Yolo v8–2（Predicting&Training）
承接上一篇，Yolo v8有兩種操作的指令，你可以自行撰寫一個Python檔案，並且去執行他，或是使用命令列介面Command Line Interface (CLI)來操作。這邊我們統一打開終端機（Terminal）來操作。
打開 terminal
輸入 yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'
這邊他會從官方下載一張bus.jpg的圖片檔到你的電腦裡面，並且透過yolov8n這個模型去對這個圖片做預測（predict），預測後的結果會儲存在 runs/detect/predict的個資料夾裡面（預設會在你的使用者那層的資料夾）
原圖：
透過 Yolov8n預測出來的結果
以下是Yolo使用訓練的模型種類，總計5種
如果是做輕量的訓練，選擇YOLOv8n作為模型訓練模型即可。Yolo基本的圖像預測就到這邊結束了。
接著我們來做影像的模型訓練，也就是大家耳熟能詳的機器學習（Machine Learning），我們要透過訓練我們的模型，讓物件偵測的精準度提高到符合我們的預期。
官方的文件訓練檔案為coco.yaml 點擊這裡可以看到官方文件檔案，這裡我們拿他訓練好的yaml檔案作為我們此次的訓練的範例。
模型的訓練可以使用CPU GPU 或是M1晶片，請在終端機輸入以下指令：
使用CPU訓練： yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=cpu
請將後面的arguments 使用裝置（device）修改。
1. 使用GPU訓練(預設)： device=0
2. 使用複數個GPU： device=0,1
3. 使用M1或M2晶片：device=mps
以下是常見的arguments
model:使用的訓練模型
data:訓練的資料集
epoch:機器學習訓練時的迭代（訓練）次數
patience:
Patience 在機器學習訓練中通常指的是一種用於控制早停止（early stopping）的技術，特別是在監控模型性能時的一個參數。早停止是一種防止過度擬合（overfitting）的技術，它允許在模型在驗證數據集上的性能不再改善時提前停止訓練，以避免浪費計算資源並保持模型的泛化能力。
具體來說，patience 指的是當模型的性能在連續的一定次數的迭代中未顯著改善時，停止訓練。這個數字通常是一個超參數，你可以在訓練過程中設置它。當模型的性能在 patience次迭代中未改善時，訓練過程將被提前停止。
例如，假設你將 patience 設置為5，這意味著如果模型的性能在連續的5個迭代中都未改善，則訓練將停止。這有助於避免過度擬合，因為一旦模型在驗證數據集上的性能不再提高，繼續訓練可能會使模型過度擬合訓練數據。
Patience 的值需要根據具體的任務和數據來調整，通常是通過實驗和監控模型性能來確定最佳的值。較大的 patience 值意味著模型將有更多的機會在性能上改進，但也可能導致訓練時間過長。較小的 patience 值可能會使模型提前停止，因此需要謹慎選擇。
上文中提到的過度擬和（overfitting）的概念，我們可以使用一個生活中的例子來解釋：
假設你正在學習如何駕駛汽車，並且你計劃參加駕駛測試以獲得駕照。你決定練習駕駛，所以你去了一個空曠的停車場，這個停車場有許多橙色錐形交通錐。你開始練習，試圖在這些錐形交通錐之間進行靈活的駕駛。
在一開始，你可能會開得很小心，並試圖在每個錐形錐之間保持相等的距離。然而，隨著時間的推移，你可能開始在這個停車場內多次練習，並且你開始非常熟練。這時，你可能會變得過度自信，開始更快速地駕駛，並且可能開始忽略錐形錐的位置。
這就是過度擬合的一個例子：
- 適應訓練數據：一開始，你的駕駛行為受到了你的訓練數據（停車場內的錐形錐）的影響。你學會了如何在這些錐形錐之間駕駛，就像模型在訓練數據上學到了如何進行預測。
- 過度自信：隨著時間的推移，你變得過度自信，認為你可以在不考慮錐形錐的情況下駕駛。這就像模型在訓練數據上表現得很好，但無法泛化（Generalization）到新數據上。
- 失去泛化能力：當你在駕駛測試中遇到了不同的路況或交通情況時，你可能無法適應，因為你已經過度擬合了停車場的特定情境。這就像模型在新數據上表現不佳，因為它過度擬合了訓練數據，無法適應新數據。
在機器學習中，過度擬合是指模型在訓練數據上表現得很好，但在新數據上表現不佳的現象。為了避免過度擬合，我們通常需要使用正則化技術、更多的訓練數據，或者選擇更簡單的模型，以確保模型能夠更好地泛化到新數據。
以上是參數名詞解釋，看完之後，模型應該也差不多訓練完畢了。訓練過程如下，並保存到 run/detect/train
至於模型數據的解釋我之後會再額外開一篇文詳細說明，這裡不多做贅述。
點開train的資料夾後可以看到以下文件：
可以看到權重（weights）和視覺化（visualization）過後的資料，例如混淆矩陣（confusion matrix），PR曲線（PR curve）等等。
os:如果你嫌訓練太久，也可以使用Google Colab的T4 GPU來幫你做訓練（訓練速度海放M1晶片上百條街，我在模型訓練時都用這個，因為買不起T4顯卡QAQ）
以上就是今天的內容，下一章預計會講解如何對為分組資料做標記（Labeling），希望今天內容可以幫助到大家。
