4. 模型训练实战：YOLOv8训练参数详解与Loss曲线调优

训练一个能用的YOLOv8模型，说白了就是调好那一堆参数。我见过不少新手，上来就用默认参数跑，Loss曲线跟心电图似的，还问我为什么模型不收敛。嗯，今天咱们就把这些参数掰开揉碎了讲清楚。

4.1 训练参数全景图

YOLOv8的训练参数大概分四类：数据相关、模型结构、优化策略、硬件适配。我习惯把它们列成一张表，方便对照。

参数名	默认值	我的常用范围	一句话解释
epochs	100	100-300	模型看几遍全部数据
batch	16	8-64	一次喂多少张图
imgsz	640	416-1280	输入图片缩放到多大
lr0	0.01	0.001-0.01	初始学习率
lrf	0.01	0.01-0.1	最终学习率（衰减到多少）
momentum	0.937	0.9-0.98	动量，帮模型跳出局部最优
weight_decay	0.0005	0.0001-0.001	权重衰减，防过拟合
warmup_epochs	3.0	3-5	预热阶段，让学习率慢慢爬升
patience	50	20-100	早停耐心值，Loss不降就停

4.2 训练命令与参数传递

YOLOv8的训练命令很简洁。你可以在命令行直接传参，也可以写一个YAML配置文件。我个人更推荐后者，方便复现。

# 命令行方式
yolo train model=yolov8n.pt data=coco128.yaml epochs=100 imgsz=640 batch=16

# 使用配置文件（推荐）
yolo train model=yolov8n.pt data=coco128.yaml cfg=my_config.yaml

配置文件长这样：

# my_config.yaml
epochs: 150
batch: 32
imgsz: 640
lr0: 0.005
lrf: 0.01
momentum: 0.937
weight_decay: 0.0005
warmup_epochs: 3
patience: 30
augment: True
cos_lr: True
val: True
save: True
device: 0

4.3 训练过程可视化：TensorBoard

训练时干等可不行。你得看着Loss曲线、mAP曲线，才能知道模型学得怎么样。YOLOv8默认集成了TensorBoard，训练完会自动生成日志。

启动TensorBoard的命令：

tensorboard --logdir runs/detect/train

然后在浏览器打开 http://localhost:6006。你会看到这些关键图表：

• train/box_loss：边界框回归损失。越低越好。
• train/cls_loss：分类损失。越低越好。
• train/dfl_loss：分布聚焦损失。YOLOv8特有的，越低越好。
• metrics/mAP50：IoU阈值0.5时的平均精度。越高越好。
• metrics/mAP50-95：更严格的精度指标。越高越好。
• lr：学习率变化曲线。

4.4 Loss曲线分析与调优

Loss曲线是模型训练的「心电图」。读懂它，你就能对症下药。下面是我总结的几种常见情况：

曲线特征	可能原因	我的调优方案
Loss不降，一直高位震荡	学习率太大；数据标签有误	降低lr0到0.001；检查标注文件
Loss下降缓慢，像蜗牛爬	学习率太小；模型太小	增大lr0到0.01；换大模型如yolov8m
Loss先降后升，V形反弹	过拟合；学习率衰减太快	增加weight_decay；调大lrf
Loss曲线锯齿状，剧烈抖动	batch太小；数据噪声大	增大batch；检查数据质量
Loss降到一定程度不再下降	模型容量到瓶颈；数据量不足	换大模型；数据增强；增加数据

举个例子。我之前做一个安防项目，检测行人。训练到第50个epoch时，Loss突然反弹。我一看，原来是学习率衰减得太快，模型在局部最优附近来回震荡。我把lrf从0.01改成0.1，让学习率衰减得慢一些，Loss曲线就稳住了。

4.5 知识结构图：训练调优流程

下面这张图是我自己总结的训练调优流程。每次开始新项目，我都会按这个思路走一遍。

4.6 实战调优案例

我记得有一次做工厂安全帽检测。训练了50个epoch，Loss曲线一直下不去，mAP只有0.3。我检查了数据，发现标注框有很多漏标。修正标注后，重新训练，Loss曲线立刻开始下降，最终mAP到了0.85。

另一个案例是检测夜间车辆。训练时Loss曲线锯齿状抖动，我一开始以为是学习率问题。后来发现是数据集中夜间图片太少，模型学不到特征。我增加了夜间数据，并用了Mosaic数据增强，Loss曲线就平滑了。