整理来自yolov8官方文档常用的一些命令行参数，官方文档YOLOv8 Docs

yolo TASK MODE ARGS

训练命令行示例：

# 从YAML中构建一个新模型，并从头开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640# 从预先训练的*.pt模型开始训练
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640# 从YAML中构建一个新的模型，将预训练的权重传递给它，并开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

对应python代码示例：

from ultralytics import YOLO# Load a model
model = YOLO('yolov8n.yaml')  # 从YAML中构建一个新模型
model = YOLO('yolov8n.pt')  #加载预训练的模型(推荐用于训练)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # 从YAML构建并传递权重# Train the model
model.train(data='coco128.yaml', epochs=100, imgsz=640)

一些比较常用的传参：

model	传入的model.yaml文件或者model.pt文件，用于构建网络和初始化，不同点在于只传入yaml文件的话参数会随机初始化
data	训练数据集的配置yaml文件
epochs	训练轮次，默认100
patience	早停训练观察的轮次，默认50，如果50轮没有精度提升，模型会直接停止训练
batch	训练批次，默认16
imgsz	训练图片大小，默认640
save	保存训练过程和训练权重，默认开启
save_period	训练过程中每x个轮次保存一次训练模型，默认-1（不开启）
cache	是否采用ram进行数据载入，设置True会加快训练速度，但是这个参数非常吃内存，一般服务器才会设置
device	要运行的设备，即cuda device =0或Device =0,1,2,3或device = cpu
workers	载入数据的线程数。windows一般为4，服务器可以大点，windows上这个参数可能会导致线程报错，发现有关线程报错，可以尝试减少这个参数，这个参数默认为8，大部分都是需要减少的
project	项目文件夹的名，默认为runs
name	用于保存训练文件夹名，默认exp，依次累加
exist_ok	是否覆盖现有保存文件夹，默认Flase
pretrained	是否加载预训练权重，默认Flase
optimizer	优化器选择，默认SGD，可选[SGD、Adam、AdamW、RMSProP]
verbose	是否打印详细输出
seed	随机种子，用于复现模型，默认0
deterministic	设置为True，保证实验的可复现性
single_cls	将多类数据训练为单类，把所有数据当作单类训练，默认Flase
image_weights	使用加权图像选择进行训练，默认Flase
rect	使用矩形训练，和矩形推理同理，默认False
cos_lr	使用余弦学习率调度，默认Flase
close_mosaic	最后x个轮次禁用马赛克增强，默认10
resume	断点训练，默认Flase
lr0	初始化学习率，默认0.01
lrf	最终学习率，默认0.01
label_smoothing	标签平滑参数，默认0.0
dropout	使用dropout正则化(仅对训练进行分类)，默认0.0

数据增强参数：

更多参数参考：modes/train

二、评估参数

评估命令行代码示例：

yolo detect val model=yolov8n.pt  #   val 官方模型
yolo detect val model=path/to/best.pt  # val 自己训练的模型

对应的python代码：

from ultralytics import YOLO# Load a model
model = YOLO('yolov8n.pt')  #加载官方模型
model = YOLO('path/to/best.pt')  # 加载自己训练的模型# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map    # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps   # a list contains map50-95 of each category

一些比较常用的传参：

model	需要评估的pt模型文件路径
data	需要评估的数据集yaml文件
imgsz	评估图片推理大小，默认640
batch	评估推理批次，默认16
save_json	是否保存评估结果为json输出，默认False
save_hybrid	是否保存混合版本的标签(标签+额外的预测)
conf	模型评估置信度阈值，默认0.001
iou	模型评估iou阈值，默认0.6
max_det	单张图最大检测目标数量，默认300
half	是否使用fp16推理，默认True
device	要运行的设备，即cuda device =0或Device =0,1,2,3或device = cpu
dnn	是否使用use OpenCV DNN for ONNX inference，默认Flase
rect	是否使用矩形推理，默认False
split	数据集分割用于验证，即val、 test、train，默认val

三、推理参数

推理命令行示例：

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

对应python代码示例：

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# 目标检测后处理
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 .# 实例分割后处理
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 # 目标分类后处理
results = model(inputs)
results[0].probs  # cls prob, (num_class, )

一些常用传参解释：

source	跟之前的yolov5一致，可以输入图片路径，图片文件夹路径，视频路径
save	保存检测后输出的图像，默认False
conf	用于检测的对象置信阈值，默认0.25
iou	用于nms的IOU阈值，默认0.7
half	FP16推理，默认False
device	要运行的设备，即cuda设备=0/1/2/3或设备=cpu
show	用于推理视频过程中展示推理结果，默认False
save_txt	是否把识别结果保存为txt，默认False
save_conf	保存带有置信度分数的结果 ，默认False
save_crop	保存带有结果的裁剪图像，默认False
hide_label	保存识别的图像时候是否隐藏label ，默认False
hide_conf	保存识别的图像时候是否隐藏置信度，默认False
vid_stride	视频检测中的跳帧帧数，默认1
classes	展示特定类别的，根据类过滤结果，即class=0，或class=[0,2,3]
line_thickness	目标框中的线条粗细大小 ，默认3
visualize	可视化模型特征 ，默认False
augment	是否使用数据增强，默认False
agnostic_nms	是否采用class-agnostic NMS，默认False
retina_masks	使用高分辨率分割掩码，默认False
max_det	单张图最大检测目标，默认300
box	在分割人物中展示box信息，默认True

