Python | OpenCV YOLOv8 模型訓練

📚 前言

在上一篇 YOLOv8 預標籤（Pre-Label） 中，我們用預訓練模型自動產生標籤草稿，再透過 LabelImg 人工修正，完成了標記工作。
這一篇進入最核心的環節：YOLOv8 模型訓練。

YOLOv8 的訓練指令非常簡潔，但背後有許多重要參數影響訓練效果。
這一篇說明每個關鍵參數的意義，以及 GPU 加速與中斷恢復的設定方式。

🔎 開始訓練前的確認

在開始訓練之前，請確認前幾篇的工作都已完成，你手上應該有以下結構：

project/
├── raw_images/          ← 原始圖片（20260407 收集）
├── raw_labels/          ← 預標籤 + 人工修正後的 .txt（20260408 完成）
├── dataset/
│   ├── images/
│   │   ├── train/       ← 訓練集圖片
│   │   └── val/         ← 驗證集圖片
│   └── labels/
│       ├── train/       ← 訓練集標籤
│       └── val/         ← 驗證集標籤
├── data.yaml            ← 訓練用設定檔（20260407 建立）
└── train.py             ← 本篇將撰寫此檔案

💻 基本訓練指令

🔹 指令列方式

yolo detect train \
  model=yolov8n.pt \
  data=data.yaml \
  epochs=100 \
  imgsz=640 \
  batch=16 \
  device=0         # 無 GPU 請改為 device=cpu

🔹 Python API 方式

# train.py
import time
import torch
from ultralytics import YOLO

model = YOLO("yolov8n.pt")  # 以預訓練模型為起點（第一次執行會自動下載）

start = time.time()

results = model.train(
    data="data.yaml",                                  # 資料集設定檔路徑（由 20260407 的 create_yaml.py 產生）
    epochs=100,                                        # 訓練總輪數，初次建議先設 3~5 確認流程
    imgsz=640,                                         # 輸入圖片尺寸，越大越準確但越慢、越吃記憶體
    batch=16,                                          # 每批次圖片數，GPU 記憶體不足時調小（8、4）
    device=0 if torch.cuda.is_available() else "cpu",  # 自動偵測 GPU，無 GPU 退回 CPU
    workers=0,                                         # 資料載入執行緒數，Windows 必須設 0
    name="my_model",                                   # 訓練結果子目錄，結果存在 runs/detect/my_model/
    save_period=10,                                    # 每 10 個 epoch 儲存一次 checkpoint
    plots=True,                                        # 自動產生訓練曲線圖表
    verbose=True,                                      # 顯示每個 epoch 的詳細訓練資訊
)

elapsed = time.time() - start
print(f"訓練完成，總耗時：{elapsed // 3600:.0f} 時 {elapsed % 3600 // 60:.0f} 分 {elapsed % 60:.0f} 秒")

D:\PythonWorkspace\yolov8-tutorial\.venv\Scripts\python.exe D:\PythonWorkspace\yolov8-tutorial\train.py 
Ultralytics 8.4.37  Python-3.10.11 torch-2.11.0+cu130 CUDA:0 (NVIDIA GeForce RTX 2060 SUPER, 8192MiB)
engine\trainer: agnostic_nms=False, amp=True, angle=1.0, augment=False, auto_augment=randaugment, batch=16, 
bgr=0.0, box=7.5, cache=False, cfg=None, classes=None, close_mosaic=10, cls=0.5, cls_pw=0.0, compile=False, 
conf=None, copy_paste=0.0, copy_paste_mode=flip, cos_lr=False, cutmix=0.0, data=data.yaml, degrees=0.0, 
deterministic=True, device=0, dfl=1.5, dnn=False, dropout=0.0, dynamic=False, embed=None, end2end=None, 
epochs=100, erasing=0.4, exist_ok=False, fliplr=0.5, flipud=0.0, format=torchscript, fraction=1.0, 
freeze=None, half=False, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, imgsz=640, int8=False, iou=0.7, keras=False, 
kobj=1.0, line_width=None, lr0=0.01, lrf=0.01, mask_ratio=4, max_det=300, mixup=0.0, mode=train, 
model=yolov8n.pt, momentum=0.937, mosaic=1.0, multi_scale=0.0, name=my_model, nbs=64, nms=False, 
opset=None, optimize=False, optimizer=auto, overlap_mask=True, patience=100, perspective=0.0, plots=True, 
pose=12.0, pretrained=True, profile=False, project=None, rect=False, resume=False, retina_masks=False, 
rle=1.0, save=True, save_conf=False, save_crop=False, save_dir=D:\PythonWorkspace\yolov8-tutorial\runs\detect\my_model, 
save_frames=False, save_json=False, save_period=10, save_txt=False, scale=0.5, seed=0, shear=0.0, show=False, 
show_boxes=True, show_conf=True, show_labels=True, simplify=True, single_cls=False, source=None, split=val, 
stream_buffer=False, task=detect, time=None, tracker=botsort.yaml, translate=0.1, val=True, verbose=True, 
vid_stride=1, visualize=False, warmup_bias_lr=0.1, warmup_epochs=3.0, warmup_momentum=0.8, weight_decay=0.0005, 
workers=0, workspace=None
Overriding model.yaml nc=80 with nc=2

