Meet YOLO26: next-gen vision AI.

Link to this sectionPersonalizar el Trainer#

La pipeline de entrenamiento de Ultralytics está construida en torno a BaseTrainer y trainers específicos para cada tarea, como DetectionTrainer. Estas clases gestionan el bucle de entrenamiento, la validación, los puntos de control y el registro (logging) de forma nativa. Cuando necesites mayor control —como realizar el seguimiento de métricas personalizadas, ajustar la ponderación de la pérdida o implementar planificadores de tasa de aprendizaje—, puedes crear una subclase del trainer y sobrescribir métodos específicos.

Esta guía repasa siete personalizaciones comunes:

  1. Registro de métricas personalizadas (puntuación F1) al final de cada época
  2. Añadir pesos de clase para gestionar el desequilibrio de clases
  3. Guardar el mejor modelo basándote en una métrica diferente
  4. Congelar el backbone durante las primeras N épocas y luego descongelarlo
  5. Especificar tasas de aprendizaje por capa
  6. Sincronizar BatchNorm entre GPUs para el entrenamiento multi-GPU
  7. Configurar el recorte de gradiente para ajustar la estabilidad
Requisitos previos

Antes de leer esta guía, asegúrate de estar familiarizado con los fundamentos del entrenamiento de modelos YOLO y la página de Personalización Avanzada, que cubre la arquitectura de BaseTrainer.

Link to this sectionCómo funcionan los trainers personalizados#

La clase del modelo YOLO acepta un parámetro trainer en el método train(). Esto te permite pasar tu propia clase de trainer que extiende el comportamiento predeterminado:

from ultralytics import YOLO
from ultralytics.models.yolo.detect import DetectionTrainer

class CustomTrainer(DetectionTrainer):
    """A custom trainer that extends DetectionTrainer with additional functionality."""

    pass  # Add your customizations here

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=10, trainer=CustomTrainer)

Tu trainer personalizado hereda toda la funcionalidad de DetectionTrainer, por lo que solo necesitas sobrescribir los métodos específicos que desees personalizar.

Link to this sectionRegistro de métricas personalizadas#

El paso de validación calcula la precisión, el recall y el mAP. Si necesitas métricas adicionales como la puntuación F1 por clase, sobrescribe validate():

import numpy as np

from ultralytics import YOLO
from ultralytics.models.yolo.detect import DetectionTrainer
from ultralytics.utils import LOGGER

class MetricsTrainer(DetectionTrainer):
    """Custom trainer that computes and logs F1 score at the end of each epoch."""

    def validate(self):
        """Run validation and compute per-class F1 scores."""
        metrics, fitness = super().validate()
        if metrics is None:
            return metrics, fitness

        if hasattr(self.validator, "metrics") and hasattr(self.validator.metrics, "box"):
            box = self.validator.metrics.box
            f1_per_class = box.f1
            class_indices = box.ap_class_index
            names = self.validator.names

            valid_f1 = f1_per_class[f1_per_class > 0]
            mean_f1 = np.mean(valid_f1) if len(valid_f1) > 0 else 0.0

            LOGGER.info(f"Mean F1 Score: {mean_f1:.4f}")
            per_class_str = [
                f"{names[i]}: {f1_per_class[j]:.3f}" for j, i in enumerate(class_indices) if f1_per_class[j] > 0
            ]
            LOGGER.info(f"Per-class F1: {per_class_str}")

        return metrics, fitness

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=5, trainer=MetricsTrainer)

Esto registra la puntuación F1 media en todas las clases y un desglose por clase después de cada ejecución de validación.

Métricas disponibles

El validador proporciona acceso a muchas métricas a través de self.validator.metrics.box:

AtributoDescripción
f1Puntuación F1 por clase
image_metricsDiccionario de métricas por imagen con precisión, recall, F1, TP, FP y FN
pPrecisión por clase
rRecall por clase
ap50AP con IoU 0.5 por clase
apAP con IoU 0.5:0.95 por clase
mp, mrPrecisión y recall medios
map50, mapMétricas de AP medio

Link to this sectionAñadir pesos de clase#

Si tu conjunto de datos tiene clases desequilibradas (por ejemplo, un defecto poco común en una inspección de fabricación), puedes aumentar el peso de las clases subrepresentadas en la función de pérdida. Esto hace que el modelo penalice más severamente las clasificaciones erróneas en clases raras.

