Bewährte Verfahren und Tipps zum maschinellen Lernen für das Modelltraining#

Einführung#

Einer der wichtigsten Schritte bei der Arbeit an einem Computer-Vision-Projekt ist das Modelltraining. Bevor du diesen Schritt erreichst, musst du deine Ziele festlegen und deine Daten erfassen und annotieren. Nachdem du die Daten vorverarbeitet und sichergestellt hast, dass sie sauber und konsistent sind, kannst du mit dem Training deines Modells beginnen.

Beim Modelltraining lernt dein Modell, visuelle Muster zu erkennen und anhand deiner Daten Vorhersagen zu treffen. Dieser Prozess beeinflusst unmittelbar die Genauigkeit deiner Anwendung. Dieser Leitfaden behandelt bewährte Verfahren, Optimierungstechniken und Tipps zur Fehlerbehebung, damit du deine Computer-Vision-Modelle effektiv trainieren kannst.

Ansehen: Tipps zum Modelltraining | Umgang mit großen Datensätzen | Batch-Größe, GPU-Auslastung und gemischte Präzision

So trainierst du ein Machine-Learning-Modell#

Ein Computer-Vision-Modell wird trainiert, indem seine internen Parameter angepasst werden, um Fehler zu minimieren. Zunächst erhält das Modell eine große Menge annotierter Bilder. Es erstellt Vorhersagen darüber, was auf diesen Bildern zu sehen ist. Diese Vorhersagen werden mit den tatsächlichen Labels oder Inhalten verglichen, um Fehler zu berechnen. Die Fehler zeigen, wie stark die Vorhersagen des Modells von den tatsächlichen Werten abweichen.

Während des Trainings erstellt das Modell iterativ Vorhersagen, berechnet Fehler und aktualisiert seine Parameter in einem als Backpropagation bezeichneten Prozess. Dabei passt das Modell seine internen Parameter (Gewichte und Biases) an, um die Fehler zu verringern. Durch viele Wiederholungen dieses Zyklus verbessert sich die Genauigkeit des Modells schrittweise. Mit der Zeit lernt es, komplexe Muster wie Formen, Farben und Texturen zu erkennen.

Durch diesen Lernprozess kann das Computer-Vision-Modell verschiedene Aufgaben ausführen, darunter Objekterkennung, Instanzsegmentierung, semantische Segmentierung und Bildklassifizierung. Das übergeordnete Ziel ist ein Modell, das sein Wissen auf neue, bisher unbekannte Bilder übertragen kann, um visuelle Daten in realen Anwendungen zuverlässig zu verstehen.

Nachdem wir nun wissen, was beim Training eines Modells im Hintergrund geschieht, sehen wir uns an, was beim Modelltraining zu beachten ist.

Training mit großen Datensätzen#

Wenn du ein Modell mit einem großen Dataset trainieren möchtest, solltest du mehrere Aspekte berücksichtigen. Du kannst zum Beispiel die Batchgröße anpassen, die GPU-Auslastung steuern oder Multiskalen-Training verwenden. Sehen wir uns diese Möglichkeiten im Detail an.

Batchgröße und GPU-Auslastung#

Beim Training von Modellen mit großen Datensätzen ist eine effiziente Nutzung deiner GPU entscheidend. Die Batchgröße ist dabei ein wichtiger Faktor. Sie gibt an, wie viele Datenbeispiele ein Machine-Learning-Modell in einem einzelnen Trainingsschritt verarbeitet. Wenn du die von deiner GPU unterstützte maximale Batchgröße verwendest, kannst du ihre Fähigkeiten voll ausschöpfen und die Trainingszeit verkürzen. Achte jedoch darauf, dass der GPU-Speicher nicht ausgeht. Falls Speicherfehler auftreten, verringere die Batchgröße schrittweise, bis das Modell reibungslos trainiert.

Ansehen: So beschleunigst du die Inferenz mit Ultralytics YOLO26 durch Batchverarbeitung um das 2-Fache | Python & GPU | MLOps 🚀

Bei YOLO26 kannst du den Parameter batch in den Argumenten des Train-Modus entsprechend der Kapazität deiner GPU einstellen. Bei einem einzelnen Beschleuniger profiliert batch=-1 das Modell und wählt eine Batchgröße, die auf ungefähr 60 % Speicherauslastung abzielt. Ein Anteil wie batch=0.70 zielt auf einen anderen Wert ab. Bei Läufen mit mehreren GPUs muss die globale Batchgröße explizit angegeben werden und ein Vielfaches der Geräteanzahl sein. Auf CPU und Apple-Chips weist AutoBatch eine Warnung aus und greift auf batch=16 zurück.

