【简单更改代码】YOLOv8实现断点恢复训练、增加训练轮次、减少训练轮次

权重文件	权重来源	权重特点	适用场景
best.pt	训练过程中每个epoch结束对验证集评估，取表现最好的模型权重	代表验证集上的最优表现	推理（如预测目标）和部署（如将模型应用到实际项目）阶段，以获取最佳性能
last.pt	最后一次训练迭代结束后的模型权重	是最后训练时刻的模型权重状态	用于在之前训练基础上继续训练模型，从上次训练结束点接着进行训练

2、用于训练YOLOv8模型的，具体参数含义

参数	含义
data	数据，是模型训练的基础，包括训练集、验证集和测试集等。数据的多样性（如图像、文本等）和质量会直接影响模型的性能。
model	模型，是对现实世界中问题的数学抽象，定义了输入和输出之间的关系。在PyTorch中，模型通常是一个继承自`nn.Module`的类，包含了网络结构和参数。
project	项目，是指为了实现特定目标而进行的一系列有组织的活动，包括数据收集、模型选择、训练、评估和部署等步骤。
epochs	轮次，指模型对整个数据集进行一次完整训练的次数。增加epochs可以提高模型的拟合能力，但过多的epochs可能导致过拟合。
pretrained	预训练，指模型在大规模数据集上进行预训练，学习到通用的特征表示，然后在特定任务上进行微调。预训练模型可以显著提高模型的性能，尤其是在数据量较小的情况下。
resume	恢复，指从之前保存的模型状态继续训练，而不是从头开始。这在训练中断或需要进一步优化模型时非常有用.

注意：减少训练轮次需更改triner.py配置文件，单独放在本文第四节进行介绍。

二、使用官方脚本命令训练（含代码对比）

通常的YOLO训练命令如下：（总共训练100epoch）：

yolo task=detect mode=train model=yolov8n.pt data=coco128.yaml epochs=100

这个命令会启动一个YOLOv8的目标检测任务，使用yolov8n.pt作为预训练模型，coco128.yaml作为数据集配置文件，训练100个轮次。

1、还未训练完所有epoch，希望继续训练。

方法：将model替换为训练中途的last.pt文件，并且添加resume=True。
结果：模型将会从断点处开始训练直到100epoch结束。

yolo task=detect mode=train model=runs/detect/exp/weights/last.pt data=coco128.yaml epochs=100 resume=True

跟原训练代码对比：

参数	断点重续前	断点重续后
`model`	`yolov8n.pt`	`runs/detect/exp/weights/last.pt`
`resume`	未指定（默认为False）	`True`

2、已经训练完所有epoch，希望增加训练epoch。

方法：将epochs替换为10（表示继续训练10次），并且将已有的权重进行加载。
结果：模型将会加载第100个epoch时的模型权重，但是会显示从0epoch开始训练。

yolo task=detect mode=train model=runs/detect/exp/weights/last.pt data=coco128.yaml epochs=10 pretrained=True

跟原训练代码对比：

参数	训练结束后	继续增加epoch轮次后
`model`	`yolov8n.pt`	`runs/detect/exp/weights/last.pt`
`epochs`	100	10
`pretrained`	未指定（默认为False）	`True`

三、使用python脚本训练（含代码对比）

训练时的命令（总共训练50epoch）：

from ultralytics import YOLO

if __name__ == '__main__':
    # 从零开始构建新模型
    model = YOLO("yolov8n.pt")
    # 训练模型
    model.train(data="rooftop202411215new.yaml",epochs=50,device=0)
    # 在验证集上评估模型性能
    metrics = model.val()
    # 将模型导出为ONNX格式
    path = model.export(format="onnx")

这个命令会启动一个YOLOv8的目标检测任务，使用yolov8n.pt作为预训练模型，rooftop202411215.yaml作为数据集配置文件，训练50个轮次。

1、还未训练完所有epoch，希望继续训练。

方法：将model替换为训练中途的last.pt文件，并且添加resume=True。
结果：模型将会从断点处开始训练直到50epoch结束，显示从上一次断点epoch开始。

from ultralytics import YOLO

if __name__ == '__main__':
    # 从零开始构建新模型
    model = YOLO("E:/yolov8_test/yolov8_test/ultralytics-main/ultralytics-main/runs/segment/train4/weights/last.pt")
    # 训练模型
    model.train(data="rooftop202411215new.yaml",epochs=50,device=0,resume=True)
    # 在验证集上评估模型性能
    metrics = model.val()
    # 将模型导出为ONNX格式
    path = model.export(format="onnx")

