zh

[giscus[bot]]

zh

探索Ultralytics YOLOv8 的完整指南，这是一个高速、高精度的对象检测和图像分割模型。安装、预测、培训教程等。

https://docs.ultralytics.com/zh

[Cuisinar]

不错

[pderrenger]

@Cuisinar 谢谢！如果您有任何关于YOLOv8或其他Ultralytics项目的问题或需要帮助，请随时提问。我们很乐意帮助您！ 😊🚀

[Ajoker0524]

请问一下 ，我制备的负样本怎么使用yolov8 的代码进行训练，目前还未找到解决办法。

[Ajoker0524]

好的，就是使用一个大图出现较多的预测框是不太合适的，是吗？ 一种处理方法是裁剪为小图，对边缘多考虑叠加在一起。

[Ajoker0524]

请问训练的imgsz=640，自己的样本是512，训练的结果会不会受到影响？

[glenn-jocher]

嗨！👋 对于您的问题，虽然训练时的imgsz=640而样本是512，这确实可能会对训练结果产生一定影响，因为模型需要在不同尺寸的图像上进行泛化。但是，YOLOv8模型具有很好的尺寸适应性，通常可以处理这种尺寸差异。

如果您担心尺寸差异可能影响模型性能，可以考虑以下几点：

• 在训练时使用与预测时相同或相似尺寸的图像。
• 使用数据增强技术，如随机缩放，以提高模型对不同尺寸图像的适应性。

希望这能帮助到您！如果有其他问题，欢迎继续提问。😊

[Ajoker0524]

请问一下推理图片怎么操作 我感觉自己写的出现了问题 差距太大了，我是作的识别

[glenn-jocher]

@Ajoker0524 嗨！👋 对于使用YOLOv8进行图片推理，如果您遇到了问题，通常问题可能出现在图片预处理或是推理后处理的步骤。确保您的图片被正确地缩放到模型期望的输入尺寸，如您训练时设置的imgsz。以下是一个基本的代码示例，展示如何使用YOLOv8进行图片推理：

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.pt')  # 请替换为您的模型路径

# 进行推理
results = model('path/to/your/image.jpg')  # 请替换为您的图片路径

# 查看结果
results.show()  # 显示推理结果

请确保图片路径是正确的，且模型是针对您的任务训练好的。如果效果不理想，可能需要调整推理阶段的配置参数，例如置信度阈值conf。希望这有助于您解决问题！如果还有其他问题，随时问我哦。😊

[MartianLyd]

请问，YOLO在Document Layout Analysis上有没有好的表现，谢谢！

[pderrenger]

嗨！👋 YOLOv8在文档布局分析（Document Layout Analysis）上的表现取决于具体的任务和数据集。YOLOv8是设计用于处理各种视觉AI任务的，包括对象检测、分割、姿态估计等。如果你有一个针对文档布局分析的定制数据集，你可以训练一个YOLOv8模型来识别和分析文档中的元素。

例如，如果你想在自定义数据集上训练YOLOv8进行文档分析，你可以按照以下步骤操作：

1. 准备你的数据集，标注文档中的元素，如文本块、图像、表格等。
2. 创建一个数据集配置文件（例如document_layout.yaml），指定你的类别、训练和验证数据的路径。
3. 使用以下命令开始训练：

   yolo detect train data=document_layout.yaml model=yolov8n.pt

请记住，模型的表现将大大依赖于数据集的质量和多样性。希望这有助于你的项目！如果有更多问题，随时问我。

[senno0921]

[glenn-jocher]

嗨！👋 要使用您自己的数据集验证训练好的模型性能，您可以使用 val 模式。首先确保您的数据集配置文件（例如 data.yaml）正确设置，然后运行以下命令：

yolo detect val model=path/to/your/model.pt data=path/to/your/data.yaml

这将使用您指定的数据集对模型进行验证，并提供性能指标，如平均精度（mAP）。希望这有助于您评估模型！如果有任何问题，随时告诉我们。

[Friman04]

您好，请问会考虑支持yolov9吗？

[pderrenger]