Training mit einer Teilmenge#

Das Training mit einer Teilmenge ist eine praktische Strategie, bei der dein Modell mit einer kleineren Datenmenge trainiert wird, die den größeren Datensatz repräsentiert. Das kann Zeit und Ressourcen sparen, besonders in der frühen Entwicklungs- und Testphase eines Modells. Wenn du wenig Zeit hast oder verschiedene Modellkonfigurationen ausprobierst, ist das Training mit einer Teilmenge eine gute Option.

Für YOLO26 kannst du das Training mit einer Teilmenge über den Parameter fraction umsetzen. Verwende einen Anteil wie fraction=0.1 für 10 % der Trainingsdaten, eine Ganzzahl wie fraction=300 für genau 300 Trainingsbilder oder eine Liste [train, val, test] wie fraction=[300, 100, 0], um die Größe jeder Teilmenge zu begrenzen und Testbilder auszulassen. Bei Listen mit zwei Elementen wie [300, 100] bleibt die Testmenge vollständig erhalten. NDJSON-Datensätze wählen vor dem Herunterladen gleichmäßig verteilte Datensätzeinträge aus, sodass bei wiederholten Durchläufen dieselbe Teilmenge verwendet wird. Mit dieser Technik kannst du schnell iterieren und optimieren, bevor du den vollständigen Datensatz verwendest.

Multiskalen-Training#

Multiskalen-Training verbessert die Generalisierungsfähigkeit deines Modells, indem es mit Bildern unterschiedlicher Größe trainiert wird. So lernt dein Modell, Objekte in verschiedenen Größen und Entfernungen zu erkennen, und wird robuster.

Beim Training von YOLO26 kannst du die Maßstabsaugmentierung aktivieren, indem du den Parameter scale festlegst. Dieser Parameter passt die Größe der Trainingsbilder um einen angegebenen Faktor an und simuliert so Objekte in unterschiedlichen Entfernungen. Mit der Einstellung scale=0.5 werden Trainingsbilder beispielsweise während des Trainings zufällig um einen Faktor zwischen 0,5 und 1,5 vergrößert oder verkleinert. Durch die Konfiguration dieses Parameters sieht dein Modell verschiedene Bildmaßstäbe und kann Objekte unterschiedlicher Größe und in verschiedenen Szenarien besser erkennen.

Ultralytics unterstützt außerdem Multiskalen-Training mit unterschiedlichen Bildgrößen über den Parameter multi_scale. Anders als scale, das Bilder vergrößert oder verkleinert und anschließend wieder auf imgsz auffüllt oder zuschneidet, ändert multi_scale in jedem Batch imgsz selbst (gerundet auf den Modell-Stride). Bei imgsz=640 und multi_scale=0.25 wird die Trainingsgröße beispielsweise in Stride-Schritten von 480 bis 800 gezogen (z. B. 480, 512, 544, ..., 800), während multi_scale=0.0 eine feste Größe beibehält.

Caching#

Caching ist eine wichtige Technik, um das Training von Machine-Learning-Modellen effizienter zu machen. Durch das Speichern vorverarbeiteter Bilder im Arbeitsspeicher muss die GPU weniger darauf warten, dass Daten von der Festplatte geladen werden. Das Modell kann so kontinuierlich Daten erhalten, ohne dass Verzögerungen durch Festplatten-E/A entstehen.

Beim Training von YOLO26 lässt sich das Caching über den Parameter cache steuern:

• cache=True: Speichert Dataset-Bilder im RAM. Das ermöglicht den schnellsten Zugriff, erhöht jedoch den Speicherbedarf.
• cache='disk': Speichert die Bilder auf der Festplatte. Das ist langsamer als RAM, aber schneller, als die Daten jedes Mal neu zu laden.
• cache=False: Deaktiviert das Caching. Die Daten werden vollständig über Festplatten-E/A geladen, was die langsamste Option ist.

