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
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)
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
-
模型导出
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')
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
-
推理参数
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, )
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,在模型将它们视为同一对象之前，多个对象之间的重叠量。默认情况下，它设置为 0.5，这意味着重叠超过 50% 的对象将被视为同一对象。
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,出现2个框的时候。将 agnostic_nms=True，就只剩一个框了
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