@Friman04 您好！👋 目前我们专注于持续改进YOLOv8，以确保它在速度、准确性和易用性方面保持最佳状态。关于YOLOv9的支持，我们会根据社区的需求和技术发展来考虑未来的版本更新。请持续关注我们的GitHub仓库和官方文档，以获取最新信息和更新。感谢您的支持和理解！🚀

[atten010]

你好，想用yolov8进行多类别的关键点检测，我需要怎么修改代码呢

[pderrenger]

你好！👋 对于多类别的关键点检测，YOLOv8 已经支持这一功能。你不需要修改代码，只需准备好你的数据集，并确保它以正确的格式组织。关键点检测的数据集应该包含每个关键点的坐标和类别信息。

这里有一个简单的例子来说明如何在自定义数据集上训练一个模型进行关键点检测：

1. 准备你的数据集，确保它遵循 COCO 关键点数据集 的格式。
2. 使用以下命令开始训练（假设你的数据集配置文件为 my_dataset.yaml）：

yolo detect train data=my_dataset.yaml model=yolov8n.pt

确保你的 my_dataset.yaml 文件正确指向了你的数据集路径，并且包含了所有必要的配置信息，如类别数、关键点数等。

希望这能帮到你！如果有更多问题，欢迎继续提问。🚀

[Darling2333]

你好，我在运行yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'时出现了
Usage: yolo [OPTIONS] COMMAND [ARGS]...
Try 'yolo -h' for help.
Error: No such command 'predict'.
这样的错误，该如何解决

[Darling2333]

具体报错：
D:\Anaconda3-2023\Lib\site-packages\paramiko\transport.py:219: CryptographyDeprecationWarning: Blowfish has been deprecated
"class": algorithms.Blowfish,
Usage: yolo [OPTIONS] COMMAND [ARGS]...
Try 'yolo -h' for help.

Error: No such command 'predict'.

[glenn-jocher]

嗨！看起来您在尝试使用 predict 命令，但正确的命令应该是 detect predict。请尝试以下命令格式进行图像预测：

yolo detect predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'

如果您正在使用的是YOLOv8的最新版本，并且确信已正确安装所有必需的依赖项，这个命令应该可以正常工作。如果您仍然遇到问题，请确保您的YOLO CLI工具已经更新到最新版本。希望这能帮助到您！🚀

[Darling2333]

谢谢已经解决了

[glenn-jocher]

太棒了，很高兴听到您的问题已经解决了！🎉 如果您在使用过程中还有任何疑问或需要进一步的帮助，请随时提问。祝您在使用YOLOv8时一切顺利！

[NiTingKY]

你好，我是一名初学者，如果我想得到经过我自己改良的预训练模型，请问我应该去哪里修改yolov8的对应的函数部分（就是修改诸如损失函数之类的），然后在得到不同于yolov8n.pt的不同的预训练模型，我是在github上将ultralytics-main文件夹整个下载下来了，但我找不到相应的部分😭

[pderrenger]

@zhangshuang0925 你好！很高兴你对YOLOv8感兴趣。如果你想交流关于如何修改和改进模型的经验，我建议你可以参考我们的官方文档，那里有详细的指导信息。此外，加入我们的社区论坛或GitHub讨论组也是一个很好的选择，那里有很多像你一样的开发者和研究者，你们可以共同探讨和解决问题。希望这些资源对你有帮助！如果还有其他问题，随时欢迎提问。祝你学习顺利！🚀

[zhangshuang0925]

models/yolo.py请问这是或的意思吗

[pderrenger]

您好！关于您的问题，models/yolo.py通常包含模型的定义，包括损失函数和前向传播的实现。如果您想修改损失函数或其他模型相关的功能，这个文件是正确的地方。

如果您在GitHub下载的文件中找不到这个文件，可能是因为文件结构有所变化或者您下载的版本与文档中提到的不同。建议您检查一下您下载的文件夹结构，或者在GitHub仓库中使用搜索功能查找“yolo.py”相关的文件。

