想要掌握 YOLO 训练中配置文件的核心设置，核心是选对网络规模、调优超参数，这直接决定模型的速度 / 精度平衡和训练效果，以下是可直接落地的实操指南（以 YOLOv8 为例，v5 通用）。

一、选择网络规模（先定 “基础框架”）

YOLOv8 提供不同规模的预训练模型，需根据硬件、场景需求选择，无需从零改网络结构，直接调用即可。

1. 网络规模对比（v8 为例）

模型规模	参数量	推理速度（FPS）	精度（mAP@0.5）	硬件要求	适用场景
YOLOv8n（nano）	3.2M	≈120	≈67.3	CPU / 低显存 GPU（≥2G）	移动端、边缘设备、实时性优先
YOLOv8s（small）	11.2M	≈80	≈74.7	GPU≥4G	通用场景（平衡速度 + 精度）
YOLOv8m（medium）	25.9M	≈45	≈78.4	GPU≥6G	精度优先、中等复杂度场景
YOLOv8l（large）	43.7M	≈28	≈79.0	GPU≥8G	高精度需求、服务器端
YOLOv8x（xlarge）	68.2M	≈15	≈79.5	GPU≥12G	工业级高精度、无实时性要求

2. 选择原则

• 新手 / 快速测试：优先选yolov8n.pt（轻量化，训练快，易调试）；
• 通用业务场景：选yolov8s.pt（性价比最高，90% 场景够用）；
• 小目标 / 复杂场景：选yolov8m/l（精度更高，需足够显存）；
• 移动端 / 嵌入式：仅选yolov8n（避免模型过大无法部署）。

3. 调用方式（无需改配置文件，命令行 / 代码直接指定）

# 命令行调用（推荐）
yolo detect train data=data.yaml model=yolov8s.pt  # 选small模型
# Python代码调用
from ultralytics import YOLO
model = YOLO("yolov8s.pt")  # 加载预训练模型

二、超参数调整（核心优化，分 “基础 / 进阶”）

超参数是训练的 “调优开关”，YOLOv8 提供两种调整方式：命令行直接传参（新手）、修改配置文件（进阶），优先用命令行，复杂场景改配置文件。

1. 核心超参数分类（先懂 “每个参数的作用”）

超参数类型	关键参数	作用	新手默认值	调整场景 & 技巧
训练基础参数	epochs	训练轮数（模型遍历数据集的次数）	50	- 小数据集（＜1000 张）：30-50（避免过拟合）- 大数据集（＞5000 张）：100-200- 早停策略：验证集精度 3 轮不涨则停止（YOLOv8 默认开启）
	batch size	每批次训练的图片数	16	- 按 GPU 显存调整： 8G 显存→batch=8/16；12G→batch=32；24G→batch=64- 显存不足：设batch=-1（自动适配）或开启rect=True（矩形训练）
	imgsz	输入图片尺寸	640	- 小目标多：调大（800/1024，提升精度但慢）- 实时性优先：调小（480/320，提速但精度降）- 必须是 32 的倍数（如 640=32×20）
学习率参数	lr0	初始学习率	0.01	- 新手别乱改！默认适配大多数场景- 小数据集：调小（0.001-0.005，避免震荡）- 大数据集：可略大（0.01-0.02）
	lrf	最终学习率因子	0.01	固定为 0.01（学习率按余弦退火从 lr0 降到 lr0×lrf）
正则化参数（防过拟合）	weight_decay	权重衰减	0.0005	- 过拟合（训练集精度高，验证集低）：调大（0.001）- 欠拟合：调小（0.0001）
	dropout	随机失活概率	0.0	- 小数据集 / 过拟合：设 0.1-0.2（仅 v8m/l/x 支持）- 大数据集：保持 0.0
数据增强参数	mosaic	马赛克增强概率	1.0	- 小目标多：调小（0.5-0.8，避免目标被过度切割）- 正常场景：保持 1.0
	mixup	混合增强概率	0.0	- 数据集少：设 0.1-0.3（提升泛化）- 目标边界模糊：设 0.0（避免混淆）
优化器参数	optimizer	优化器类型	'SGD'	- 新手：用默认 SGD（稳定）- 想更快收敛：改 'adam' 或 'AdamW'

2. 调整方式（新手→进阶）

方式 1：命令行直接传参（最简单，无需改文件）

适合快速调整核心参数，示例（基于 yolov8s，适配 8G 显存）：

# 基础配置：small模型+训练50轮+batch=16+图片尺寸640
yolo detect train \
  data=data.yaml \
  model=yolov8s.pt \
  epochs=50 \
  batch=16 \
  imgsz=640 \
  # 超参数调整：小数据集降低学习率+开启dropout防过拟合
  lr0=0.005 \
  weight_decay=0.001 \
  dropout=0.1 \
  # 数据增强：小目标降低马赛克增强
  mosaic=0.7

