yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640# 從預先訓練的*.pt模型開始訓練
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640# 從YAML中構建一個新的模型，將預訓練的權重傳遞給它，并開始訓練
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')  # 從YAML中構建一個新模型
model = YOLO('yolov8n.pt')  #加載預訓練的模型(推薦用于訓練)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # 從YAML構建并傳遞權重# Train the model
model.train(data='coco128.yaml', epochs=100, imgsz=640)

model    傳入的model.yaml文件或者model.pt文件，用于構建網絡和初始化，不同點在于只傳入yaml文件的話參數會隨機初始化
data    訓練數據集的配置yaml文件
epochs    訓練輪次，默認100
patience    早停訓練觀察的輪次，默認50，如果50輪沒有精度提升，模型會直接停止訓練
batch    訓練批次，默認16
imgsz    訓練圖片大小，默認640
save    保存訓練過程和訓練權重，默認開啟
save_period    訓練過程中每x個輪次保存一次訓練模型，默認-1（不開啟）
cache    是否采用ram進行數據載入，設置True會加快訓練速度，但是這個參數非常吃內存，一般服務器才會設置
device    要運行的設備，即cuda device =0或Device =0,1,2,3或device = cpu
workers    載入數據的線程數。windows一般為4，服務器可以大點，windows上這個參數可能會導致線程報錯，發現有關線程報錯，可以嘗試減少這個參數，這個參數默認為8，大部分都是需要減少的
project    項目文件夾的名，默認為runs
name    用于保存訓練文件夾名，默認exp，依次累加
exist_ok    是否覆蓋現有保存文件夾，默認Flase
pretrained    是否加載預訓練權重，默認Flase
optimizer    優化器選擇，默認SGD，可選[SGD、Adam、AdamW、RMSProP]
verbose    是否打印詳細輸出
seed    隨機種子，用于復現模型，默認0
deterministic    設置為True，保證實驗的可復現性
single_cls    將多類數據訓練為單類，把所有數據當作單類訓練，默認Flase
image_weights    使用加權圖像選擇進行訓練，默認Flase
rect    使用矩形訓練，和矩形推理同理，默認False
cos_lr    使用余弦學習率調度，默認Flase
close_mosaic    最后x個輪次禁用馬賽克增強，默認10
resume    斷點訓練，默認Flase
lr0    初始化學習率，默認0.01
lrf    最終學習率，默認0.01
label_smoothing    標簽平滑參數，默認0.0
dropout    使用dropout正則化(僅對訓練進行分類)，默認0.0

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# 目標檢測后處理
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 .# 實例分割后處理
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 # 目標分類后處理
results = model(inputs)
results[0].probs  # cls prob, (num_class, )

source    跟之前的yolov5一致，可以輸入圖片路徑，圖片文件夾路徑，視頻路徑
save    保存檢測后輸出的圖像，默認False
conf    用于檢測的對象置信閾值，默認0.25
iou    用于nms的IOU閾值，默認0.7,在模型將它們視為同一對象之前，多個對象之間的重疊量。默認情況下，它設置為 0.5，這意味著重疊超過 50% 的對象將被視為同一對象。
half    FP16推理，默認False
device    要運行的設備，即cuda設備=0/1/2/3或設備=cpu
show    用于推理視頻過程中展示推理結果，默認False
save_txt    是否把識別結果保存為txt，默認False
save_conf    保存帶有置信度分數的結果 ，默認False
save_crop    保存帶有結果的裁剪圖像，默認False
hide_label    保存識別的圖像時候是否隱藏label ，默認False
hide_conf    保存識別的圖像時候是否隱藏置信度，默認False
vid_stride    視頻檢測中的跳幀幀數，默認1
classes    展示特定類別的，根據類過濾結果，即class=0，或class=[0,2,3]
line_thickness    目標框中的線條粗細大小 ，默認3
visualize    可視化模型特征 ，默認False
augment    是否使用數據增強，默認False
agnostic_nms    是否采用class-agnostic NMS，默認False,出現2個框的時候。將  agnostic_nms=True，就只剩一個框了
retina_masks    使用高分辨率分割掩碼，默認False
max_det    單張圖最大檢測目標，默認300
box    在分割人物中展示box信息，默認True