希望这可以帮助到您！如果有其他问题，欢迎继续提问。祝您编程愉快！

[zhangshuang0925]

您好，最新版本的yolov8没有yolo.py文件

[pderrenger]

您好！感谢您提出的问题。

在最新版本的YOLOv8中，确实没有yolo.py文件。模型的定义和配置现在主要通过.yaml文件和其他Python脚本来实现。如果您想修改损失函数或其他模型相关的功能，建议您查看以下文件和目录：

1. 模型配置文件：通常位于models目录下，例如models/yolov8.yaml。这些文件定义了模型的结构和参数。
2. 损失函数和训练逻辑：可以在ultralytics/yolo/v8目录下找到相关的Python脚本，例如train.py和loss.py。

为了帮助您更好地定位和修改这些文件，建议您提供一个最小可复现的示例代码，这样我们可以更具体地指导您。您可以参考最小可复现示例来创建这个示例。

另外，请确保您使用的是最新版本的YOLOv8，以便获得最新的功能和修复。如果问题仍然存在，请随时在此处更新我们，我们会尽力帮助您解决。

希望这些信息对您有所帮助！如果有其他问题，欢迎继续提问。😊

祝您编程愉快！🚀

[NiTingKY]

这是来自QQ邮箱的假期自动回复邮件。你好，我最近正在休假中，无法亲自回复你的邮件。我将在假期结束后，尽快给你回复。

[glenn-jocher]

嗨！👋 看起来你收到了一个自动回复邮件。如果你有关于Ultralytics YOLOv8的具体问题或需要帮助，请随时重新发送你的问题或详细说明你的需求。我们将在假期结束后尽快回复你。感谢你的耐心等待！希望你有一个愉快的一天！

[zhangshuang0925]

亲爱的NiTingKY，请问对于您提出来的问题会了么，可以交流一下吗

[glenn-jocher]

Hello NiTingKY,

Thank you for reaching out! 😊

To better assist you with your issue, could you please provide a minimum reproducible code example? This will help us understand the problem more clearly and work towards a solution. You can find guidelines on how to create a minimum reproducible example here. It's crucial for us to be able to reproduce the bug before we can investigate further.

Additionally, please ensure that you are using the latest versions of torch and ultralytics. If you haven't updated recently, you can do so with the following commands:

pip install --upgrade torch ultralytics

Once you've updated and provided the reproducible code, we'll be in a better position to help you resolve the issue.

Looking forward to your response!

[zhangyijiaaj]

您好，请问yolov8怎么做增量训练。就比如我需要基于yolov8n.pt上训练识别一个个性化的水管。然后训练出来的模型不仅仅要能识别水管还要能识别本身yoloV8n.pt就有的人、猫、杯子等。就是本身yolov8n.pt上的都不被抹除，应该怎么操作

[pderrenger]

您好！👋 增量训练（也称为继续训练）是一个很好的方式，可以在已有的模型基础上添加新的类别识别能力，而不会丢失原有的识别能力。对于您的需求，您可以按照以下步骤进行：

1. 准备数据集：确保您的数据集包含新的类别（如水管）的标注，同时也包括原模型已能识别的类别（如人、猫、杯子等）的标注。

2. 修改数据集配置文件：在您的数据集配置文件（例如coco128.yaml）中，添加新的类别名称，并确保原有的类别名称也被包含在内。

3. 开始增量训练：使用以下命令开始增量训练。这里假设您的数据集配置文件名为your_dataset.yaml，并且您希望在yolov8n.pt模型的基础上进行训练。

yolo train data=your_dataset.yaml model=yolov8n.pt

这样，训练出来的模型将能够识别新的类别（水管），同时保留对原有类别（人、猫、杯子等）的识别能力。

希望这能帮助您顺利完成增量训练！如果有任何进一步的问题，欢迎随时提问。

[yunini2]

请问增量训练，能否只增加新的类别标注，使用原模型的权重呢？

[pderrenger]

