Link to this sectionUltralytics YOLO Hyperparameter-Tuning-Leitfaden#

Hyperparameter-Tuning in Ultralytics YOLO ist eine automatisierte, iterative Suche, die Einstellungen – wie Lernrate, Verlustgewichtungen und Augmentierungsstärke – optimiert, um die Leistungskennzahlen eines machine learning-Modells wie Genauigkeit, Präzision und Recall zu maximieren. Anstatt diese Werte manuell zu testen, erkundet Ultralytics YOLO den Hyperparameter-Raum mit einem genetischen Algorithmus, der in vielen kurzen Trainingsläufen Kandidatenkonfigurationen mutiert und bewertet.

Link to this sectionWas sind Hyperparameter?#

Hyperparameter sind übergeordnete, strukturelle Einstellungen für den Algorithmus. Sie werden vor der Trainingsphase festgelegt und bleiben währenddessen konstant. Hier sind einige häufig abgestimmte Hyperparameter in Ultralytics YOLO:

• Lernrate lr0: Bestimmt die Schrittweite bei jeder Iteration, während man sich auf ein Minimum in der Verlustfunktion zubewegt.
• Batch-Größe batch: Anzahl der Bilder, die gleichzeitig in einem Vorwärtsdurchlauf verarbeitet werden.
• Anzahl der Epochen epochs: Eine Epoche ist ein vollständiger Vorwärts- und Rückwärtsdurchlauf aller Trainingsbeispiele.
• Architekturspezifika: Wie Kanalanzahl, Anzahl der Schichten, Arten von Aktivierungsfunktionen usw.

Eine vollständige Liste der in YOLO26 verwendeten Augmentierungs-Hyperparameter findest du auf der Konfigurationsseite.

Link to this sectionGenetische Evolution und Mutation#

Ultralytics YOLO verwendet genetische Algorithmen, um Hyperparameter zu optimieren. Genetische Algorithmen sind vom Mechanismus der natürlichen Selektion und Genetik inspiriert.

• Crossover: Jede Iteration kombiniert Gene aus bis zu neun der bisher besten Fitness-Konfigurationen unter Verwendung von BLX-α-Crossover mit fitnessgewichteter Elternauswahl.
• Mutation: Der rekombinierte Kandidat wird dann durch einen log-normalen multiplikativen Faktor gestört, der auf jeden Hyperparameter angewendet wird (mit einer Wahrscheinlichkeit von 0,5 pro Parameter). Die Mutationsstärke Sigma klingt über die ersten 300 Iterationen linear von 0,2 auf 0,1 ab, sodass der Algorithmus früh breit explorieren kann und sich bei der Konvergenz verfeinert. Iteration 1 hat keine Eltern für das Crossover und verwendet die Standard-Trainingshyperparameter als Basis.

Link to this sectionVorbereitung auf das Hyperparameter-Tuning#

Bevor du mit dem Tuning-Prozess beginnst, ist es wichtig:

1. Identifiziere die Metriken: Bestimme die Metriken, die du zur Bewertung der Modellleistung verwenden wirst. Dies könnten AP50, F1-Score oder andere sein.
2. Lege das Tuning-Budget fest: Definiere, wie viele Rechenressourcen du bereit bist zuzuweisen. Hyperparameter-Tuning kann rechenintensiv sein.

Link to this sectionWie die Tuning-Schleife funktioniert#

Für jede Iteration wiederholt der integrierte Tuner die folgende Schleife:

1. Hyperparameter initialisieren – beginne mit einer vernünftigen Basis, entweder den von Ultralytics YOLO vorgegebenen Standard-Hyperparametern oder Werten, die auf deinem Fachwissen oder früheren Experimenten basieren.
2. Hyperparameter mutieren — die Tuner-Klasse erstellt mit ihrer _mutate-Methode automatisch einen neuen Satz an Hyperparametern aus dem bestehenden Satz.
3. Das Modell trainieren – trainiere mit den mutierten Hyperparametern und bewerte anschließend die Trainingsleistung anhand deiner gewählten Metriken.
4. Das Modell evaluieren — nutze Metriken wie AP50, F1-Score oder benutzerdefinierte Metriken während des Evaluierungsprozesses, um zu bestimmen, ob die aktuellen Hyperparameter eine Verbesserung gegenüber den vorherigen darstellen.
5. Ergebnisse protokollieren – zeichne sowohl die Leistungsmetriken als auch die entsprechenden Hyperparameter für zukünftige Referenzzwecke auf. Ultralytics YOLO speichert diese Ergebnisse automatisch im NDJSON-Format.
6. Wiederholen – fahre fort, bis die festgelegte Anzahl an Iterationen erreicht ist oder die Leistungsmetrik zufriedenstellend ist, wobei jede Iteration auf den Erkenntnissen aus den vorherigen Läufen aufbaut.

Link to this sectionIterationen und Populationsgröße#

Mit dem integrierten Tuner (use_ray=False) steuert iterations die Gesamtzahl der sequenziellen Versuche. Jeder Versuch trainiert ein Modell mit einer Hyperparameter-Konfiguration – zum Beispiel planen iterations=40 mit epochs=50 40 unabhängige 50-Epochen-Trainingsläufe, nicht einen 50-Epochen-Lauf mit einer separaten Population von 40 Kandidaten.

Der integrierte genetische Algorithmus hat keinen expliziten Populationsgrößen-Parameter. Sobald frühere Versuche existieren, entnimmt er bis zu neun der Konfigurationen mit der höchsten Fitness als Eltern, wendet BLX-α-Crossover und Mutation an und erstellt pro Iteration einen Kandidaten.

Für parallele Versuche oder fortgeschrittene Suchstrategien setze use_ray=True, um Ray Tune zu verwenden, das iterations als num_samples empfängt. Siehe den Ray Tune-Integrationsleitfaden für Details.

Link to this sectionStandard-Suchraum#

Die folgende Tabelle listet die Standard-Suchraumparameter für das Hyperparameter-Tuning in YOLO26 auf. Jeder Parameter hat einen spezifischen Wertebereich, der durch ein Tupel (min, max) definiert ist.

Link to this sectionBeispiel für einen benutzerdefinierten Suchraum#

Hier erfährst du, wie du einen Suchraum definierst und die model.tune()-Methode verwendest, um die Tuner-Klasse für das Hyperparameter-Tuning von YOLO26n auf COCO8 für 30 Epochen mit einem AdamW-Optimizer zu nutzen, wobei das Plotten, Checkpointing und die Validierung außerhalb der letzten Epoche übersprungen werden, um ein schnelleres Tuning zu ermöglichen.

from ultralytics import YOLO

# Initialize the YOLO model
model = YOLO("yolo26n.pt")

# Define search space
search_space = {
    "lr0": (1e-5, 1e-2),
    "degrees": (0.0, 45.0),
}

# Tune hyperparameters on COCO8 for 30 epochs
model.tune(
    data="coco8.yaml",
    epochs=30,
    iterations=300,
    optimizer="AdamW",
    space=search_space,
    plots=False,
    save=False,
    val=False,
)

Link to this sectionFortsetzen einer unterbrochenen Hyperparameter-Tuning-Sitzung#

Du kannst eine unterbrochene Hyperparameter-Optimierung fortsetzen, indem du resume=True übergibst. Optional kannst du das Verzeichnis name angeben, das unter runs/{task} verwendet wurde, um die Fortsetzung zu starten. Andernfalls wird die letzte unterbrochene Sitzung fortgesetzt. Du musst außerdem alle vorherigen Trainingsargumente bereitstellen, einschließlich data, epochs, iterations und space.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Define search space
search_space = {
    "lr0": (1e-5, 1e-2),
    "degrees": (0.0, 45.0),
}

# Resume previous run
results = model.tune(data="coco8.yaml", epochs=50, iterations=300, space=search_space, resume=True)

# Resume tuning run with name 'tune_exp'
results = model.tune(data="coco8.yaml", epochs=50, iterations=300, space=search_space, name="tune_exp", resume=True)

Link to this sectionErgebnisse#

Nachdem du den Hyperparameter-Tuning-Prozess erfolgreich abgeschlossen hast, erhältst du mehrere Dateien und Verzeichnisse, die die Ergebnisse des Tunings zusammenfassen. Im Folgenden wird jedes beschrieben:

Link to this sectionDateistruktur#

So sieht die Verzeichnisstruktur der Ergebnisse aus. Trainingsverzeichnisse wie train1/ enthalten einzelne Tuning-Iterationen, d. h. ein mit einem Hyperparametersatz trainiertes Modell. Das tune/-Verzeichnis enthält Tuning-Ergebnisse aller individuellen Modelltrainings:

runs/
└── detect/
    ├── train1/
    ├── train2/
    ├── ...
    └── tune/
        ├── best_hyperparameters.yaml
        ├── tune_fitness.png
        ├── tune_results.ndjson
        ├── tune_scatter_plots.png
        └── weights/
            ├── last.pt
            └── best.pt

Link to this sectionDateibeschreibungen#

Link to this sectionbest_hyperparameters.yaml#

Diese YAML-Datei enthält die leistungsstärksten Hyperparameter, die während des Tuning-Prozesses gefunden wurden. Du kannst diese Datei verwenden, um zukünftige Trainings mit diesen optimierten Einstellungen zu initialisieren.

• Format: YAML

• Verwendung: Hyperparameter-Ergebnisse

• Beispiel:

  # 558/900 iterations complete ✅ (45536.81s)
  # Results saved to /usr/src/ultralytics/runs/detect/tune
  # Best fitness=0.64297 observed at iteration 498
  # Best fitness metrics are {'metrics/precision(B)': 0.87247, 'metrics/recall(B)': 0.71387, 'metrics/mAP50(B)': 0.79106, 'metrics/mAP50-95(B)': 0.62651, 'val/box_loss': 2.79884, 'val/cls_loss': 2.72386, 'val/dfl_loss': 0.68503, 'fitness': 0.64297}
  # Best fitness model is /usr/src/ultralytics/runs/detect/train498
  # Best fitness hyperparameters are printed below.
  
  lr0: 0.00269
  lrf: 0.00288
  momentum: 0.73375
  weight_decay: 0.00015
  warmup_epochs: 1.22935
  warmup_momentum: 0.1525
  box: 18.27875
  cls: 1.32899
  dfl: 0.56016
  hsv_h: 0.01148
  hsv_s: 0.53554
  hsv_v: 0.13636
  degrees: 0.0
  translate: 0.12431
  scale: 0.07643
  shear: 0.0
  perspective: 0.0
  flipud: 0.0
  fliplr: 0.08631
  mosaic: 0.42551
  mixup: 0.0
  copy_paste: 0.0

Link to this sectiontune_fitness.png#

Dies ist ein Diagramm, das die Fitness gegenüber der Anzahl der Iterationen anzeigt. Es hilft dir zu visualisieren, wie der genetische Algorithmus über die Zeit performt hat.

• Format: PNG
• Verwendung: Leistungsvisualisierung

Das Diagramm enthält:

• Einen Marker pro Iteration pro Datensatz, sodass ein Einzel-Datensatz-Lauf einen Punkt pro Iteration und ein Multi-Datensatz-Lauf einen Punkt pro Datensatz pro Iteration zeigt.
• Eine gepunktete "geglättete Mittelwert"-Linie, die als Gaußsche Glättung (sigma=3) über die Top-Level-Fitnesswerte pro Iteration berechnet wurde.

Link to this sectiontune_results.ndjson#

Eine NDJSON-Datei mit detaillierten Ergebnissen jeder Tuning-Iteration. Jede Zeile ist ein JSON-Objekt mit der aggregierten Fitness, den abgestimmten Hyperparametern und den Metriken pro Datensatz. Einzel- und Multi-Datensatz-Tuning verwenden das gleiche Dateiformat.

• Format: NDJSON
• Verwendung: Verfolgung der Ergebnisse pro Iteration.
• Beispiel:

Ein übersichtlich formatiertes Beispiel folgt zur besseren Lesbarkeit; in der eigentlichen .ndjson-Datei ist jedes Objekt in einer einzigen Zeile gespeichert.