Training mit gemischter Genauigkeit#

Beim Training mit gemischter Präzision kommen sowohl Gleitkommatypen mit 16 Bit (FP16) als auch mit 32 Bit (FP32) zum Einsatz: FP16 für schnellere Berechnungen und FP32, um bei Bedarf die Präzision zu erhalten. Die meisten Operationen des neuronalen Netzes werden in FP16 ausgeführt, um von den schnelleren Berechnungen und dem geringeren Speicherbedarf zu profitieren. Eine Kopie der Modellgewichte wird jedoch in FP32 beibehalten, um die Genauigkeit bei der Aktualisierung der Gewichte sicherzustellen. So kannst du größere Modelle oder größere Batch-Größen innerhalb derselben Hardwaregrenzen verarbeiten.

Für das Training mit gemischter Genauigkeit musst du deine Trainingsskripte anpassen und sicherstellen, dass deine Hardware (z. B. GPUs) diese Funktion unterstützt. Viele moderne Frameworks für Deep Learning, darunter PyTorch und TensorFlow, bieten integrierte Unterstützung für gemischte Genauigkeit.

Das Training mit gemischter Präzision ist bei YOLO26 unkompliziert: AMP ist standardmäßig aktiviert (amp=True). Auf einer CUDA-GPU führt YOLO zu Beginn des Trainings einmalig eine Kompatibilitätsprüfung durch und verwendet bei einem Fehlschlag stattdessen ausschließlich FP32. Auf CPU und Apple Silicon wird AMP vollständig übersprungen. Setze amp=False, um FP32 zu erzwingen, oder amp="bf16", um auf unterstützten GPUs mit bfloat16 zu trainieren.

Vortrainierte Gewichte#

Die Verwendung vortrainierter Gewichte ist eine effektive Möglichkeit, den Trainingsprozess deines Modells zu beschleunigen. Vortrainierte Gewichte stammen von Modellen, die bereits mit großen Datensätzen trainiert wurden, und verschaffen deinem Modell einen Vorsprung. Transferlernen passt vortrainierte Modelle an neue, verwandte Aufgaben an. Beim Fine-Tuning eines vortrainierten Modells beginnst du mit diesen Gewichten und setzt das Training mit deinem spezifischen Datensatz fort. Dadurch verkürzt sich die Trainingszeit, und oft verbessert sich auch die Leistung, da das Modell bereits ein solides Verständnis grundlegender Merkmale mitbringt.

Vortrainierte Gewichte werden über das Argument model geladen, sodass model=yolo26n.pt bereits mit COCO-Gewichten startet. Der Parameter pretrained legt fest, ob diese Gewichte beibehalten (True, Standard), verworfen (False) oder durch einen anderen Prüfpunkt ersetzt werden (pretrained=path/to/best.pt). Wenn du pretrained=True für ein *.yaml-Modell setzt, werden dadurch nicht automatisch Gewichte abgerufen. Den vollständigen Transfer-Learning-Workflow findest du unter YOLO mit einem benutzerdefinierten Dataset feinabstimmen.

Weitere Techniken für große Datensätze#

Für den Umgang mit großen Datensätzen solltest du noch einige weitere Techniken in Betracht ziehen:

• Lernraten-Scheduler: Lernraten-Scheduler passen die Lernrate während des Trainings dynamisch an. Eine gut abgestimmte Lernrate kann verhindern, dass das Modell Minima überschreitet, und die Stabilität verbessern. Beim Training von YOLO26 hilft der Parameter lrf bei der Steuerung des Lernraten-Schedulers, indem er die endgültige Lernrate als Anteil der anfänglichen Lernrate festlegt. Für Verhaltensweisen, die sich nicht über ein Argument einstellen lassen, etwa Lernraten pro Ebene oder Gradienten-Clipping, leite den Trainer ab.
• Verteiltes Training: Bei großen Datensätzen verkürzt verteiltes Training die Trainingszeit, indem die Arbeitslast auf mehrere GPUs oder Rechner verteilt wird. Dieser Ansatz ist besonders bei Projekten im Unternehmensmaßstab mit umfangreichen Rechenressourcen wertvoll.
• Speicherformat Channels-last: Beim CUDA-Training wird unter PyTorch 1.11 und neuer automatisch das schnellere NHWC-Speicherlayout verwendet; unter Windows nicht, da es dort langsamer gemessen wurde. Setze channels_last=True, um es zu erzwingen, oder channels_last=False, um NCHW beizubehalten. Unter PyTorch 1.10 und älter sowie auf CPU und MPS bleibt NCHW standardmäßig eingestellt.