                   from  n    params  module                                       arguments                     
  0                  -1  1       464  ultralytics.nn.modules.conv.Conv             [3, 16, 3, 2]                 
  1                  -1  1      4672  ultralytics.nn.modules.conv.Conv             [16, 32, 3, 2]                
  2                  -1  1      7360  ultralytics.nn.modules.block.C2f             [32, 32, 1, True]             
  3                  -1  1     18560  ultralytics.nn.modules.conv.Conv             [32, 64, 3, 2]                
  4                  -1  2     49664  ultralytics.nn.modules.block.C2f             [64, 64, 2, True]             
  5                  -1  1     73984  ultralytics.nn.modules.conv.Conv             [64, 128, 3, 2]               
  6                  -1  2    197632  ultralytics.nn.modules.block.C2f             [128, 128, 2, True]           
  7                  -1  1    295424  ultralytics.nn.modules.conv.Conv             [128, 256, 3, 2]              
  8                  -1  1    460288  ultralytics.nn.modules.block.C2f             [256, 256, 1, True]           
  9                  -1  1    164608  ultralytics.nn.modules.block.SPPF            [256, 256, 5]                 
 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 11             [-1, 6]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 12                  -1  1    148224  ultralytics.nn.modules.block.C2f             [384, 128, 1]                 
 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 14             [-1, 4]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 15                  -1  1     37248  ultralytics.nn.modules.block.C2f             [192, 64, 1]                  
 16                  -1  1     36992  ultralytics.nn.modules.conv.Conv             [64, 64, 3, 2]                
 17            [-1, 12]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 18                  -1  1    123648  ultralytics.nn.modules.block.C2f             [192, 128, 1]                 
 19                  -1  1    147712  ultralytics.nn.modules.conv.Conv             [128, 128, 3, 2]              
 20             [-1, 9]  1         0  ultralytics.nn.modules.conv.Concat           [1]                           
 21                  -1  1    493056  ultralytics.nn.modules.block.C2f             [384, 256, 1]                 
 22        [15, 18, 21]  1    751702  ultralytics.nn.modules.head.Detect           [2, 16, None, [64, 128, 256]] 
Model summary: 130 layers, 3,011,238 parameters, 3,011,222 gradients, 8.2 GFLOPs

Transferred 319/355 items from pretrained weights
Freezing layer 'model.22.dfl.conv.weight'
AMP: running Automatic Mixed Precision (AMP) checks...
AMP: checks passed 
train: Fast image access  (ping: 0.00.0 ms, read: 1838.31089.4 MB/s, size: 174.8 KB)
train: Scanning D:\PythonWorkspace\yolov8-tutorial\dataset\labels\train.cache... 98 images, 15 backgrounds, 0 corrupt: 100% ━━━━━━━━━━━━ 98/98  0.0s
val: Fast image access  (ping: 0.00.0 ms, read: 2107.01291.3 MB/s, size: 131.0 KB)
val: Scanning D:\PythonWorkspace\yolov8-tutorial\dataset\labels\val.cache... 24 images, 1 backgrounds, 0 corrupt: 100% ━━━━━━━━━━━━ 24/24  0.0s
optimizer: 'optimizer=auto' found, ignoring 'lr0=0.01' and 'momentum=0.937' and determining best 'optimizer', 'lr0' and 'momentum' automatically... 
optimizer: AdamW(lr=0.001667, momentum=0.9) with parameter groups 57 weight(decay=0.0), 64 weight(decay=0.0005), 63 bias(decay=0.0)
Plotting labels to D:\PythonWorkspace\yolov8-tutorial\runs\detect\my_model\labels.jpg... 
Image sizes 640 train, 640 val
Using 0 dataloader workers
Logging results to D:\PythonWorkspace\yolov8-tutorial\runs\detect\my_model
Starting training for 100 epochs...

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
      1/100      2.02G     0.6719      2.927      1.129          5        640: 100% ━━━━━━━━━━━━ 7/7 2.2it/s 3.3s
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100% ━━━━━━━━━━━━ 1/1 2.2it/s 0.4s
                   all         24         30     0.0041          1      0.557      0.489

	  ... 中間省略 ...

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
     90/100      2.18G      0.448     0.5201     0.9692          8        640: 100% ━━━━━━━━━━━━ 7/7 4.3it/s 1.6s
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100% ━━━━━━━━━━━━ 1/1 3.1it/s 0.3s
                   all         24         30      0.936      0.938      0.979      0.758
Closing dataloader mosaic

	  ... 中間省略 ...
	  
      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
    100/100      2.18G     0.3441     0.5115     0.8918          3        640: 100% ━━━━━━━━━━━━ 7/7 4.5it/s 1.6s
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100% ━━━━━━━━━━━━ 1/1 3.1it/s 0.3s
                   all         24         30      0.851        0.9      0.941       0.69

100 epochs completed in 0.065 hours.
Optimizer stripped from D:\PythonWorkspace\yolov8-tutorial\runs\detect\my_model\weights\last.pt, 6.3MB
Optimizer stripped from D:\PythonWorkspace\yolov8-tutorial\runs\detect\my_model\weights\best.pt, 6.3MB

Validating D:\PythonWorkspace\yolov8-tutorial\runs\detect\my_model\weights\best.pt...
Ultralytics 8.4.37  Python-3.10.11 torch-2.11.0+cu130 CUDA:0 (NVIDIA GeForce RTX 2060 SUPER, 8192MiB)
Model summary (fused): 73 layers, 3,006,038 parameters, 0 gradients, 8.1 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100% ━━━━━━━━━━━━ 1/1 2.9it/s 0.3s
                   all         24         30       0.95      0.933      0.979       0.76
                   cat         18         25      0.899       0.92      0.964       0.57
                   dog          5          5          1      0.945      0.995       0.95
Speed: 0.2ms preprocess, 1.6ms inference, 0.0ms loss, 1.0ms postprocess per image
Results saved to D:\PythonWorkspace\yolov8-tutorial\runs\detect\my_model
訓練完成，總耗時：0 時 4 分 1 秒

Process finished with exit code 0

💡 訓練完成後，結果會自動儲存在 runs/detect/my_model/ 目錄下。

圖：YOLOv8 訓練 Log 重點解析 ─ 環境資訊、模型規格、訓練參數與過程總覽

圖：YOLOv8 train.cache 與 val.cache 說明 ─ 加速訓練與注意事項

🧠 重要訓練參數說明

圖：YOLOv8 train 完整參數表 ─ 16 個常用參數與預設值說明

💡 模型選擇建議

圖：YOLOv8 三種起點模型選擇 ─ 從預訓練權重微調、從頭訓練到繼續中斷的 checkpoint

① 從預訓練權重微調（一般情況，推薦）
載入 Ultralytics 在 COCO 資料集上訓練好的權重，再用自己的資料繼續訓練。模型已具備基本的影像辨識能力，收斂快、所需資料量少，是最常見的做法。

1
2
3

# demo_pretrained.py
from ultralytics import YOLO
model = YOLO("yolov8n.pt")  # 第一次執行會自動下載，約 6MB

② 從頭訓練（特殊情況）
只載入網路架構定義，權重全部隨機初始化，需要大量資料（通常數千張以上）才能訓練出好的模型。若你的類別與 COCO 差異極大（例如醫療影像、衛星圖）才考慮。

1
2
3

# demo_from_scratch.py
from ultralytics import YOLO
model = YOLO("yolov8n.yaml")  # 只有架構，無預訓練權重

③ 繼續訓練中斷的 checkpoint
訓練途中若因斷電、關機等原因中斷，可從上次儲存的 last.pt 繼續，不需要從頭跑。詳細用法見本篇 [中斷後繼續訓練] 章節。

1
2
3

# demo_resume.py
from ultralytics import YOLO
model = YOLO("runs/detect/my_model/weights/last.pt")

💻 多張 GPU 訓練

device 參數的常用值：0（第一張 GPU）、"0,1"（雙 GPU）、"cpu"（強制使用 CPU）。
有多張 GPU 時，可用以下方式自動偵測並全部啟用：

# setup_gpu.py
import torch
from ultralytics import YOLO

gpu_count = torch.cuda.device_count()
device = ",".join(str(i) for i in range(gpu_count)) if gpu_count >= 2 else 0
print(f"偵測到 {gpu_count} 張 GPU，使用 device={device!r}")

model = YOLO("yolov8n.pt")
model.train(data="data.yaml", epochs=100, device=device)

⛃ GPU 記憶體不足（OOM）

圖：GPU 記憶體使用原理 ─ batch 和 imgsz 是最吃記憶體的兩個參數

訓練時 GPU 需要把圖片、模型權重、梯度全部同時放進記憶體計算。
batch（每次丟幾張圖）和 imgsz（每張圖的解析度）是最吃記憶體的兩個設定：

batch=16 表示每次同時處理 16 張圖，16 張的資料都要同時放進 GPU
imgsz=640 表示每張圖縮放到 640×640，解析度越高，每張圖佔的記憶體越大

兩個值相乘就是每次計算的「記憶體負擔」。以 8GB 顯卡為例：

batch=16, imgsz=640 → 可能剛好 OOM
batch=8, imgsz=640 → 記憶體砍半，通常能跑
batch=8, imgsz=416 → 更小，適合記憶體非常有限的環境

訓練啟動後若出現以下錯誤，就是記憶體不夠：

1	RuntimeError: CUDA out of memory.

依序嘗試以下調整，直到不再 OOM：

# fix_oom.py
import torch
from ultralytics import YOLO

model = YOLO("yolov8n.pt")

# 方法一：先縮小 batch（優先嘗試，對準確度影響較小）
model.train(data="data.yaml", epochs=100, imgsz=640, batch=8,
            device=0 if torch.cuda.is_available() else "cpu")

# 方法二：batch 和 imgsz 同時縮小（記憶體非常有限時）
# model.train(data="data.yaml", epochs=100, imgsz=416, batch=8,
#             device=0 if torch.cuda.is_available() else "cpu")

💻 中斷後繼續訓練

YOLOv8 每個 epoch 都會儲存 last.pt，可隨時從中斷點繼續：

# resume_training.py
from ultralytics import YOLO

# 方法一：Python API
model = YOLO("runs/detect/my_model/weights/last.pt")
model.train(resume=True)

# 方法二：指令列
# yolo detect train resume model=runs/detect/my_model/weights/last.pt

⚠️ 注意事項

CPU 訓練速度非常慢：無 GPU 環境下，100 epochs 可能需要數小時甚至更長。第一次執行建議先將 epochs 設為 3~5，確認資料集路徑、格式、流程都正確後，再調回正式輪數。若需要完整訓練，強烈建議使用有 CUDA 的環境或 Google Colab（免費 GPU）。
Windows 上 workers 需設為 0：設成其他數值可能造成 DataLoader 死鎖，訓練無法啟動。
batch=-1 自動計算：可設定 batch=-1 讓 YOLOv8 根據 GPU 記憶體自動計算最大 batch size，但不夠穩定，建議手動設定。
訓練過程中不要刪除 runs/ 目錄：中斷恢復需要依賴其中的 last.pt 與 args.yaml。

🎯 結語

YOLOv8 的基本訓練流程相當精簡，幾行程式碼就能啟動，並內建快取、自動儲存與斷點恢復等機制。
下一步是 YOLOv8 訓練進階設定，介紹資料增強與防止過擬合的進階參數調整。

📖 如在學習過程中遇到疑問，或是想了解更多相關主題，建議回顧一下 Python | OpenCV 系列導讀，掌握完整的章節目錄，方便快速找到你需要的內容。

註：以上參考了
Ultralytics YOLOv8 官方文件 — Train
Ultralytics YOLOv8 官方文件 — Configuration

Python | OpenCV YOLOv8 預標籤（Pre-Label）

Python | OpenCV YOLOv8 訓練進階設定

↑
If you enjoy the article, please feel free to donate~ Thx.
若本文對您有幫助，您也願意支持打賞，謝謝您的鼓勵。

本文由J.J. Huang 創作，採用CC BY 3.0 TW協議進行許可。可自由轉載、引用，但需署名作者且註明文章出處。

J.J.'s Blogs

J.J. Huang 2026-04-09 Python OpenCV 07.物件偵測與辨識篇瀏覽次數：次 {{moment(1775696400000).fromNow()}}

Python | OpenCV YOLOv8 模型訓練

📚 前言

🔎 開始訓練前的確認

💻 基本訓練指令

🔹 指令列方式

🔹 Python API 方式

🧠 重要訓練參數說明

💡 模型選擇建議

💻 多張 GPU 訓練

⛃ GPU 記憶體不足（OOM）

💻 中斷後繼續訓練

⚠️ 注意事項

🎯 結語

J.J. Huang 2026-04-09 Python OpenCV 07.物件偵測與辨識篇 瀏覽次數：次 {{moment(1775696400000).fromNow()}}

Python | OpenCV YOLOv8 模型訓練

📚 前言

🔎 開始訓練前的確認

💻 基本訓練指令

🔹 指令列方式

🔹 Python API 方式

🧠 重要訓練參數說明

💡 模型選擇建議

💻 多張 GPU 訓練

⛃ GPU 記憶體不足（OOM）

💻 中斷後繼續訓練

⚠️ 注意事項

🎯 結語

J.J. Huang 2026-04-09 Python OpenCV 07.物件偵測與辨識篇瀏覽次數：次 {{moment(1775696400000).fromNow()}}