{
    "iteration": 1,
    "fitness": 0.48628,
    "hyperparameters": {
        "lr0": 0.01,
        "lrf": 0.01,
        "momentum": 0.937,
        "weight_decay": 0.0005
    },
    "datasets": {
        "coco8": {
            "metrics/precision(B)": 0.65666,
            "metrics/recall(B)": 0.85,
            "metrics/mAP50(B)": 0.85086,
            "metrics/mAP50-95(B)": 0.64104,
            "val/box_loss": 1.57958,
            "val/cls_loss": 1.04986,
            "val/dfl_loss": 1.32641,
            "fitness": 0.64104
        },
        "coco8-grayscale": {
            "metrics/precision(B)": 0.6582,
            "metrics/recall(B)": 0.51667,
            "metrics/mAP50(B)": 0.59106,
            "metrics/mAP50-95(B)": 0.33152,
            "val/box_loss": 1.95424,
            "val/cls_loss": 1.64059,
            "val/dfl_loss": 1.70226,
            "fitness": 0.33152
        }
    },
    "save_dirs": {
        "coco8": "runs/detect/coco8",
        "coco8-grayscale": "runs/detect/coco8-grayscale"
    }
}

Der fitness-Wert auf oberster Ebene ist das arithmetische Mittel der fitness-Werte pro Datensatz. Bei der Optimierung für einen einzelnen Datensatz enthält das datasets-Dict einen Eintrag, dessen fitness der fitness auf oberster Ebene entspricht. Pro abgeschlossener Iteration wird ein JSON-Objekt aufgezeichnet. Die tatsächlichen save_dirs-Pfade sind absolut; sie wurden oben aus Gründen der Lesbarkeit gekürzt.

Link to this sectiontune_scatter_plots.png#

Diese Datei enthält Streudiagramme, die aus tune_results.ndjson generiert wurden und dir helfen, die Beziehungen zwischen verschiedenen Hyperparametern und Leistungsmetriken zu visualisieren. Hyperparameter, deren Standardwert 0 ist (zum Beispiel degrees und shear weiter unten), entwickeln sich möglicherweise nur langsam von ihrem anfänglichen Startwert aus, da der multiplikative Mutationsfaktor bei einem Wert nahe null sehr wenig Spielraum hat.

• Format: PNG
• Nutzung: Explorative Datenanalyse

Link to this sectionweights/#

Dieses Verzeichnis enthält die gespeicherten PyTorch-Modelle für die letzten und die besten Iterationen während des Hyperparameter-Tuning-Prozesses.

• last.pt: last.pt sind die Gewichte aus der letzten Trainingsepoche.
• best.pt: Die best.pt-Gewichte für die Iteration, die den besten Fitnesswert erreicht hat.

Unter Verwendung dieser Ergebnisse kannst du fundiertere Entscheidungen für zukünftige Modelltrainings und Analysen treffen.

Link to this sectionFazit#

Hyperparameter-Tuning in Ultralytics YOLO ist sowohl einfach zu starten als auch leistungsstark unter der Haube, indem es BLX-α Crossover mit log-normaler Mutation in einem genetischen Algorithmus kombiniert. Wenn du der in dieser Anleitung beschriebenen Schleife folgst, kannst du dein Modell systematisch für eine bessere Leistung optimieren und anschließend die resultierende best_hyperparameters.yaml verwenden, um zukünftige Trainingsläufe zu initialisieren. Um das Tuning auf parallele Testreihen und fortschrittlichere Suchalgorithmen zu skalieren, fahre mit dem Ray Tune-Integrationsleitfaden fort oder führe verwaltete Jobs mit konfigurierbaren Hyperparametern und Echtzeit-Metrik-Tracking auf der Ultralytics Platform via cloud training aus.

Für tiefere Einblicke erkunde den Quellcode der Tuner-Klasse. Wenn du Fragen oder Funktionswünsche hast, melde dich auf GitHub oder Discord.

