前文
关于YOLO8学习（一）环境搭建，官方检测模型部署到手机
关于YOLO8学习（二）数据集收集，处理
简介
本文将会讲解：
（1）如何通过PyCharm，进行训练数据，实现人脸检测
开发环境
win10、python 3.11、cmake、pytorch2.0.1+cu117、pycharm、ultralytics==8.0.134
要特别注意，不要升级到python312，目前onnx还没支持到312，所以转换了，会导致转换模型失效。
对于上述环境如何配置，请看我之前的文章。
开发过程
首先要明确一点，我们是要用过pycharm集合python311环境，训练出一个Yolo8的模型，用于后续的操作的。
而如何训练，训练又有些什么坑，本文就是讲述这个的。先放出所有训练相关的代码：
训练入口：main.py
# fruit 300
if __name__ == '__main__':
import os
from ultralytics import YOLO
ROOT_DIR = 'E:/workstation/python/python_yolo'
model = YOLO('yolov8n.yaml')
model.train(
data=os.path.join(ROOT_DIR, "config.yaml"),
device='0',
optimizer="auto",
epochs=10, # 训练过程中整个数据集将被迭代多少次,显卡不行你就调小点
batch=16, # 一次看完多少张图片才进行权重更新
workers=2,
verbose=True,
half=True,
amp=False,
dynamic=False,
simplify=False,
imgsz=640)
参数解析
可以看到，一开始就是指定了一个目录ROOT_DIR，这个目录是项目的目录，用于存储训练的文件的，作为其根目录。然后yolov8n.yaml就是读取这个yolo8模型的n类型模型，而除了这个n类型以外，还有什么模型呢？官方截图如下：
这里由于要部署到手机的原因，所以使用了比较小的模型，训练出来的体积也不大。但是精度肯定是没有大的模型要高的。
接着上文说到的，现在继续看model.train方法种的参数，更详细的参数，可以从官网种查询得到，而我这里，只用到了自己的一些参数，就不做翻译官了，说明一下这些参数的意思。
data – 指定自己的配置文件
device – 指定训练的模型（cpu还是gpu）一般都是gpu训练，cpu训练是真的慢，这里写了一个‘0’，就是有第一个gpu，如果你有多个，也可以写[‘0’,‘1’]，以此类推
optimizer – 简单来讲，就是优化器，一般都是’SGD’, ‘Adam’,这里设置为’auto‘，就是让yolo自己决定，对于新手来讲建议可以这样设置，比较省心。而对于精度上面有要求的，可以通过分阶段设置不同的优化器，从而达到更好的效果
epochs – 训练的轮数，一般训练，至少是500次起步的，普遍都是3000轮左右有比较好的效果。当然，这个也要看具体结果种的损失函数趋势来判断，不能一概而论。
batch – 每次训练多少张，才进行权重的更新。可以理解为，你训练的时候，一批次多少数据。这里前期的值，建议是16或者32，到后面需要调整拟合度的时候，才进行适当的调整。
workers – 训练的工作线程数，默认是8，但是实际要看你的机器，如果机器配置不是很好，建议适当调整小一点。
verbose – 训练过程种，是否输出调试的信息
half – 单精度设置，这个设置为true，就是为了让训练的模型在移动端的机器上面，跑得更轻松一点
amp – 混合精度计算训练。为什么这里设置为False，因为博主用的是gtx1660显卡，如果这里不这样设置，会导致无法使用gpu进行训练，官方解析这是这个系列显卡的一个bug，目前只能这样解决。
dynamic – 是否允许模型接受动态输入的大小，这里设置为False，可以保证更好的识别效果。
simplify – 是否简化模型
imgsz – 输入数据的大小。这里一般都是设置640，这也是官方建议的值。当然，你可以设置适当的值用于实际的项目，但是要注意一点，由于数据源是通过缩放变成该像素的，所以数据源是一个考虑的条件，同时，也要注意，如果缩小太多，会导致失真，特征值不明显，简单一句，就是识别结果不明显。但是为了移动端的考虑，这个值到最后转换的时候，都会转换为320，保证帧率的同时也保证质量。
配置文件：config.yaml
path: E:/workstation/python/python_yolo
train: images/train
#test: images/val
val: images/val
names:
0: face
这里就是配置了相关的训练路径，还是类别“names”，构成就是一个从0开始的下标和对应的标签名字。
这个下标，同样地，和你之前标注文件种的第一个参数对应。由于这里只训练一个类别，所以只有一个。
数据集合整理：关注并回复 “yolo8检测人脸数据集”即可
训练数据目录的整理：
通过配置文件config.yaml可以看到，一个是train训练目录，一个是val验证目录，同样，放出具体的目录，截图如下：
这个就是训练数据的相关目录了
上述就是所有相关的资料和代码。
然后指定Main.py脚本，完成训练后，目录下会有一个这样的文件夹：
其中，best.pt就是最好结果的模型，同样故名思意，last就是最后一次训练的模型，这里的最后一次，一般都是指最后一轮，但是也有不确定因素。一般转换模型，就拿best.pt
注意
（1）如果中断了训练，可以加入resume=True参数，指定原来的模型文件，执行脚本即可进行训练
（2）基于旧模型进行训练，同步骤（1），去除resume=True即可
that’s all---------------------------------------------------------------------------------------------------
