yolov8代码记录---(tasks.py中的c1、c2和args) / (断点续训)

本文主要是介绍yolov8代码记录---(tasks.py中的c1、c2和args) / (断点续训)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、task中的c1、c2和args参数解析
如果你想在yolov8中修改或添加新的结构块，基本都会修改到task.py中的c1、c2和args参数。
此处以Conv所在的判断分支代码为例：

if m in (Classify, Conv, ConvTranspose, ..., C3x, RepC3):c1, c2 = ch[f], args[0]if c2 != nc:c2 = make_divisible(min(c2, max_channels) * width, 8)args = [c1, c2, *args[1:]]

yaml文件里backbone部分第一个Conv对应的参数：

- [-1, 1, Conv, [64, 3, 2]]

解析：
1、c1
c1表示这个模块的输入通道数，如下组合c1=ch[f]，其中ch[f]就是上个模块的输出通道数，因此c1=ch[f]的意思就是将上个模块的输出通道数作为这个模块的输入通道数。
2、c2
c2就是这个模块的输出通道数，说c2之前要先弄懂args。
3、args
初始的args就是backbone部分每个模块里的第4个参数，此处为args=[64, 3, 2]，由此可得c2=args[0]=64，由代码可见还要改变输出通道数c2的值，这就跟不同大小的模型n、s、m等联系起来了。

width：就是yaml文件里的width_multiple用于调节模型大小；
函数make_divisible(x, 8)的作用就是找一个能被8整除的最小的整数x，所以make_divisible(8, 8)=8，make_divisible(15, 8)=16，make_divisible(17, 8)=24。
然后yaml文件里还可设置max_channels，用于限制通道数。

当采用yolov8n模型时那c2=make_divisible(min(64, 1024) * 0.25, 8)=16了。

可以看到args最后也重新赋值了，由上解释可知args[1:]=[3, 2]，前面加个 * 的作用就是去掉中括号[]，那最终args=[3, 16, 3, 2]，不加 * 就是args=[3, 16, [3, 2]]，显然是要加 * 的，因为要将得到的参数args=[3, 16, 3, 2]传入conv.py里的Conv类，3、2分别表示卷积核的尺寸是3*3和步幅为2。

二、断点续训
当yolov8在训练的时候，如果训练中断，可通过修改代码，从上一次断掉处重新训练，实现断点续训。

第一种方法：
按照官方给出的恢复训练代码，用yolo命令格式，这种情况必须是环境以安装了yolo和ultralytics两个包：
yolov8：

yolo task=detect mode=train model=runs/detect/exp/weights/last.pt data=ultralytics/datasets/mydata.yaml epochs=100 save=True resume=True

第二种方法：
在ultralytics/yolo/engine/trainer.py中找到check_resume和resume_training。
注释check_resume中resume = self.args.resume，改成需要断点恢复的last.pt。
在resume_training里面添加一行ckpt的值：

def check_resume(self):# resume = self.args.resumeresume = 'runs/detect/exp/weights/last.pt';if resume:try:last = Path(check_file(resume) if isinstance(resume, (str,Path)) and Path(resume).exists() else get_latest_run())self.args = get_cfg(attempt_load_weights(last).args)self.args.model, resume = str(last), True  # reinstateexcept Exception as e:raise FileNotFoundError("Resume checkpoint not found. Please pass a valid checkpoint to resume from, ""i.e. 'yolo train resume model=path/to/last.pt'") from eself.resume = resumedef resume_training(self, ckpt):ckpt = torch.load('runs/detect/exp/weights/last.pt')if ckpt is None:returnbest_fitness = 0.0start_epoch = ckpt['epoch'] + 1if ckpt['optimizer'] is not None:self.optimizer.load_state_dict(ckpt['optimizer'])  # optimizerbest_fitness = ckpt['best_fitness']if self.ema and ckpt.get('ema'):self.ema.ema.load_state_dict(ckpt['ema'].float().state_dict())  # EMAself.ema.updates = ckpt['updates']if self.resume:assert start_epoch > 0, \f'{self.args.model} training to {self.epochs} epochs is finished, nothing to resume.\n' \f"Start a new training without --resume, i.e. 'yolo task=... mode=train model={self.args.model}'"LOGGER.info(f'Resuming training from {self.args.model} from epoch {start_epoch + 1} to {self.epochs} total epochs')if self.epochs < start_epoch:LOGGER.info(f"{self.model} has been trained for {ckpt['epoch']} epochs. Fine-tuning for {self.epochs} more epochs.")self.epochs += ckpt['epoch']  # finetune additional epochsself.best_fitness = best_fitnessself.start_epoch = start_epoch