Link to this sectionFAQ#

Link to this sectionWie optimiere ich die Lernrate für Ultralytics YOLO während des Hyperparameter-Tunings?#

Setze einen Anfangswert mit dem lr0-Parameter – übliche Werte liegen zwischen 0.001 und 0.01 – und lass das Tuning ihn von dort aus mutieren, um das Optimum zu finden. Du kannst dies mit der model.tune()-Methode automatisieren. Zum Beispiel:

from ultralytics import YOLO

# Initialize the YOLO model
model = YOLO("yolo26n.pt")

# Tune hyperparameters on COCO8 for 30 epochs
model.tune(data="coco8.yaml", epochs=30, iterations=300, optimizer="AdamW", plots=False, save=False, val=False)

Weitere Details findest du auf der Konfigurationsseite von Ultralytics YOLO.

Link to this sectionWas sind die Vorteile der Verwendung genetischer Algorithmen für das Hyperparameter-Tuning in YOLO26?#

Genetische Algorithmen in Ultralytics YOLO26 bieten eine robuste Methode zur Erkundung des Hyperparameter-Raums, was zu einer hochgradig optimierten Modellleistung führt. Zu den Hauptvorteilen gehören:

• Effiziente Suche: BLX-α-Crossover kombiniert Gene von Eltern mit der höchsten Fitness, während eine log-normale Mutation das Ergebnis stört, um neue Kandidaten zu entdecken.
• Vermeidung lokaler Minima: Durch die Einführung von Zufälligkeit helfen sie dabei, lokale Minima zu vermeiden und eine bessere globale Optimierung sicherzustellen.
• Leistungsmetriken: Sie passen sich basierend auf einem aufgabenspezifischen Fitnesswert an (mAP50-95 für die Erkennung).

Um zu sehen, wie genetische Algorithmen Hyperparameter optimieren können, schau dir den Hyperparameter-Evolutions-Guide an.

Link to this sectionWie lange dauert der Hyperparameter-Tuning-Prozess für Ultralytics YOLO?#

Die für das Hyperparameter-Tuning mit Ultralytics YOLO benötigte Zeit hängt weitgehend von mehreren Faktoren ab, wie der Größe des Datensatzes, der Komplexität der Modellarchitektur, der Anzahl der Iterationen und den verfügbaren Rechenressourcen. Zum Beispiel kann das Tuning von YOLO26n auf einem Datensatz wie COCO8 für 30 Epochen je nach Hardware mehrere Stunden bis Tage dauern.

Um die Tuning-Zeit effektiv zu verwalten, definiere vorher ein klares Tuning-Budget, wie unter Vorbereitung auf Hyperparameter-Tuning beschrieben. Dies hilft dabei, die Ressourcenzuweisung und die Optimierungsziele in Einklang zu bringen.

Link to this sectionWelche Metriken sollte ich verwenden, um die Modellleistung während des Hyperparameter-Tunings in YOLO zu bewerten?#

Bei der Bewertung der Modellleistung während des Hyperparameter-Tunings in YOLO kannst du mehrere wichtige Metriken verwenden:

• AP50: Die durchschnittliche Präzision bei einem IoU-Schwellenwert von 0.50.
• F1-Score: Das harmonische Mittel aus Präzision und Trefferquote (Recall).
• Präzision und Recall: Individuelle Metriken, die die Genauigkeit des Modells bei der Identifizierung von echten Positiven im Vergleich zu falschen Positiven und falschen Negativen angeben.

Diese Metriken helfen dir, verschiedene Aspekte der Leistung deines Modells zu verstehen. Siehe den Leitfaden zu den Leistungsmetriken von Ultralytics YOLO für einen umfassenden Überblick.

Link to this sectionKann ich Ray Tune für fortgeschrittene Hyperparameter-Optimierung mit YOLO26 verwenden?#

Ja, Ultralytics YOLO26 lässt sich für fortgeschrittene Hyperparameter-Optimierung in Ray Tune integrieren. Ray Tune bietet ausgefeilte Suchalgorithmen wie Bayes'sche Optimierung und Hyperband sowie Funktionen zur parallelen Ausführung, um den Tuning-Prozess zu beschleunigen.

Um Ray Tune mit YOLO26 zu verwenden, setze einfach den Parameter use_ray=True in deinem model.tune()-Methodenaufruf. Für weitere Details und Beispiele schau dir den Integrationsleitfaden für Ray Tune an.