YOLO-Master 源码 Ultralytics 全局 cfg.yaml 参数逐段详解
这份配置是 Ultralytics 最新版本支持普通YOLO 训练、MoE 混合专家、LoRA 微调、小样本蒸馏、导出、追踪全功能的超参总表，我按模块拆分，从基础任务、训练、验证、推理、数据增强、损失、MoE、LoRA、小样本、导出、追踪逐一详细说明，区分通用检测参数、MoE 专属、LoRA 专属、Few-Shot 小样本专属
一、任务与运行模式
task:detectmode:train1. task：任务类型
- detect：目标检测（YOLOv8/n/s/m/l/x）
- segment：实例分割
- classify：图像分类
- pose：人体关键点检测
- obb：旋转框检测
2. mode：运行模式
- train：训练
- val：验证集评估
- predict：图片 / 视频推理
- export：模型导出 ONNX/TensorRT 等
- track：目标追踪
- benchmark：测速基准测试
二、Train 训练核心参数（最常用）
model:# 模型权重/结构yaml路径，如yolov8s.pt / yolov8s.yamldata:# 数据集yaml路径，定义train/val路径、类别、nc/namesepochs:100# 总训练轮数time:# 可选，最大训练小时，设置后覆盖epochs，到点自动停止patience:100# 早停：连续N轮验证指标不提升则终止；100=关闭早停batch:16# 批次大小；-1自动AutoBatch根据显存自适应imgsz:640# 训练输入图像尺寸，正方形；推理可填[h,w]矩形save:True# 保存权重、训练日志、结果图save_period:-1# 每N轮保存一次断点；-1仅存best.pt/shturl.cache:False# 数据集缓存：True/ram内存缓存，disk磁盘缓存，提速加载；大数据集建议Falsedevice:# GPU设备：0单卡、[0,1]多卡、cpu、-1自动选空闲卡workers:8# DataLoader加载线程，Windows建议0，Linux按CPU核心设project:# 结果保存根文件夹名name:# 本次实验子文件夹名，结果存 project/nameexist_ok:False# True会覆盖同名实验文件夹，False报错防止覆盖pretrained:True# 是否加载预训练权重；填字符串可指定自定义权重路径optimizer:auto# 优化器：SGD/Adam/AdamW/NAdam/RAdam/RMSProp；auto自动选verbose:True# 打印详细训练日志、每轮指标seed:0# 随机种子，固定后可复现实验deterministic:True# 开启确定性算子，结果完全复现，但训练速度变慢single_cls:False# 单类别训练，所有标签统一为0rect:False# 矩形训练批次，不统一拉伸为正方形，减少空白填充；val时自动开启矩形推理cos_lr:False# 是否使用余弦退火学习率，False默认线性衰减close_mosaic:10# 最后10轮关闭mosaic增强，避免后期分布偏移resume:False# True从shturl.断点续训amp:True# 自动混合精度FP16训练，节省显存、加速；显卡不支持会自动关闭fraction:1.0# 使用数据集比例，0.5只用一半训练集profile:False# 训练时导出模型测速分析日志freeze:# 冻结前N层（数字）或指定层索引列表，只训练后层multi_scale:False# 多尺度训练，随机缩放imgsz±50%，提升泛化，速度变慢compile:False# torch.compile编译模型加速推理；可选default/reduce-overhead/max-autotune-no-cudagraphs专属任务参数
1. Segment 分割专属
overlap_mask:True# 重叠实例mask合并输出mask_ratio:4# mask下采样倍率，降低mask计算显存开销2. Classify 分类专属
dropout:0.0# 分类头dropout概率，防止过拟合三、Val/Test 验证评估参数
val: