yolo训练启动的参数
from ultralytics import YOLO
if __name__ == "__main__":# 1. 加载模型（可选用yolov8n.pt、yolov8s.pt等预训练权重） model = YOLO('yolo11s.pt') # 你也可以用'yolov8n.pt'等
# 2. 开始训练 model.train( data='data.yaml', # 数据集配置文件 epochs=200, # 训练轮数 imgsz=640, # 输入图片分辨率 batch=32, # 批次大小 device=0, # 用GPU 0训练，若无GPU可设为'cpu' workers=4, # 数据加载线程数 project='runs/train', # 训练结果保存目录 name='exp', # 实验名 exist_ok=True, # 若目录已存在则覆盖 augment=True, # 开启数据增强 # 自定义超参数 flipud= 0, # 上下翻转的概率 fliplr= 0.5, # 左右翻转的概率 scale= 0.5, # 随机缩放范围（缩放比例） shear= 10.0, # 随机错切（倾斜）角度 perspective= 0.0, # 随机透视变换（0为关闭） hsv_h= 0.015, # 色调增强范围（颜色变化） hsv_s= 0.7, # 饱和度增强范围（颜色变化） hsv_v= 0.4, # 亮度增强范围（颜色变化） degrees= 5.0, # 随机旋转角度范围（度数） translate= 0.1, # 随机平移范围（比例）
)前面的都是常用的参数，影响训练效果的，后面的是数据增强相关的参数，可以根据需要调整。
参考官方文档：yolo train
训练结果
训练结果会保存在runs/train/exp目录下（如果name参数改了则是runs/train/你的name）。里面包含：
weights/：保存训练好的模型权重文件（如best.pt和last.pt）results.png：训练过程中的损失曲线和mAP曲线图train_batch0.jpg：训练时的示例图片hyp.yaml：使用的超参数配置文件labels/：训练集的标签文件val_batch0_labels.jpg：验证集的标签图片val_batch0_pred.jpg：验证集的预测结果图片
几个曲线图
F1-confidence
横轴（Confidence）：预测框的置信度阈值，从 0 到 1。
纵轴（F1 Score）：F1 分数是精度（Precision）和召回率（Recall）的调和平均，衡量模型在该置信度下的整体表现。
每条曲线：代表一个类别在不同置信度下的 F1 分数变化。
曲线的峰值点表示该类别的最佳置信度阈值，此时 F1 分数最高。
如果某条曲线整体偏低，说明该类别识别效果较差。
“all classes 0.68 at 0.431” 表示在置信度为 0.431 时，所有类别的平均 F1 分数为 0.68。
这个值通常被用作默认的置信度阈值，用于推理阶段的过滤。
P-C curve
横轴（Confidence）：置信度，表示模型对正样本的预测置信程度。
纵轴（Precision）：精度，表示模型预测为正样本中实际为正样本的比例。
每条曲线：代表一个类别在不同置信度下的精度变化。
“all classes 0.94 at 1.000” 表示在置信度为 1.000 时，所有类别的平均精度为 0.94。
说明在只保留置信度为 1 的预测框时，模型非常“保守但准确”。
NOTE当置信度阈值接近 1.0 时，模型只保留置信度非常高的预测框，这会导致：
预测框数量变少
参与计算精度的样本变少
这时候，少量预测框的表现会对精度造成巨大影响，比如：
如果只剩 3 个预测框，其中 2 个是正确的 → 精度 = 66%
如果其中 1 个是错误的 → 精度 = 33%
这种小样本下的波动是统计学上的自然现象。
P-R curve
横轴（Recall）：召回率，表示实际为正样本中被正确预测为正样本的比例。
纵轴（Precision）：精度，表示模型预测为正样本中实际为正样本的比例。
每条曲线：代表一个类别在不同召回率下的精度变化。
曲线下的面积AP越大，表示模型在该类别上的整体表现越好。
图中标注：all classes 0.614 mAP@0.5
表示在 IoU 阈值为 0.5 时，所有类别的平均 AP 为 0.614
NOTEIOU（Intersection over Union）是衡量预测框与真实框重叠程度的指标。
IOU = IOU 阈值为 0.5 意味着只有当预测框与真实框的重叠面积至少达到 50% 时，才被认为是正确的检测。
R-Curve
横轴（Confidence）：置信度，表示模型对正样本的预测置信程度。
纵轴（Recall）：召回率，表示实际为正样本中被正确预测为正样本的比例。
R = ，其中 TP（True Positives）是真正例，FN（False Negatives）是假负例。
每条曲线：代表一个类别在不同置信度下的召回率变化。
“all classes 0.87 at 0.000” 表示在置信度为 0.000（即不做任何过滤）时，模型能识别出 87% 的真实目标。
这是模型的最大召回率，但此时也可能包含大量误检（精度低）。
曲线通常是单调下降的：置信度越高，保留的预测框越少 → 召回率越低。
如果某条曲线下降得特别快，说明该类别的预测框置信度普遍偏低，容易被过滤掉。
归一化混淆矩阵
横轴：真实的类别标签。
纵轴：模型预测的类别标签。
元素值：某个真实类别被预测为某个类别的比例。
对角线上的值：表示正确分类的比例，值越大越好。
非对角线上的值：表示误分类的比例，值越小越好。