您好！😊

是的，您可以在原模型的基础上进行增量训练，只增加新的类别标注，同时保留原有的类别识别能力。以下是具体步骤：

1. 准备数据集：确保您的数据集包含新的类别（如水管）的标注，同时也包括原模型已能识别的类别（如人、猫、杯子等）的标注。

2. 修改数据集配置文件：在您的数据集配置文件（例如your_dataset.yaml）中，添加新的类别名称，并确保原有的类别名称也被包含在内。

3. 开始增量训练：使用以下命令开始增量训练。这里假设您的数据集配置文件名为your_dataset.yaml，并且您希望在yolov8n.pt模型的基础上进行训练。

yolo train data=your_dataset.yaml model=yolov8n.pt

这样，训练出来的模型将能够识别新的类别（水管），同时保留对原有类别（人、猫、杯子等）的识别能力。

如果您在操作过程中遇到任何问题，请确保您使用的是最新版本的torch和ultralytics。您可以通过以下命令进行升级：

pip install --upgrade torch ultralytics

如果问题仍然存在，请提供一个最小可复现的代码示例，以便我们更好地帮助您。您可以参考最小可复现示例来创建您的示例。

希望这能帮助您顺利完成增量训练！如果有任何进一步的问题，欢迎随时提问。🚀

[ysq21]

你好 我想使用他进行SAR舰船图像识别 请问该怎么弄啊 之前尝试了很多别的 都不太行

[glenn-jocher]

你好！👋 对于SAR舰船图像识别，你可以按照以下步骤使用YOLOv8：

1. 准备数据集：确保你的SAR图像和标注文件准备妥当。你需要将图像和标注转换成YOLO格式。

2. 安装YOLOv8：如果还没有安装，可以通过以下命令安装：

   pip install ultralytics

3. 训练模型：使用你的数据集训练YOLOv8模型。可以参考以下命令：

   yolo detect train data=your_dataset.yaml model=yolov8n.pt

   其中your_dataset.yaml是你的数据集配置文件。

4. 评估和预测：训练完成后，评估模型性能，并在新的SAR图像上进行预测。

如果之前尝试的方法都不太行，可能是因为数据集的特殊性或模型训练的参数需要调整。YOLOv8提供了灵活的配置和高性能的模型，应该能满足你的需求。

更多详细信息和指导，请参考Ultralytics YOLOv8文档。希望这能帮助你顺利实现SAR舰船图像识别！如果有更具体的问题，欢迎继续提问。

[chouzhihao]

您好 我想使用該程式進行畫面上多車體捕捉 該如何進行呢

[chouzhihao]

非常感謝您的幫助 我會嘗試看看

[glenn-jocher]

@chouzhihao 非常高兴听到您将尝试使用YOLOv8进行多车辆捕捉！🚗 如果您在过程中遇到任何问题或有任何疑问，请随时在这里提问。我们的文档页面提供了大量有用的信息和指南，可以帮助您开始使用YOLOv8，包括安装、预测、训练模型以及探索不同的任务。祝您使用YOLOv8顺利！🌟

[chouzhihao]

想詢問 這是否需要取得憑證才可使用呢 我是一名學生 該如何申請

[chouzhihao]

且您在上面所回覆的訓練模型 網頁已過期 無法瀏覽

[glenn-jocher]

抱歉听到您访问训练模型网页时遇到了问题。🙁我们一直在更新文档以确保提供最新和最准确的信息。如果您遇到过期链接，我们建议访问Ultryalytics官方文档查看最新的指南和教程。

对于您的项目，如果您是学生并且您的使用符合AGPL-3.0许可证的范围，您可以直接使用Ultralytics YOLOv8，无需额外申请许可。如果您计划用于商业用途，您可能需要考虑申请企业许可证。更多细节，请参考我们的Licensing 页面。

希望这有帮助！如果还有任何问题，随时回复。

[Renshaokun]

请问一下，我在pycharm里用git克隆了yolov8源码，还需要用pip install Ultralytics吗。如果不用的话，yolov8所需要的其他依赖怎么安装呢？在源码中我没找到requirement.txt文件。

[glenn-jocher]

嗨！👋 如果你已经通过Git克隆了YOLOv8的源码，那么使用pip install ultralytics安装Ultralytics库是不必要的。但是，为了确保YOLOv8能够正常运行，你需要安装所有必要的依赖。

虽然你在源码中没有找到requirements.txt文件，但你可以在克隆的YOLOv8目录中找到一个setup.py文件。你可以通过运行以下命令来安装所有依赖：

pip install -r requirements.txt

或者，如果你想直接从源码安装YOLOv8及其依赖，可以在克隆的目录中运行：

pip install -e .

