始化权重至关重要。
`data`	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的路径、类名以及类的数量。
`epochs`	100	训练的总轮数。每个轮数代表对整个数据集的完整遍历。调整此值会影响训练持续时间和模型性能。
`time`	None	最大训练时间（以小时为单位）。如果设置，将覆盖 `epochs` 参数，允许在达到指定持续时间后自动停止训练。对于时间受限的训练场景很有用。
`patience`	100	在验证指标没有改善的情况下等待的轮数，之后提前停止训练。当性能稳定时，通过停止训练来防止过拟合。
`batch`	16	训练的批处理大小，表示在更新模型的内部参数之前处理的图像数量。AutoBatch（batch=-1）根据 GPU 内存可用性动态调整批处理大小。
`imgsz`	640	训练的目标图像大小。所有图像在输入模型之前都将被调整到此维度。影响模型准确度和计算复杂性。
`save`	True	启用训练检查点和最终模型权重的保存。对于恢复训练或模型部署很有用。
`save_period`	-1	保存模型检查点的频率，以轮数（epochs）为单位。值-1禁用此功能。在长时间的训练过程中，保存中间模型很有用。
`cache`	False	启用数据集图像的内存缓存（True/ram）、磁盘缓存（disk）或禁用（False）。通过减少磁盘I/O来提高训练速度，但会增加内存使用。
`device`	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Apple Silicon的MPS（device=mps）。
`workers`	8	数据加载的工作线程数（如果是多GPU训练，则每个RANK一个）。影响数据预处理和输入模型的速度，在多GPU设置中尤其有用。
`project`	None	保存训练输出的项目目录名称。允许组织存储不同的实验。
`name`	None	训练运行的名称。用于在项目文件夹内创建子目录，其中存储训练日志和输出。
`exist_ok`	False	如果为True，则允许覆盖已存在的项目/名称目录。在不需要手动清除先前输出的情况下进行迭代实验时很有用。
`pretrained`	True	确定是否从预训练模型开始训练。可以是一个布尔值或特定模型的字符串路径，从中加载权重。提高训练效率和模型性能。
`optimizer`	'auto'	训练时优化器的选择。选项包括SGD、Adam、AdamW、NAdam、RAdam、RMSProp等，或'auto'以根据模型配置自动选择。影响收敛速度和稳定性。
`verbose`	False	启用训练期间的详细输出，提供详细的日志和进度更新。对于调试和密切监控训练过程很有用。
`seed`	0	设置训练的随机种子，确保在相同配置下运行的结果可复现。
`deterministic`	True	强制使用确定性算法，确保可复现性，但可能由于限制非确定性算法而影响性能和速度。
`single_cls`	False	在训练过程中，将多类数据集中的所有类别视为单个类别。对于二元分类任务或仅关注对象存在性而非分类时很有用。
`rect`	False	启用矩形训练，优化批次组成以最小化填充。可以提高效率和速度，但可能影响模型准确性。
`cos_lr`	False	使用余弦学习率调度器，使学习率在训练过程中按余弦曲线进行调整。有助于更好地管理学习率以实现更好的收敛。
`close_mosaic`	10	在最后N个轮次中禁用马赛克数据增强，以在训练完成前稳定训练。设置为0将禁用此功能。
`resume`	False	从最后保存的检查点恢复训练。自动加载模型权重、优化器状态和轮次计数，无缝继续训练。
`amp`	True	启用自动混合精度（AMP）训练，减少内存使用，并可能以最小的精度影响加速训练。
`fraction`	1.0	指定用于训练的数据集分数。允许在完整数据集的子集上进行训练，对于实验或资源有限时很有用。
`profile`	False	在训练期间启用ONNX和TensorRT的速度分析，有助于优化模型部署。
`freeze`	None	冻结模型的前N层或按索引指定的层，减少可训练参数的数量。对于微调或迁移学习很有用。
`lr0`	0.01	初始学习率（例如，SGD=1E-2, Adam=1E-3）。调整此值对优化过程至关重要，影响模型权重更新的速度。
`lrf`	0.01	最终学习率作为初始学习率的分数 = (lr0 * lrf)，与学习率调度器一起使用，随时间调整学习率。
`momentum`	0.937	SGD优化器的动量因子或Adam优化器的beta1，影响当前更新中过去梯度的纳入。
`weight_decay`	0.0005	L2正则化项，惩罚大权重以防止过拟合。
`warmup_epochs`	3.0	学习率预热所需的轮次数，逐渐将学习率从低值增加到初始学习率，以在早期稳定训练。
`warmup_momentum`	0.8	预热阶段的初始动量，在预热期间逐渐调整到设定的动量。
`warmup_bias_lr`	0.1	预热阶段偏差参数的学习率，有助于在初始轮次中稳定模型训练。
`box`	7.5	损失函数中边界框损失组件的权重，影响对准确预测边界框坐标的重视程度。
`cls`	0.5	总损失函数中分类损失的权重，影响相对于其他组件正确类别预测的重要性。
`dfl`	1.5	分布焦点损失的权重，在某些YOLO版本中用于细粒度分类。
`pose`	12.0	在训练用于姿态估计的模型中，姿态损失的权重，影响对姿态关键点的准确预测的重视程度。
`kobj`	2.0	在姿态估计模型中，关键点对象性损失的权重，平衡检测置信度与姿态准确性。
`label_smoothing`	0.0	应用标签平滑，将硬标签软化为目标标签和标签上的均匀分布的混合，可能提高泛化能力。
`nbs`	64	损失归一化的名义批次大小。
`overlap_mask`	True	确定在训练期间分割掩码是否应该重叠，适用于实例分割任务。
`mask_ratio`	4	分割掩码的下采样比率，影响训练期间使用的掩码的分辨率。
`dropout`	0.0	分类任务中的正则化dropout率，通过在训练期间随机省略单元来防止过拟合。
`val`	True	启用训练期间的验证，允许在单独的数据集上定期评估模型性能。
`plots`	False	生成并保存训练和验证指标的图表，以及预测示例，为模型性能和学习进度提供视觉洞察。