使用YOLOv训练模型

### 使用YOLOv训练自定义数据集上的模型

对于使用YOLOv系列（如YOLOv5或YOLOv8）训练自定义数据集上的模型，过程涉及几个关键步骤。这些步骤包括但不限于选择合适的预训练模型、准备数据集以及调整必要的配置参数。

#### 选择预训练模型

当考虑从哪个版本开始时，可以选择较小且快速的模型作为起点，比如YOLOv5s，这有助于加速实验周期并减少资源消耗[^1]。而对于YOLOv8，则有更灵活的选择范围，因为其架构允许通过简单的配置更改来适应不同的需求[^3]。

#### 准备数据集

为了确保良好的泛化能力，建议收集尽可能多的相关图像样本，并对其进行精确标注[^2]。此外，在处理特定领域内的对象识别任务时，增加更多样化的实例可以显著提升最终模型的表现。

#### 配置训练参数

针对YOLOv5而言，部分设置位于`default.yaml`文件内而另一些则存在于`train.py`脚本之中；相比之下，YOLOv8的设计更加模块化，几乎所有的配置都被集中到了单一的`.yaml`文件里，简化了用户的操作流程。下面给出了一组适用于YOLOv8的基础命令示例：

yolo task=detect mode=train model=yolov8n.yaml data=./data/custom_dataset.yaml epochs=100 imgsz=640 resume=True

这条命令指定了要执行的目标检测任务(`task=detect`)，采用的是名为`model=yolov8n.yaml`的小型网络结构，所使用的数据来源于路径为`./data/custom_dataset.yaml`的地方，整个学习过程中计划迭代次数设为`epochs=100`次，输入图片尺寸统一调整至`imgsz=640*640`像素大小，最后还启用了从中断处继续的功能(`resume=True`)以便于长期稳定运行[^4]。