这将会安装YOLOv8以及它所需的所有依赖。希望这能帮到你！如果还有其他问题，随时问我。🙂

[Renshaokun]

克隆目录中没有setup.py文件，不过我用pip install -e .成功安装了依赖，谢谢回复！

[glenn-jocher]

@Renshaokun 很高兴听到你已经成功安装了依赖！😊 如果你在后续的开发中遇到任何问题或者有进一步的疑问，随时欢迎提问。祝你在使用YOLOv8项目中取得好成绩！同时，也感谢你对文档的提及，希望它能为你提供有价值的信息和帮助。🚀

[Renshaokun]

这是来自QQ邮箱的假期自动回复邮件。您好，我最近正在休假中，无法亲自回复您的邮件。我将在假期结束后，尽快给您回复。

[glenn-jocher]

@Renshaokun 嗨！👋 看起来你收到了一个自动回复邮件，而不是一个GitHub问题评论。如果你有关于Ultralytics YOLOv8的具体问题或需要帮助，请随时重新提交你的问题或评论，我们会尽快回复你。

如果你正在寻找YOLOv8的具体信息，如安装、预测、训练模型或探索不同的YOLOv8任务（如分割、分类、姿态估计和跟踪），我建议访问我们的官方文档。这里有大量的资源可以帮助你开始使用YOLOv8，无论你是机器学习的新手还是经验丰富的实践者。

例如，如果你想在自定义数据集上训练YOLOv8模型，可以使用以下命令：

yolo detect train data=your_dataset.yaml model=yolov8n.pt epochs=100 imgsz=640

请确保替换your_dataset.yaml为指向你的数据集配置文件的路径。如果有任何疑问或需要进一步的帮助，请告诉我们！🚀

[IvanHo98]

请问这错误如何解决? 路径没有错

数据结构:
datasets
-train
-class1
-class2
-class3
-valid
-class1
-class2
-class3

代码:
from ultralytics import YOLO

model = YOLO('yolov8m-cls.pt')

datadir = r'C:\Users\name\Desktop\model\datasets'

results = model.train(data=datadir, epochs=300, imgsz=64, batch=16, device=0, optimizer='Adam')

错误:

TypeError Traceback (most recent call last)
Cell In[33], line 8
4 model = YOLO('yolov8m-cls.pt')
6 datadir = r'C:\Users\name\Desktop\model\datasets'
----> 8 results = model.train(data=datadir, epochs=300, imgsz=64, batch=16, device=0, optimizer='Adam')

File c:\Users\name\AppData\Local\Programs\Python\Python311\Lib\site-packages\ultralytics\engine\model.py:655, in Model.train(self, trainer, **kwargs)
652 pass
654 self.trainer.hub_session = self.session # attach optional HUB session
--> 655 self.trainer.train()
656 # Update model and cfg after training
657 if RANK in (-1, 0):

File c:\Users\name\AppData\Local\Programs\Python\Python311\Lib\site-packages\ultralytics\engine\trainer.py:213, in BaseTrainer.train(self)
210 ddp_cleanup(self, str(file))
212 else:
--> 213 self._do_train(world_size)

File c:\Users\name\AppData\Local\Programs\Python\Python311\Lib\site-packages\ultralytics\engine\trainer.py:327, in BaseTrainer._do_train(self, world_size)
325 if world_size > 1:
326 self._setup_ddp(world_size)
--> 327 self._setup_train(world_size)
329 nb = len(self.train_loader) # number of batches
330 nw = max(round(self.args.warmup_epochs * nb), 100) if self.args.warmup_epochs > 0 else -1 # warmup iterations
...
64 _, class_to_idx = find_classes(directory)

