请完成以下验证码
|
视频讲解：
前几期的视频介绍了数据标注、数据集准备以及yolov12的环境准备，今天开始训练
首先创建训练脚本，完整代码如下
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO(model=r'yolov12s.pt')
model.train(
# 指定数据集的配置文件路径，该文件包含了训练集、验证集的路径以及类别信息等
data=r'/home/dar/dev/yolo/dataset/gesture/num_gesture/data.yaml',
# 输入图像的尺寸大小，这里将所有输入图像调整为 640x640 像素
imgsz=640,
# 训练的总轮数，即整个数据集会被模型遍历 50 次
epochs=50,
# 每个批次中包含的图像数量，该值需要根据显存大小进行调整，避免显存溢出
batch=32,
# 用于数据加载的工作线程数量，设置为 0 表示使用主线程进行数据加载
workers=0,
# 指定用于训练的设备，0 表示使用第一块 GPU 进行训练，如果是多 GPU 系统，可通过修改该值选择不同的 GPU
device='0',
# 选择的优化器，这里使用随机梯度下降（SGD）优化器来更新模型的参数
optimizer='SGD',
# 在训练的最后 10 个 epoch 关闭 mosaic 数据增强方法，mosaic 是一种将多张图像拼接在一起进行训练的增强技术
close_mosaic=10,
# 是否从上次中断的位置继续训练，设置为 False 表示不继续，而是从头开始训练
resume=False,
# 训练结果（如模型权重、日志等）保存的项目目录
project='runs/train',
# 本次训练的名称，会作为项目目录下的子目录名，用于区分不同的训练实验
name='exp',
# 是否将所有类别视为一个单一类别进行训练，设置为 False 表示不使用单类别训练模式
single_cls=False,
# 是否开启数据缓存，开启后会将处理过的数据缓存起来，以加快后续训练的速度，但会占用一定的磁盘空间，设置为 False 表示不开启
cache=False,
)
过滤warning
warnings.filterwarnings('ignore')
指定data.yaml文件路径，前面视频创建的yaml文件
/home/dar/dev/yolo/dataset/gesture/num_gesture/data.yaml
如果内存炸了，就把这个降低
batch=32,
指定使用哪个gpu，也可以同时用多个，比如'0,1,2'，就是用三块gpu
device='0',
出现训练中断，如果想要继续，将resume改成True
model = YOLO(model=r'runs/train/exp/weight/last.pt')
resume=True
训练开始