跟原训练代码对比：

参数	断点重续前	断点重续后
`model`	`yolov8n.pt`	`.../runs/detect/exp/weights/last.pt`
`resume`	未指定（默认为False）	`True`

2、已训练完所有epoch，增加训练epoch。

方法：将已有的权重进行加载，再将epochs替换为5，pretrained=True。
结果：模型将会在已有权重的基础上再加载训练5个epoch，显示从0epoch开始训练。

from ultralytics import YOLO

if __name__ == '__main__':
    # 从零开始构建新模型
    model = YOLO("E:/yolov8_test/yolov8_test/ultralytics-main/ultralytics-main/runs/segment/last.pt")
    # 训练模型
    model.train(data="rooftop202411215new.yaml",epochs=5,device=0,pretrained=True)
    # 在验证集上评估模型性能
    metrics = model.val()
    # 将模型导出为ONNX格式
    path = model.export(format="onnx")

跟原训练代码对比：

参数	训练结束后	继续增加epoch轮次后
`model`	`yolov8n.pt`	`.../runs/detect/exp/weights/last.pt`
`epochs`	50	5（表示再增加5次训练）
`pretrained`	未指定（默认为False）	`True`

四、减少训练轮次

训练代码如下：（减少训练轮次无需更改原训练代码）

from ultralytics import YOLO

if __name__ == '__main__':
    # 从零开始构建新模型
    model = YOLO("ultralytics/cfg/models/v8/yolov8n.yaml")  # 从零开始构建新模型
    # 训练模型
    model.train(data="rooftop202411215new.yaml",epochs=10,device=0)
    # 在验证集上评估模型性能
    metrics = model.val()
    # 将模型导出为ONNX格式
    path = model.export(format="onnx")

这个命令会启动一个YOLOv8的目标检测任务，使用yolov8n.pt作为预训练模型，rooftop202411215.yaml作为数据集配置文件，训练10个轮次。

下面会介绍在训练时或者训练中断后想减少训练轮次的方法、训练结果、训练代码对比（不变）：

1、方法

（1）修改self.epochs训练轮次

在ultralytics/yolo/engine/trainer.py中找到def__init，并在其中找到self.epochs = self.args.epochs进行注释，重新修改self.epochs成自己需要的轮次。

如下是我把原本的10次训练减少到5次训练：

（2）更改resume路径

在ultralytics/yolo/engine/trainer.py中找到check_resume，并在其中找到resume = self.args.resume进行注释·，重新修改resume成需要断点恢复的last.pt路径。

如下是我把resume修改成需要断点恢复的last.pt绝对路径：

（3）添加一行ckpt的值

在ultralytics/yolo/engine/trainer.py中找到resume_training，在resume_training里面添加一行ckpt的值，让ckpt指向需要断点恢复的last.pt路径。

如下是我把ckpt指向需要断点恢复的last.pt绝对路径：

（4）重新运行训练代码

完成前面3个步骤后，可点击运行trainer.py，报错也无所谓，再重新运行python训练脚本即可。

如下是我直接重新运行之前的训练脚本，可以看到所有参数都无需更改：

from ultralytics import YOLO

if __name__ == '__main__':
    # 从零开始构建新模型
    model = YOLO("ultralytics/cfg/models/v8/yolov8n.yaml")  # 从零开始构建新模型
    # 训练模型
    model.train(data="rooftop202411215new.yaml",epochs=10,device=0)
    # 在验证集上评估模型性能
    metrics = model.val()
    # 将模型导出为ONNX格式
    path = model.export(format="onnx")

2、训练结果

训练结果会继续保存在重续前的文件夹，训练轮次会减少为所更改的轮次，并且训练会从上一次中断处继续开始。

如下是我的训练结果中的训练过程：

3、跟原训练代码对比

训练代码无区别！！！只需修改ultralytics/yolo/engine/trainer.py内python脚本即可！！！

下面是trainer.py的python脚本对比：

参数	断点重续前	中断减少epoch轮次后
self.epochs	self.args.epochs	5（表示减少为5个轮次进行训练）
resume	self.args.resume	`.../runs/detect/exp/weights/last.pt`
ckpt	无	ckpt = torch.load('.../runs/segment/train14/weights/last.pt')