Die Anzahl der Trainingsepochen#

Beim Modelltraining bezeichnet eine Epoche einen vollständigen Durchlauf durch den gesamten Trainingsdatensatz. Während einer Epoche verarbeitet das Modell jedes Beispiel im Trainingsbestand einmal und aktualisiert seine Parameter entsprechend dem Lernalgorithmus. In der Regel sind mehrere Epochen nötig, damit das Modell seine Parameter im Laufe der Zeit erlernen und verfeinern kann.

Eine häufige Frage lautet, wie viele Epochen für das Modelltraining angesetzt werden sollten. Ein guter Ausgangspunkt sind 300 Epochen. Wenn das Modell früh überlernt, kannst du die Epochenzahl reduzieren. Tritt nach 300 Epochen kein Overfitting auf, kannst du das Training auf 600, 1200 oder mehr Epochen verlängern.

Die ideale Epochenzahl hängt jedoch von der Größe deines Datasets und den Zielen deines Projekts ab. Bei größeren Datensätzen sind möglicherweise mehr Epochen nötig, damit das Modell effektiv lernt. Kleinere Datensätze erfordern unter Umständen weniger Epochen, um Overfitting zu vermeiden. Bei YOLO26 kannst du den Parameter epochs in deinem Trainingsskript setzen.

Vorzeitiger Trainingsabbruch#

Ein vorzeitiger Trainingsabbruch ist eine nützliche Technik zur Optimierung des Modelltrainings. Wenn du die Validierungsleistung überwachst, kannst du das Training beenden, sobald sich das Modell nicht mehr verbessert. So sparst du Rechenressourcen und verhinderst Overfitting.

Dazu legst du einen Geduldsparameter fest, der bestimmt, wie viele Epochen auf eine Verbesserung der Validierungsmetriken gewartet wird, bevor das Training abgebrochen wird. Verbessert sich die Leistung des Modells innerhalb dieser Epochen nicht, wird das Training beendet, um Zeit und Ressourcen zu sparen.

Für YOLO26 kannst du den vorzeitigen Trainingsabbruch aktivieren, indem du in deiner Trainingskonfiguration den Parameter patience festlegst. Zum Beispiel bedeutet patience=5, dass das Training beendet wird, wenn sich die Validierungsmetriken 5 Epochen in Folge nicht verbessern. So bleibt das Training effizient und unnötige Berechnungen werden vermieden.

Cloud-Training oder lokales Training auswählen#

Für das Training deines Modells gibt es zwei Möglichkeiten: Cloud-Training und lokales Training.

Cloud-Training bietet Skalierbarkeit und leistungsstarke Hardware und eignet sich ideal für große Datensätze und komplexe Modelle. Plattformen wie Google Cloud, AWS und Azure stellen leistungsstarke GPUs und TPUs bei Bedarf bereit. Dadurch verkürzen sich die Trainingszeiten und Experimente mit größeren Modellen werden möglich. Auch die Ultralytics Platform bietet verwaltetes Cloud-Training für YOLO-Modelle. Cloud-Training kann jedoch teuer sein, insbesondere bei längerer Nutzung. Auch die Datenübertragung kann zusätzliche Kosten und Verzögerungen verursachen.

Lokales Training bietet mehr Kontrolle und Anpassungsmöglichkeiten. So kannst du deine Umgebung auf bestimmte Anforderungen zuschneiden und laufende Cloud-Kosten vermeiden. Bei langfristigen Projekten kann es kostengünstiger sein. Da deine Daten vor Ort bleiben, ist es zudem sicherer. Die lokale Hardware kann jedoch Ressourcenbeschränkungen unterliegen und Wartung erfordern, was bei großen Modellen zu längeren Trainingszeiten führen kann.

Einen Optimierer auswählen#

Ein Optimierer ist ein Algorithmus, der die Gewichte deines neuronalen Netzwerks anpasst, um die Verlustfunktion zu minimieren, die misst, wie gut das Modell arbeitet. Einfach gesagt hilft der Optimierer dem Modell beim Lernen, indem er seine Parameter anpasst, um Fehler zu reduzieren. Die Wahl des richtigen Optimierers wirkt sich direkt darauf aus, wie schnell und genau das Modell lernt.

Du kannst auch die Optimiererparameter feinabstimmen, um die Modellleistung zu verbessern. Mit der Lernrate legst du die Schrittgröße beim Aktualisieren der Parameter fest. Für mehr Stabilität kannst du zunächst eine moderate Lernrate verwenden und sie mit der Zeit schrittweise senken, um das langfristige Lernen zu verbessern. Außerdem bestimmt der Momentum-Wert, wie stark sich frühere Aktualisierungen auf die aktuellen auswirken. Ein üblicher Momentum-Wert liegt bei etwa 0,9. Damit wird in der Regel eine gute Balance erreicht.

