Ultralytics 没有单独的 test mode，所谓“测试”就是 val；如果你想在测试集上跑，就用 split=test。下面只统计“公开可传”的用户参数，不把内部对象参数如 trainer、validator、session、save_dir 算进去。

代码规则

  • model.train(**kwargs) 会把默认配置、模型已有 overrides、cfg 文件和 kwargs 合并；其中 data/model/task 会按代码补默认值。
  • model.val(**kwargs) 也会合并配置，但代码额外把 rect 的默认值改成了 True。
  • val 运行时如果 conf=None，验证器会把它设成 0.001；若任务是 OBB，则设成 0.01。训练过程中的验证还会在非 CPU 且 AMP 开启时强制 half=True。

共享参数（训练和验证都可传）

参数 默认值 说明
model 配置里 None；Python API 通常继承当前已加载模型 模型权重 .pt 或结构文件 .yaml。
data 配置里 None 数据集配置文件路径；训练时代码会在缺省时回退到当前任务的示例数据集。
imgsz 640 输入图像尺寸；训练影响精度/显存，验证影响速度/精度。
batch 16 批大小；训练支持整数、-1 自动批、或 0~1 显存占比自动批；验证通常用整数。
device None 运行设备，如 cpu、0、0,1、mps、npu。
workers 8 DataLoader worker 数；验证在 CPU/MPS 上代码可能自动改成 0。
project None 结果保存的项目目录。
name None 本次运行名；结果落到 project/name。
exist_ok False 若目标目录已存在，是否允许直接复用/覆盖。
verbose True 是否输出详细日志。
cfg None 自定义 YAML 配置文件；其值会覆盖 default.yaml，但仍低于同次调用里的显式 kwargs。
compile False 是否启用 torch.compile；也可传编译模式字符串。
classes None 训练时表示“只训练这些类”；验证时表示“只评估这些类”。
single_cls False 把多类问题按单类处理。
rect 训练 False / 验证 True 是否使用矩形批处理，减少 padding；验证默认由 Model.val() 代码改成了 True。
plots True 是否保存图表/可视化；训练会保存 loss/metric 曲线，验证会保存 PR 曲线、混淆矩阵等。

训练专用参数

参数 默认值 说明
epochs 100 总训练轮数。
time None 最长训练时长，单位小时；一旦设置，会覆盖 epochs。
patience 100 Early stopping 容忍轮数。
save True 是否保存 checkpoint 和最终权重。
save_period -1 每隔多少个 epoch 保存一次 checkpoint；小于 1 表示关闭。
cache False 是否缓存数据；可用 True/'ram'/'disk'。
pretrained True 是否从预训练权重开始；也可直接给权重路径。
optimizer 'auto' 优化器；可选 SGD、MuSGD、Adam、AdamW 等。auto 会按任务/训练规模自动选。
seed 0 随机种子。
deterministic True 强制确定性算法，复现更好，但可能更慢。
multi_scale 0.0 多尺度训练幅度；按 imgsz 上下浮动。
cos_lr False 是否启用 cosine 学习率调度。
close_mosaic 10 最后 N 个 epoch 关闭 mosaic。
resume False 是否从中断 checkpoint 继续训练。
amp True 是否启用混合精度训练。
fraction 1.0 训练时只使用多少比例的数据集。
profile False 训练中附带分析 ONNX / TensorRT 速度。
freeze None 冻结前 N 层，或传层索引列表。
val True 训练期间是否周期性做验证。
max_det 300 训练内验证阶段，每张图最多保留多少检测框。
overlap_mask True 分割任务专用；是否把实例 mask 合并。
mask_ratio 4 分割任务专用；mask 下采样比例。
dropout 0.0 分类任务专用；分类头 dropout。
augmentations 无默认公开值 Python API 专用；自定义 Albumentations 变换列表。

训练超参数 / loss 权重

参数 默认值 说明
lr0 0.01 初始学习率。
lrf 0.01 最终学习率比例，最终 LR = lr0 * lrf。
momentum 0.937 SGD 的 momentum，或 Adam 系列的 beta1。
weight_decay 0.0005 L2 正则。
warmup_epochs 3.0 warmup 轮数。
warmup_momentum 0.8 warmup 初始 momentum。
warmup_bias_lr 0.1 warmup 阶段 bias 的学习率。
box 7.5 检测框回归损失权重。
cls 0.5 分类损失权重。
cls_pw 0.0 类别不平衡加权强度；0 关闭，1 为完整逆频率加权。
dfl 1.5 Distribution Focal Loss 权重。
pose 12.0 姿态任务关键点损失权重。
kobj 1.0 姿态任务 keypoint objectness 损失权重。
rle 1.0 姿态任务 RLE 损失权重。
angle 1.0 OBB 任务角度损失权重。
nbs 64 名义 batch size；用于 loss 归一化。

训练数据增强参数

参数 默认值 说明
hsv_h 0.015 色相抖动强度。
hsv_s 0.7 饱和度抖动强度。
hsv_v 0.4 亮度抖动强度。
degrees 0.0 随机旋转角度范围。
translate 0.1 平移幅度。
scale 0.5 缩放幅度；代码注释允许浮点或 (min,max)。
shear 0.0 剪切角度。
perspective 0.0 透视变换强度。
flipud 0.0 上下翻转概率。
fliplr 0.5 左右翻转概率。
bgr 0.0 RGB/BGR 通道互换概率。
mosaic 1.0 Mosaic 概率。
mixup 0.0 MixUp 概率。
cutmix 0.0 CutMix 概率。
copy_paste 0.0 分割任务 copy-paste 概率。
copy_paste_mode 'flip' 分割任务 copy-paste 策略，常见为 flip 或 mixup。
auto_augment 'randaugment' 分类任务自动增强策略。
erasing 0.4 分类任务随机擦除概率。

验证 / 测试专用参数

参数 默认值 说明
save_json False 保存验证结果；检测/分割/姿态通常保存 COCO JSON，语义分割保存 PNG mask。
conf 运行时默认 0.001 最低置信度阈值；用于验证时生成 PR 曲线。OBB 任务代码默认 0.01。
iou 0.7 NMS 的 IoU 阈值。
max_det 300 每张图最多保留的检测数。
half False 是否使用 FP16 验证。
dnn False ONNX 路径下是否用 OpenCV DNN 推理。
split 'val' 选择跑 val、test 或 train 子集；跑测试集就设 split=test。
save_txt False 是否把预测结果写成每图一个 .txt。
save_conf False 与 save_txt 配合，把置信度也写入文本。
augment False 是否启用 TTA（test-time augmentation）。
agnostic_nms False 是否做类无关 NMS。
visualize False 是否可视化 GT / TP / FP / FN。
show_labels True 可视化时是否显示类别标签。
show_conf True 可视化时是否显示置信度。
end2end None 是否强制启用/关闭端到端无 NMS 头；主要给 YOLO26 / YOLOv10 这类模型。

几条容易忽略的代码级细节

  • val 的 rect=True 不是 default.yaml 的原始默认值，而是 Model.val() 在方法层硬塞进去的默认值。
  • conf 在 default.yaml 里是空值，但验证器启动时会自动补成 0.001；OBB 为 0.01。
  • 训练过程里的验证会强制把 half 设为“非 CPU 且 AMP 开启”。
  • 对非 PyTorch 或静态导出后端，验证代码可能自动把 rect=False，并把 batch 改成导出模型 metadata 里的值。
  • show、save_frames、save_crop、line_width、show_boxes 这些属于共享可视化/预测侧配置；官方 val 参数表没有把它们列为正式验证参数，所以我这里没有把它们算进“公开 val 参数集合”。
# 人工智能 # 深度学习 # 机器学习
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

大模型时代，程序员依然不可或缺

本文记录作者使用LLM工具调试本地项目的经验与反思。作者发现：1）LLM不擅长处理嵌套验证，需明确要求单独测试每个模块；2）跨项目数据匹配需清晰说明意图，避免模型分散注意力。作者发现精准的问题描述需个人经验支撑。文章指出LLM本质是概率拼凑工具，无法替代具备工程方法论的程序员，但能辅助代码实现和跨领域学习。作者认为LLM时代程序员需升级为"程序员+"（含架构、分析等能力），而核

avatar AtomGit开源社区

VSG序阻抗扫频(电压电流双闭环)、时域下阻抗扫频稳定性分析及建模仿真研究（Simulink仿真实现）

虚拟同步发电机（VSG）凭借可模拟同步电机外特性、支撑电网电压与频率的优势，成为新能源并网变流器的核心控制技术之一。针对电压电流双闭环控制架构下VSG并网系统宽频域振荡、稳定性难以精准判定的问题，本文开展序阻抗扫频建模、时域阻抗特性分析与系统稳定性研究。依托时域扫频测试方法，搭建VSG并网仿真模型，通过宽频域小扰动信号注入、响应数据采集与频域解析，获取变流器侧与电网侧正、负序等效阻抗特性。

avatar AtomGit开源社区

【变电站SCD文件解析】IEC 61850 SCD 解析与回路可视化工具（Python代码实现）

智能变电站依托 IEC 61850 国际标准实现全站设备数字化通信建模，SCD 作为全站统一系统配置文件，完整存储智能电子设备（IED）模型、过程层通信链路、GOOSE/SV/MMS 数据交互逻辑与数据集构成信息，是变电站调试、配置校验、故障溯源的核心载体。现阶段工程普遍依赖商用组态软件完成 SCD 解析工作，此类软件存在闭源受限、部署繁琐、定制开发成本高、轻量化校核不便等现实短板。

avatar AtomGit开源社区