yolov8的训练模式和任务类型参数

1.训练模式和任务类型参数

这些参数主要用于定义模型的基本运行模式和任务类型。在实际应用中，应根据具体需求和场景选择合适的 task 和 mode。

注意：如果目的是在一个新的数据集上训练一个目标检测模型，那么 task 应设置为 detect，而 mode 应设置为 train。

实例：

from ultralytics import YOLO
model = YOLO("./yolov8n.pt")
result1 = model(mode='predict',task='detect',source="./imgs/dance_girl_001.jpg", save=True)
model = YOLO("./yolov8n-seg.pt")
result2 = model(mode='predict', task='segment',source="./imgs/dance_girl_001.jpg", save=True)
model = YOLO("./yolov8n-cls.pt")
result3 = model(mode='predict',task='classify',source="./imgs/dance_girl_001.jpg", save=True)
model = YOLO("./yolov8n-pose.pt")
result4 = model(mode='predict', task='pose',source="./imgs/dance_girl_001.jpg", save=True)

也可以使用yolo cli命令测试不同的任务。

#目标检查模型
yolo task=detect mode=predict model=yolov8n.pt source='./imgs/dance_girl_001.jpg'
#目标分割模型
yolo task=segment mode=predict model=yolov8n-seg.pt source = './imgs/dance_girl_001.jpg'
#目标分类模型
yolo task=classify mode=predict model=yolov8n-cls.pt source = './imgs/dance_girl_001.jpg'
#目标姿态模型
yolo task=pose mode=predict model=yolov8n-pose.pt source = './imgs/dance_girl_001.jpg'

2.模型预测参数

YOLOv8现在可以接受输入很多，如下表所示。包括图像、URL、PIL图像、OpenCV、NumPy数组、Torch张量、CSV文件、视频、目录、通配符、YouTube视频和视频流。表格✅指示了每个输入源是否可以在流模式下使用，并给出了每个输入源使用流模式的示例参数。

下面是每个参数的解释：

source：输入源的目录，可以是图像或视频文件。
conf：目标检测的对象置信度阈值。只有置信度高于此阈值的对象才会被检测出来。默认值为0.25。
iou：非极大值抑制（NMS）的交并比（IoU）阈值。用于在重叠较大的候选框中选择最佳的检测结果。默认值为0.7。
half：是否使用半精度（FP16）进行推理。半精度可以减少计算量，但可能会牺牲一些精度。默认值为False。
device：模型运行的设备，可以是cuda设备（cuda device=0/1/2/3）或CPU（device=cpu）。
show：是否显示检测结果。如果设置为True，则会在屏幕上显示检测到的对象。默认值为False。
save：是否保存带有检测结果的图像。如果设置为True，则会将检测结果保存为图像文件。默认值为False。
save_txt：是否将检测结果保存为文本文件（.txt）。默认值为False。
save_conf：是否将检测结果与置信度分数一起保存。默认值为False。
save_crop：是否保存裁剪后的带有检测结果的图像。默认值为False。
hide_labels：是否隐藏标签。如果设置为True，则在显示检测结果时不显示对象标签。默认值为False。
hide_conf：是否隐藏置信度分数。如果设置为True，则在显示检测结果时不显示置信度分数。默认值为False。
max_det：每张图像的最大检测数。如果检测到的对象数超过此值，将保留置信度高低来保留。默认值为300。
vid_stride：视频帧率步长。默认值为False，表示使用默认的帧率。
line_width：边界框的线宽。如果设置为None，则根据图像大小进行自动缩放。默认值为None。
visualize：是否可视化模型特征。默认值为False。
augment：是否对预测源应用图像增强。默认值为False。
agnostic_nms：是否使用类别无关的NMS。默认值为False。
retina_masks：是否使用高分辨率的分割掩膜。默认值为False。
classes：按类别过滤结果。可以指定单个类别（例如class=0）或多个类别（例如class=[0,2,3]）。默认值为None，表示不进行类别过滤。
boxes：在分割预测中显示边界框。默认值为True。

实例：

import ultralytics
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('./model/predict/yolov8n.pt')

    print(model.names)
    # 预测图片里的人
    # model.predict('./images/xian_power001.jpg', classes=[0,5], conf=0.1, save=True)

    # model.predict('./images/xian_power001.jpg', classes=[0, 5], conf=0.1, save=True, save_txt=True, device='0')

    # model.predict('./images/girl001.jpg', classes=[0, 5], conf=0.1, save=True, save_txt=True, device='0',line_width=1)

    #model.predict('./images/girl001.jpg', classes=[0, 5], conf=0.1, show=True, save=True, save_txt=True, device='0',line_width=1)

    results = model(['./images/girl001.jpg','./images/bus001.png','https://img.simoniu.com/yolov8%E6%B5%8B%E8%AF%95%E5%9B%BE%E7%89%87001.png'])
    print(len(results)) #2
    icount=0
    for result in results:
        filename = f'dest{icount}.jpg'
        result.show()
        #把预测结果保存到指定的目录。
        result.save(f'./output/{filename}')
        icount+=1