File :323, in expanduser(path)

TypeError: expected str, bytes or os.PathLike object, not NoneType

[glenn-jocher]

嗨！看起来你在尝试使用自定义数据集进行训练，但遇到了一个 TypeError。这个错误通常是因为 data 参数没有正确设置。在你的情况下，data 参数应该是指向一个包含数据集定义的 YAML 文件的路径，而不是直接指向数据集的文件夹。

你的数据集结构看起来是正确的，但你需要创建一个 YAML 文件来定义你的训练和验证数据集的路径，类似这样：

# dataset.yaml
train: C:/Users/name/Desktop/model/datasets/train
val: C:/Users/name/Desktop/model/datasets/valid

nc: 3  # 类别数
names: ['class1', 'class2', 'class3']

然后，你可以这样使用这个 YAML 文件：

from ultralytics import YOLO

model = YOLO('yolov8m-cls.pt')

data_yaml = 'C:/Users/name/Desktop/model/dataset.yaml'  # YAML 文件的路径

results = model.train(data=data_yaml, epochs=300, imgsz=64, batch=16, device=0, optimizer='Adam')

请确保 dataset.yaml 文件的路径是正确的，并且所有的路径都使用正斜杠 / 或者双反斜杠 \\。希望这能帮助你解决问题！🙂

[LDFKILLWPF]

不知道   Van♂ ***@***.***  

…

------------------ 原始邮件 ------------------ 发件人: ***@***.***>; 发送时间: 2024年10月17日(星期四) 下午4:19 收件人: ***@***.***>; 抄送: ***@***.***>; ***@***.***>; 主题: Re: [ultralytics/ultralytics] zh (Discussion #8026) 您好，为什么写predict脚本。设置imgsz=640，推理的时候显示图片尺寸是640x480，记得预处理部分是能修改，那部分代码是在哪 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: ***@***.***>

[glenn-jocher]

@LDFKILLWPF 您好，您可以在代码中通过设置imgsz参数来调整推理时的图像尺寸。预处理代码通常在模型加载和推理部分，您可以查看ultralytics库的相关文档以获取更多信息。

[zhangshuang0925]

推理结果不想显示被检测对象的概率如何操作呢

[glenn-jocher]

@zhangshuang0925 如果您不想在推理结果中显示被检测对象的概率，您可以通过修改YOLO模型的输出显示代码来实现。例如，在Python中您可以选择性地不打印或显示概率信息。具体的代码调整可能需要根据您的应用场景进行细节修改。若有更多疑问，欢迎查看我们的文档或者在GitHub上提交问题。

[NiTingKY]

这是来自QQ邮箱的假期自动回复邮件。你好，我最近正在休假中，无法亲自回复你的邮件。我将在假期结束后，尽快给你回复。

[glenn-jocher]

@NiTingKY hello! If you have any specific questions or need assistance related to Ultralytics or YOLO models, feel free to ask here. For comprehensive resources, you can explore our official documentation which covers a wide range of topics from installation to advanced model training.

[Renshaokun]

这是来自QQ邮箱的假期自动回复邮件。您好，我最近正在休假中，无法亲自回复您的邮件。我将在假期结束后，尽快给您回复。

[glenn-jocher]

@Renshaokun thank you for reaching out. For questions related to Ultralytics products, please feel free to post on our GitHub Issues page or visit the Ultralytics documentation for comprehensive resources and support.

