YOLO26 Trainingsrezept#

Einführung#

Diese Anleitung dokumentiert das genaue training-Rezept, das verwendet wurde, um die offiziellen vorab trainierten YOLO26-Checkpoints auf COCO zu erstellen. Jeder hier gezeigte hyperparameter ist bereits in den veröffentlichten .pt-Gewichten eingebettet und kann programmgesteuert überprüft werden.

Zu wissen, was in die offiziellen Checkpoints eingeflossen ist – nicht nur die Architektur, sondern auch die learning rate-Verläufe, Augmentierungs-Pipelines und Loss-Gewichte, die ihre Leistung geprägt haben –, hilft dir, beim fine-tuning bessere Entscheidungen zu treffen: Welche data augmentations du beibehalten solltest, welche loss function-Gewichte anzupassen sind und welche Optimizer-Einstellungen für deine Datensatzgröße am besten funktionieren.

Trainingsübersicht#

Alle YOLO26 Basismodelle wurden auf COCO bei einer Auflösung von 640x640 mit dem MuSGD Optimierer und einer batch size von 128 trainiert. Statt in einem einzigen Durchlauf von zufälligen Gewichten aus zu starten, wurden die Modelle mit zwischenzeitlichen vortrainierten Gewichten initialisiert und mit Hyperparametern verfeinert, die durch evolutionary search ermittelt wurden. Vollständige Trainingsprotokolle und Metriken für jede Modellgröße sind auf der Ultralytics Platform verfügbar.

Wichtige Designentscheidungen über alle Größen hinweg:

• End-to-End-Training (end2end=True) mit NMS-freiem One-to-One-Head
• MuSGD-Optimizer, der SGD mit orthogonalisierten Updates im Muon-Stil für Gewichtsmatrizen kombiniert (2D-lineare Gewichte und 4D-Conv-Filter, die auf 2D umgeformt werden)
• Starke Mosaik-Augmentierung (~0.9-1.0 Wahrscheinlichkeit), die in den letzten 10 Epochen deaktiviert wird (close_mosaic=10)
• Aggressive Skalen-Augmentierung (0,56-0,95), um Objekte unterschiedlicher Größe zu verarbeiten
• Minimale Rotation/Scherung für die meisten Größen, um geometrische Verzerrungen gering zu halten

Überprüfung der YOLO26-Checkpoint-Trainingsargumente#

Jeder Ultralytics-Checkpoint speichert die vollständige Trainingskonfiguration, die zu seiner Erstellung verwendet wurde, sodass du jede Zahl auf dieser Seite selbst überprüfen kannst:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
print(model.ckpt["train_args"])

Die Ausgabe listet die vollständige Konfiguration von über 100 Einträgen auf, einschließlich jedes auf dieser Seite dokumentierten Rezeptwerts. Ein Auszug für yolo26n.pt:

batch: 128
...
box: 5.62767
...
close_mosaic: 10
cls: 0.56099
...
dfl: 9.03871
...
epochs: 245
...
lr0: 0.0054
lrf: 0.04952
...
optimizer: MuSGD

Dies funktioniert für jeden .pt-Checkpoint gleichermaßen – für offizielle Releases wie für deine eigenen feinabgestimmten Modelle. Die vollständige Liste der konfigurierbaren Trainingsargumente findest du in der training configuration reference.

YOLO26-Trainingshyperparameter pro Modellgröße#

Die folgenden Tabellen gruppieren das Rezept nach Kategorie – Optimizer und Zeitplan, Loss-Gewichte und Augmentierung. Jeder Wert stammt direkt aus dem in den veröffentlichten Checkpoints eingebetteten train_args.