Gängige Optimierer#

Verschiedene Optimierer haben unterschiedliche Stärken und Schwächen. Hier sind einige gängige Optimierer.

• SGD (stochastischer Gradientenabstieg):

  • Aktualisiert Modellparameter anhand des Gradienten der Verlustfunktion bezüglich dieser Parameter.
  • Einfach und effizient, aber die Konvergenz kann langsam sein, und der Optimierer kann in lokalen Minima stecken bleiben.

• Adam (adaptive Momentenschätzung):

  • Vereint die Vorteile von SGD mit Momentum und RMSProp.
  • Passt die Lernrate für jeden Parameter anhand von Schätzungen des ersten und zweiten Moments der Gradienten an.
  • Gut geeignet für verrauschte Daten und dünn besetzte Gradienten.
  • Effizient und erfordert in der Regel weniger Abstimmung. Für kürzere Trainingsläufe wählt optimizer=auto von YOLO26 das eng verwandte AdamW statt Adam selbst aus.

• RMSProp (Fortpflanzung des quadratischen Mittelwerts):

  • Passt die Lernrate für jeden Parameter an, indem der Gradient durch einen gleitenden Durchschnitt der Beträge der letzten Gradienten geteilt wird.
  • Hilft bei der Bewältigung des Problems verschwindender Gradienten und eignet sich gut für rekurrente neuronale Netzwerke.

• MuSGD (Muon- und SGD-Hybrid):

  • Kombiniert Aktualisierungen im Stil von SGD mit von Muon inspiriertem Verhalten, um die Stabilität beim Training in großem Maßstab zu verbessern.
  • Eine gute Wahl, wenn du eine Verallgemeinerungsfähigkeit wie bei SGD möchtest, aber eine gleichmäßigere Konvergenz als bei einfachem SGD benötigst.
  • Besonders relevant für YOLO26-Trainingsrezepte; wenn du unsicher bist, beginne mit optimizer=auto und vergleiche MuSGD anhand deines Datensatzes.

Für YOLO26 kannst du mit dem Parameter optimizer aus verschiedenen Optimierern auswählen, darunter SGD, MuSGD, Adam, Adamax, AdamW, NAdam, RAdam und RMSProp. Du kannst den Parameter auch auf auto setzen, um je nach Anzahl der Trainingsiterationen automatisch einen Optimierer auszuwählen (AdamW bei kürzeren Trainingsläufen, MuSGD bei mehr als 10.000 Iterationen).

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

Mit der Community in Kontakt treten#

Als Teil einer Community von Computer-Vision-Begeisterten kannst du Probleme lösen und schneller lernen. Hier sind einige Möglichkeiten, Kontakte zu knüpfen, Hilfe zu erhalten und Ideen auszutauschen.

Ressourcen aus der Community#

• GitHub-Issues: Besuche das YOLO26-GitHub-Repository und nutze den Tab „Issues“, um Fragen zu stellen, Fehler zu melden und neue Funktionen vorzuschlagen. Die Community und die Maintainer sind sehr aktiv und helfen dir gerne.
• Ultralytics-Discord-Server: Tritt dem Ultralytics-Discord-Server bei, um dich mit anderen Nutzern und Entwicklern auszutauschen, Unterstützung zu erhalten und deine Erfahrungen zu teilen.

Mit diesen Ressourcen kannst du Herausforderungen bewältigen und dich über die neuesten Trends und bewährten Verfahren in der Computer-Vision-Community auf dem Laufenden halten.

Wichtigste Erkenntnisse#

Beim Training von Computer-Vision-Modellen solltest du bewährte Verfahren befolgen, deine Strategien optimieren und auftretende Probleme lösen. Techniken wie die Anpassung der Batch-Größen, das Training mit gemischter Präzision und der Einsatz vortrainierter Gewichte können die Leistung deiner Modelle verbessern und das Training beschleunigen. Mit Verfahren wie dem Training mit einer Teilmenge und Early Stopping sparst du Zeit und Ressourcen. Bleib mit der Community in Kontakt und verfolge neue Trends, um deine Fähigkeiten im Modelltraining kontinuierlich auszubauen.

Häufig gestellte Fragen#