yolov8支持各种输入源推理：

对于图片还支持以下保存格式的输入图片：

对于视频支持以下视频格式输入：

返回的result结果解析：

Results.boxes: 目标检测返回的boxes信息
Results.masks: 返回的分割mask坐标信息
Results.probs: 分类输出的类概率
Results.orig_img: 原始图像
Results.path: 输入图像的路径
result可以使用如下方法在加载到cpu或者gpu设备中：

results = results.cuda()
results = results.cpu()
results = results.to(“cpu”)
results = results.numpy()

更多细节：modes/predict

四、模型导出

yolov8支持一键导出多种部署模型，支持如下格式的模型导出：

命令行运行示例：

yolo export model=yolov8n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

python代码示例：

from ultralytics import YOLO# Load a model
model = YOLO('yolov8n.pt')  # load an official model
model = YOLO('path/to/best.pt')  # load a custom trained# Export the model
model.export(format='onnx')

一些常用参数解释：

format	导出的格式，默认’torchscript’，可选如上支持的格式 onnx、engine、openvino等
imgsz	导出时固定的图片推理大小，为标量或(h, w)列表，即(640,480) ，默认640
keras	使用Keras导出TF SavedModel ，用于部署tensorflow模型，默认False
optimize	是否针对移动端对TorchScript进行优化
half	fp16量化导出，默认False
int8	int8量化导出，默认False
dynamic	针对ONNX/TF/TensorRT:动态推理，默认False
simplify	onnx simplify简化，默认False
opset	onnx的Opset版本(可选，默认为最新)
workspace	TensorRT:工作空间大小(GB)，默认4
nms	导出CoreML，添加NMS

更多参考：modes/export

五、跟踪参数

yolov8目前支持：BoT-SORT、ByteTrack两种目标跟踪，默认使用BoT-SORT

命令行使用示例：

yolo track model=yolov8n.pt source="https://youtu.be/Zgi9g1ksQHc"  # official detection model
yolo track model=yolov8n-seg.pt source=...   # official segmentation model
yolo track model=path/to/best.pt source=...  # custom model
yolo track model=path/to/best.pt  tracker="bytetrack.yaml" # bytetrack tracker

python代码使用示例：

from ultralytics import YOLO# Load a model
model = YOLO('yolov8n.pt')  # load an official detection model
model = YOLO('yolov8n-seg.pt')  # load an official segmentation model
model = YOLO('path/to/best.pt')  # load a custom model# Track with the model
results = model.track(source="https://youtu.be/Zgi9g1ksQHc", show=True) 
results = model.track(source="https://youtu.be/Zgi9g1ksQHc", show=True, tracker="bytetrack.yaml") 

同时支持检测和分割模型，只需要加载相应权重即可。

跟踪的传参和推理时一样，主要有三个：conf、 iou、 show

yolo track model=yolov8n.pt source="https://youtu.be/Zgi9g1ksQHc" conf=0.3, iou=0.5 show# orfrom ultralytics import YOLOmodel = YOLO('yolov8n.pt')
results = model.track(source="https://youtu.be/Zgi9g1ksQHc", conf=0.3, iou=0.5, show=True) 

也可以自定义修改跟踪配置文件，需要修改ultralytics/tracker/cfg中的yaml文件，修改你需要的配置(除了跟踪器类型)，同样的运行方式：

yolo track model=yolov8n.pt source="https://youtu.be/Zgi9g1ksQHc" tracker='custom_tracker.yaml'# orfrom ultralytics import YOLOmodel = YOLO('yolov8n.pt')
results = model.track(source="https://youtu.be/Zgi9g1ksQHc", tracker='custom_tracker.yaml') 

六、基准测试参数

基准测试模式用于分析YOLOv8各种导出格式的速度和准确性。基准测试提供了关于导出格式的大小、其mAP50-95指标(用于对象检测和分割)或精度top5指标(用于分类)的信息，以及在各种导出格式(如ONNX、OpenVINO、TensorRT等)中，每张图像的推断时间(以毫秒为单位)。这些信息可以帮助用户根据他们对速度和准确性的需求，为他们的特定用例选择最佳的导出格式。

命令行代码示例：

yolo benchmark model=yolov8n.pt imgsz=640 half=False device=0

python代码示例：

from ultralytics.yolo.utils.benchmarks import benchmark# Benchmark
benchmark(model='yolov8n.pt', imgsz=640, half=False, device=0)

一些基准测试常用参数：

model	模型文件路径，yoloV8v.pt等
imgsz	基准测试图片大小，默认640
half	基准测试是否开启fp16，默认False
device	在哪些设备上测试cuda device=0 or device=0,1,2,3 or device=cpu
hard_fail	在错误(bool)或val下限阈值(float)时停止继续，默认False

基准测试可以支持以下导出的格式上运行测试：

更多参考：modes/benchmark