Optimierer und Lernrate#

Diese Optimierer- und Zeitplaneinstellungen steuerten das COCO-Vortraining für jede Größe; beachte, wie sich das N-Modell von den anderen unterscheidet:

Verlustgewichte#

Loss-Gewichte balancieren die drei Komponenten des Erkennungsverlusts aus – bounding box-IoU-Regression (box), Klassifikation (cls) und einen Box-Entfernungs-Regressionsterm (dfl). Beachte, dass DFL-freies YOLO26 die dfl-Verstärkung umfunktioniert, um einen L1-Loss auf normalisierten Box-Entfernungen anstelle eines Distribution Focal Loss zu gewichten:

Das N-Modell priorisiert den Distanzregressionsterm dfl, während S/M/L/X-Modelle den Schwerpunkt auf die IoU-basierte Box-Regression verlegen. Der Klassifikationsverlust bleibt über alle Größen hinweg relativ konstant.

Augmentierungspipeline#

Eine detaillierte Erläuterung der einzelnen Techniken findest du im YOLO Data Augmentation guide.

Werte, die als ~0 angezeigt werden, liegen in den tatsächlichen Checkpoints unter 0.01 (zum Beispiel degrees=0.00012 für das S-Modell) – die Augmentierung ist effektiv deaktiviert.

Größere Modelle verwenden insgesamt eine aggressivere Augmentierung (höheres Mixup, Copy-Paste und Skalierung), da sie über mehr Kapazität verfügen und von einer stärkeren regularization profitieren. Das N-Modell ist die einzige Größe mit nennenswerter Rotations-, Scherungs- und BGR-Augmentierung.

Interne Trainingsparameter#

Fine-Tuning von YOLO26 auf deinem eigenen Datensatz#

Wenn du YOLO26 auf deinem eigenen Datensatz feinabstimmst, musst du das vollständige Vortrainingsrezept nicht replizieren. Die vortrainierten Gewichte kodieren bereits das Augmentierungs- und Optimierungswissen aus dem COCO-Training. Allgemeine Best Practices für das Training findest du unter Tips for Model Training.

Fine-Tuning mit Standardeinstellungen#

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.train(data="your-dataset.yaml", epochs=100, imgsz=640)

Das Fine-Tuning mit Standardwerten ist eine starke Basis. Passe Hyperparameter nur an, wenn du einen spezifischen Grund dafür hast.

Wann du YOLO26 Hyperparameter anpassen solltest#

Kleine Datensätze (< 1.000 Bilder):

• Augmentierungsstärke reduzieren: mosaic=0.5, mixup=0.0, copy_paste=0.0
• Niedrigere Lernrate: lr0=0.001
• Weniger epochs mit Geduld (Patience) verwenden: epochs=50, patience=20
• In Betracht ziehen, Backbone-Schichten einzufrieren: freeze=10

Große Datensätze (> 50.000 Bilder):

• Richte dich genauer nach dem Pretraining-Rezept
• optimizer=MuSGD für längere Läufe in Betracht ziehen
• Augmentierung erhöhen: mosaic=1.0, mixup=0.3, scale=0.9

Domänenspezifische Bilder (Luftaufnahmen, medizinische Bilder, Unterwasseraufnahmen):

• flipud=0.5 erhöhen, wenn die vertikale Ausrichtung variiert
• degrees erhöhen, wenn Objekte bei beliebigen Rotationen auftreten
• hsv_s und hsv_v anpassen, wenn sich die Lichtverhältnisse stark von COCO unterscheiden

Für die automatisierte Hyperparameter-Optimierung siehe den Hyperparameter Tuning guide.

Wähle eine Modellgröße#

Informationen zu Export- und Bereitstellungsoptionen findest du im Export guide und unter Model Deployment Options.

Fazit#

Die YOLO26-Checkpoints werden mit ihrem eingebetteten vollständigen Trainingsrezept ausgeliefert, sodass die genauen Hyperparameter hinter jeder Modellgröße immer nur einen train_args-Lookup entfernt sind. Starte das Fine-Tuning mit den Standardwerten, passe sie gezielt anhand der Tabellen auf dieser Seite an und verifiziere jede Änderung anhand deines eigenen Validierungssatzes. Wenn unterwegs Fragen auftauchen, frage die Community im Ultralytics GitHub repository oder auf dem Ultralytics Discord server.

FAQ#