[Wang-NONO]

请问如何用独立显卡运行

[glenn-jocher]

@Wang-NONO 您可以通过设置 device 参数明确指定使用独立显卡运行。例如：

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(data="path/to/dataset.yaml", device=0)  # 指定第0块GPU

如果仍有问题，请确保正确安装了CUDA环境并运行 nvidia-smi 验证显卡状态。详细说明请参考安装指南。

[Wang-NONO]

您的来信我已收到，谢谢。    王志向

[glenn-jocher]

@Wang-NONO 感谢您的联系！如果您有关于使用 Ultralytics YOLO 模型的问题，欢迎随时提出。我们建议在 GitHub Issues 或官方文档中查找支持和资源。

[Wang-NONO]

请问如何使用intel集成显卡运行

[glenn-jocher]

@Wang-NONO ultralytics YOLO does not officially support training or inference on Intel integrated GPUs, as these lack sufficient computational power for complex deep learning tasks. For optimal performance, we recommend using NVIDIA GPUs with CUDA support. If experimentation with Intel hardware is essential, frameworks like OpenVINO may assist with model optimization.

[jonyhuang999]

iconic-tree-121
clean-waterfall-86
swift-paper-85
devout-dawn-84

为什么启用wandb后，会跑很多这种训练，而不是跑我的数据集

[jonyhuang999]

from ultralytics import YOLO
from wandb.integration.ultralytics import add_wandb_callback
import wandb

Initialize your Weights & Biases environment

wandb.init(project="fish", notes="notes")

Load a model

model = YOLO("/project/yolov11/yolo11x.pt") # load a pretrained model (recommended for training)
add_wandb_callback(model, enable_model_checkpointing=True)

Train the model with 2 GPUs

if name == 'main':
results = model.train(data="data/fish_youyu.yaml", epochs=100, imgsz=960, device=[0], batch=4, project="runs/train", workers=8)
model.val()
wandb.finish()

[glenn-jocher]

@jonyhuang999 you might be seeing experiments like "iconic-tree-121" in Weights & Biases because W&B assigns unique run names automatically when creating runs without a specified name. Double-check your script to ensure the project and name parameters in model.train() are correctly set to log runs under your desired settings. If you still face unwanted runs, confirm there are no other W&B sessions or scripts running simultaneously. Let me know if further clarification is needed!

[lyk2024]

glenn-jocher ，您好，我的训练代码为from torch.backends.cudnn import deterministic
from ultralytics import YOLO
import matplotlib
matplotlib.rcParams['font.family'] = ['Microsoft YaHei']
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
if name == 'main':
# 加载模型
model = YOLO(r'yolo11s-seg.pt') # 不使用预训练权重训练
# model = YOLO("yolov8x-seg.yaml").load("yolov8x-seg.pt")# 使用预训练权重训练
# 训练参数 ----------------------------------------------------------------------------------------------
model.train(
# pretrained= True,
# deterministic = True,
# seed = 268,
data=r'Esophageal_lumen.yaml',
epochs=500, # (int) 训练的周期数
# patience=50, # (int) 等待无明显改善以进行早期停止的周期数
batch=12, # (int) 每批次的图像数量（-1 为自动批处理）
imgsz=640, # (int) 输入图像的大小，整数或w，h
save=True, # (bool) 保存训练检查点和预测结果
# save_period=-1, # (int) 每x周期保存检查点（如果小于1则禁用）
# cache=False, # (bool) True/ram、磁盘或False。使用缓存加载数据
device='0', # (int | str | list, optional) 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu
workers=4, # (int) 数据加载的工作线程数（每个DDP进程）
project='runs/train/11月/管腔', # (str, optional) 项目名称
name='yoloV11s-点位外扩(12月)-0.30 0.5' ,# (str, optional) 实验名称，结果保存在'project/name'目录下
conf=0.30,
cls = 1.5,
iou=0.5,
nms = True,
# dropout = 0.1,
# weight_decay = 0.01,
# multi_scale = True,

)

但是出现了一个问题，每次的数据一样，代码是一样

map基本相差不大，但是不同标签之间的map出现较大的偏差，出现这种情况的原因是什么，以及解决方案

[lyk2024]

主要是同一批数据，然后出现在不同次的训练结果，为什么会出现这么大的偏差呢，您是否有解决方案介绍

[glenn-jocher]

训练同一批数据集时结果的偏差可能源于以下几个因素：

1. 随机性：即使代码和数据相同，训练过程中的随机初始化、数据增强和随机采样等都会影响最终结果。
2. 类别不均衡：标签分布不均或某类数据不足可能导致部分类别的mAP波动较大。
3. 超参数设置：学习率、batch size等超参数的不同组合可能影响训练稳定性和模型收敛。