方式 2：修改配置文件（进阶，批量管理参数）

YOLOv8 的配置文件为ultralytics/cfg/default.yaml（或自定义custom.yaml），步骤如下：

1. 复制默认配置文件：

   cp ultralytics/cfg/default.yaml my_yolo_config.yaml
   

2. 编辑 my_yolo_config.yaml（仅改需要调整的参数，其余保留默认）：

   # 训练基础参数
   epochs: 80          # 训练80轮
   batch: 16           # 批次16
   imgsz: 800          # 输入尺寸800（小目标场景）
   # 学习率参数
   lr0: 0.008          # 初始学习率0.008
   lrf: 0.01           # 最终学习率因子
   # 正则化参数
   weight_decay: 0.0008 # 权重衰减
   dropout: 0.15       # dropout概率
   # 数据增强
   mosaic: 0.6         # 马赛克增强
   mixup: 0.2          # 混合增强
   # 优化器
   optimizer: 'AdamW'  # 用AdamW优化器
   

3. 调用自定义配置文件：

   yolo detect train data=data.yaml model=yolov8s.pt cfg=my_yolo_config.yaml
   

3. 超参数调优流程（新手避坑）

1. 先固定默认参数：用yolov8s.pt + epochs=50 + batch=16 + imgsz=640跑基线，看训练曲线；
2. 针对性调整：
   • 过拟合：先调weight_decay（↑）→ 再开dropout→ 最后减epochs；
   • 欠拟合（训练 / 验证精度都低）：先调大imgsz→ 再增加epochs→ 最后换更大模型（s→m）；
   • 训练震荡（损失曲线波动大）：先降lr0→ 再减小batch（或开启accumulate=2累加梯度）；
3. 小步调整：每次只改 1-2 个参数，避免同时改多个导致无法定位问题。

三、关键配置避坑

1. batch size 不能乱设：若显存不足，优先设batch=-1（YOLO 自动计算最大可用 batch），而非强行设大值（会报 OOM 错误）；
2. 学习率是 “核心中的核心”：lr0 过大→训练发散（损失飙升），过小→收敛极慢，新手优先用默认值，仅小数据集微调；
3. 不要盲目追大模型 / 大尺寸：比如用 8G 显存跑yolov8x.pt，会频繁卡顿，反而不如yolov8s.pt训练稳定；
4. 配置文件路径问题：自定义 yaml 文件需用绝对路径，或放在项目根目录，避免 YOLO 找不到。

四、快速验证配置是否生效

训练启动后，终端会打印配置摘要，检查关键参数是否正确：

Ultralytics YOLOv8.0.0 🚀
Arguments: data=data.yaml, model=yolov8s.pt, epochs=50, batch=16, imgsz=640, lr0=0.005...

也可查看runs/detect/train/args.yaml，该文件会保存本次训练的所有配置，方便复盘。

总结

1. 网络规模选择：新手选yolov8s，实时性选n，高精度选m/l；
2. 超参数调整：先跑基线，再针对性调学习率 / 正则化 / 数据增强，小步迭代；
3. 配置方式：新手用命令行传参，进阶用自定义 yaml 文件批量管理。

五、不同场景配置文件模板（直接复用）

以下是针对实时性优先、精度优先、小目标密集三大核心场景的配置文件模板，包含网络规模 + 超参数最优组合，复制即可用（适配 8G 显存 GPU，其他显存按比例调整 batch size）。

模板 1：实时性优先场景（如摄像头监控、移动端）

适用场景

• 要求 FPS＞30，对精度要求适中
• 硬件：4-8G 显存 GPU / 边缘设备（Jetson）
• 目标：中等尺寸、无密集遮挡

配置文件（realtime_config.yaml）

# 网络规模（轻量化优先）
model: yolov8n.pt  # nano模型，速度最快

# 训练基础参数
epochs: 50         # 小模型避免过拟合，训练轮数适中
batch: 32          # 8G显存可设32，4G设16
imgsz: 480         # 减小输入尺寸提升速度（32的倍数）
rect: True         # 开启矩形训练，进一步提速

# 学习率参数（小模型适配）
lr0: 0.01          # 初始学习率默认，小模型收敛快
lrf: 0.01          # 余弦退火最终学习率因子
warmup_epochs: 3   # 预热轮数，避免初始学习率过高

# 正则化（防过拟合）
weight_decay: 0.0005  # 默认值，小模型过拟合风险低
dropout: 0.0          # 关闭dropout，保证推理速度

# 数据增强（适度，避免耗时）
mosaic: 0.8        # 降低马赛克增强比例，减少计算
mixup: 0.0         # 关闭混合增强，提升训练速度
hsv_h: 0.015       # 色调增强幅度（默认）
hsv_s: 0.7         # 饱和度增强幅度（默认）
hsv_v: 0.4         # 明度增强幅度（默认）