解决方案：

• 使用固定随机种子 (seed) 来减少随机性影响。
• 检查数据分布，确保各类数据均衡，或对少量类进行数据增强。
• 通过超参数调优找到适合具体数据集的最佳配置。

如需进一步优化，请参考 YOLO常见问题指南。

[Wang-NONO]

请问yolov5如何使用intel集成显卡运行

[glenn-jocher]

@Wang-NONO ultralytics YOLO models, including YOLOv5, do not natively support Intel integrated GPUs as these lack the necessary CUDA support for GPU acceleration. You can still run YOLO models on your CPU by ensuring your environment is set up without GPU dependencies. For further optimization, consider using OpenVINO for Intel hardware. Let us know if you need assistance!

[Wang-NONO]

请问yolo全系列都不能使用intel集成显卡运行吗

[glenn-jocher]

@Wang-NONO 您好，Ultralytics YOLO 系列的运行需要支持 CUDA 的 GPU，Intel 集成显卡目前无法满足此要求。因此，建议使用 NVIDIA GPU 来充分利用模型的性能。如果您有更多技术问题，可以查看 Ultralytics 文档 或在 GitHub 提问。

[zhangshuang0925]

您好，我想将跑出来的pr曲线改变一下横纵坐标的长度，我该怎么做

[glenn-jocher]

@zhangshuang0925 您好！您可以通过修改 matplotlib 绘制PR曲线的代码来调整横纵坐标的长度。建议您参考 matplotlib.pyplot 的相关文档以调整坐标范围，例如使用 plt.xlim() 和 plt.ylim() 设置坐标轴的范围。如果您有更多具体代码或问题，请随时补充说明！

[lzx12345236]

检测任务的yolov11做coco训练是使用几卡训练出来的

[glenn-jocher]

@lzx12345236 yOLO11's COCO training can be conducted on various setups, including single or multi-GPU configurations, depending on the hardware available. The framework automatically detects and utilizes GPUs if available. For more details, refer to the Train documentation.

[lzx12345236]

我想知道你们训练yolov11使用的是什么轮数，批次学习率，我现在通过单卡3090batchsize=16，lr0=0.01，epochs=100，在coco数据集上进行复现，最终效果达不到你们提到的指标，远远低于

[glenn-jocher]

@lzx12345236 您好，针对您提到的训练配置问题，模型性能可能受多种因素影响，包括学习率策略、数据增强、优化器选择等。建议您参考 Ultralytics YOLO11 文档 中的默认配置，并尝试调整训练超参数（如 lr, batch_size, momentum 等）。如需进一步指导，请务必分享更多具体细节。

[lzx12345236]

我使用单卡A100，使用默认配置，但是跑的训练结果与文档上面给出的结果差距很大

[glenn-jocher]

@lzx12345236 感谢您的反馈！训练结果差距可能与硬件设置、数据集特性或其他训练参数有关。建议检查以下内容：1）确保您使用的训练配置与文档中的完全一致；2）验证数据集是否正确标注且符合预期；3）检查CUDA版本与PyTorch兼容性。如果问题仍未解决，请提供更多详细信息以便进一步协助。

[lzx12345236]

请问你们训练yolo11n.pt，参数是使用的默认参数吗？你们使用的机器型号具体是什么，几卡做的训练，我使用八卡和单卡均达不到你们效果，均比你们的效果低3个百分点左右

[glenn-jocher]

@lzx12345236 感谢您的提问！我们训练 YOLO11n 时，使用的是默认超参数和配置，具体的硬件配置可以是单卡或多卡 GPU（如 NVIDIA A100 或 V100）。如果您在训练中效果低于预期，建议检查以下几点：数据集标注质量、超参数设置（如学习率、批量大小等），以及训练日志中的损失曲线是否正常收敛。如需进一步优化，您可以尝试调整超参数或使用更大的模型（如 YOLO11s/m）。