# 优化器（稳定优先）
optimizer: SGD      # SGD比AdamW速度快，适配实时场景
momentum: 0.937     # 动量参数默认

# 其他
device: 0           # 指定GPU编号（单卡设0）
workers: 8          # 数据加载线程数（按CPU核心数设）

训练命令

yolo detect train data=data.yaml cfg=realtime_config.yaml

---

模板 2：精度优先场景（如工业质检、医疗影像）

适用场景

• 要求 mAP@0.5＞80%，对速度无硬性要求
• 硬件：8G + 显存 GPU / 服务器
• 目标：复杂场景、多类别、部分遮挡

配置文件（high_precision_config.yaml）

# 网络规模（精度优先）
model: yolov8m.pt  # medium模型，平衡精度与显存

# 训练基础参数
epochs: 100        # 增加训练轮数，充分拟合数据
batch: 16          # 8G显存适配，12G可设32
imgsz: 800         # 增大输入尺寸，提升细节捕捉
rect: False        # 关闭矩形训练，保证精度

# 学习率参数（慢收敛，稳拟合）
lr0: 0.008         # 降低初始学习率，避免震荡
lrf: 0.01          # 余弦退火因子
warmup_epochs: 5   # 延长预热，适配大尺寸输入

# 正则化（防过拟合核心）
weight_decay: 0.001 # 提高权重衰减，抑制过拟合
dropout: 0.15      # 开启dropout，增强泛化
cos_lr: True       # 开启余弦学习率退火（默认）

# 数据增强（强化泛化）
mosaic: 1.0        # 满额马赛克增强
mixup: 0.3         # 开启混合增强，提升鲁棒性
copy_paste: 0.3    # 开启复制粘贴增强（小目标/密集场景）
hsv_h: 0.03        # 提高色调增强幅度
hsv_s: 0.8         # 提高饱和度增强幅度
hsv_v: 0.5         # 提高明度增强幅度

# 优化器（精准收敛）
optimizer: AdamW   # AdamW收敛更精准，适配高精度需求
weight_decay: 0.0005

# 其他
device: 0
workers: 8
patience: 10       # 早停耐心值（10轮精度不涨则停止）

训练命令

yolo detect train data=data.yaml cfg=high_precision_config.yaml

---

模板 3：小目标密集场景（如昆虫检测、文字识别、零件检测）

适用场景

• 目标尺寸＜32×32 像素，数量多、分布密
• 硬件：8G + 显存 GPU
• 核心需求：减少漏检，提升小目标召回率

配置文件（small_object_config.yaml）

# 网络规模（兼顾精度与小目标捕捉）
model: yolov8s.pt  # small模型，比nano更能捕捉小目标细节

# 训练基础参数
epochs: 80         # 适中轮数，避免过拟合
batch: 24          # 8G显存适配
imgsz: 800         # 大尺寸输入，放大小目标
rect: False

# 学习率参数（小步收敛）
lr0: 0.006         # 低学习率，避免小目标训练震荡
lrf: 0.01
warmup_epochs: 4

# 正则化
weight_decay: 0.0008
dropout: 0.1       # 轻度dropout，平衡泛化与精度

# 数据增强（适配小目标）
mosaic: 0.6        # 降低马赛克增强（避免小目标被切割）
mixup: 0.1         # 轻度混合增强，不混淆小目标
perspective: 0.001 # 降低透视变换（小目标易失真）
scale: 0.5         # 缩放范围±50%（放大小目标）
flipud: 0.0        # 关闭上下翻转（部分小目标方向固定）
fliplr: 0.5        # 保留左右翻转

# 小目标专属优化
anchor: auto       # 自动聚类锚框（适配小目标尺寸）
overlap_mask: True # 掩码重叠，提升小目标检测
mask_ratio: 4      # 掩码比例，适配小目标

# 优化器
optimizer: AdamW

训练命令

yolo detect train data=data.yaml cfg=small_object_config.yaml

---

通用使用说明

1. 显存适配调整：
   • 4G 显存：所有模板的batch减半（如实时性模板 batch=16）；
   • 12G + 显存：所有模板的batch翻倍（如精度模板 batch=32）；
2. 参数复用技巧：
   • 仅保留需要修改的参数，其余参数 YOLO 会自动用默认值；
   • 训练后在runs/detect/train/args.yaml查看最终生效参数，方便复盘；
3. 快速切换场景：
   • 仅需替换model和核心参数（imgsz/batch/mosaic），无需重构配置文件。

总结

1. 实时性优先：选yolov8n+ 小尺寸 + 少增强 + 高 batch；
2. 精度优先：选yolov8m/l+ 大尺寸 + 多增强 + AdamW 优化器；
3. 小目标场景：选yolov8s+ 自动锚框 + 低马赛克 + 大输入尺寸。