Para personalizar la pérdida, crea una subclase de las clases de pérdida, el modelo y el trainer:

import torch
from torch import nn

from ultralytics import YOLO
from ultralytics.models.yolo.detect import DetectionTrainer
from ultralytics.nn.tasks import DetectionModel
from ultralytics.utils import RANK
from ultralytics.utils.loss import E2ELoss, v8DetectionLoss

class WeightedDetectionLoss(v8DetectionLoss):
    """Detection loss with class weights applied to BCE classification loss."""

    def __init__(self, model, class_weights=None, tal_topk=10, tal_topk2=None):
        """Initialize loss with optional per-class weights for BCE."""
        super().__init__(model, tal_topk=tal_topk, tal_topk2=tal_topk2)
        if class_weights is not None:
            self.bce = nn.BCEWithLogitsLoss(
                pos_weight=class_weights.to(self.device),
                reduction="none",
            )

class WeightedE2ELoss(E2ELoss):
    """E2E Loss with class weights for YOLO26."""

    def __init__(self, model, class_weights=None):
        """Initialize E2E loss with weighted detection loss."""

        def weighted_loss_fn(model, tal_topk=10, tal_topk2=None):
            return WeightedDetectionLoss(model, class_weights=class_weights, tal_topk=tal_topk, tal_topk2=tal_topk2)

        super().__init__(model, loss_fn=weighted_loss_fn)

class WeightedDetectionModel(DetectionModel):
    """Detection model that uses class-weighted loss."""

    def init_criterion(self):
        """Initialize weighted loss criterion with per-class weights."""
        class_weights = torch.ones(self.nc)
        class_weights[0] = 2.0  # upweight class 0
        class_weights[1] = 3.0  # upweight rare class 1
        return WeightedE2ELoss(self, class_weights=class_weights)

class WeightedTrainer(DetectionTrainer):
    """Trainer that returns a WeightedDetectionModel."""

    def get_model(self, cfg=None, weights=None, verbose=True):
        """Return a WeightedDetectionModel."""
        model = WeightedDetectionModel(cfg, nc=self.data["nc"], verbose=verbose and RANK == -1)
        if weights:
            model.load(weights)
        return model

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=10, trainer=WeightedTrainer)
Calcular pesos a partir del dataset

Puedes calcular los pesos de clase automáticamente a partir de la distribución de etiquetas de tu dataset. Un enfoque común es la ponderación por frecuencia inversa:

import numpy as np

# class_counts: number of instances per class
class_counts = np.array([5000, 200, 3000])
# Inverse frequency: rarer classes get higher weight
class_weights = max(class_counts) / class_counts
# Result: [1.0, 25.0, 1.67]

Link to this sectionGuardar el mejor modelo según una métrica personalizada#

El trainer guarda best.pt basándose en la aptitud (fitness), que por defecto es 0.9 × mAP@0.5:0.95 + 0.1 × mAP@0.5. Para usar una métrica diferente (como mAP@0.5 o recall), sobrescribe validate() y devuelve la métrica elegida como valor de aptitud. La función integrada save_model() la utilizará automáticamente:

from ultralytics import YOLO
from ultralytics.models.yolo.detect import DetectionTrainer

class CustomSaveTrainer(DetectionTrainer):
    """Trainer that saves the best model based on mAP@0.5 instead of default fitness."""

    def validate(self):
        """Override fitness to use mAP@0.5 for best model selection."""
        metrics, fitness = super().validate()
        if metrics:
            fitness = metrics.get("metrics/mAP50(B)", fitness)
            if self.best_fitness is None or fitness > self.best_fitness:
                self.best_fitness = fitness
        return metrics, fitness

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=20, trainer=CustomSaveTrainer)
Métricas disponibles

Las métricas comunes disponibles en self.metrics tras la validación incluyen:

ClaveDescripción
metrics/precision(B)Precisión
metrics/recall(B)Recall
metrics/mAP50(B)mAP con IoU 0.5
metrics/mAP50-95(B)mAP con IoU 0.5:0.95

Link to this sectionCongelar y descongelar el backbone#

Los flujos de trabajo de aprendizaje por transferencia a menudo se benefician de congelar el backbone preentrenado durante las primeras N épocas, permitiendo que la cabecera de detección se adapte antes de ajustar toda la red. Ultralytics proporciona un parámetro freeze para congelar capas al inicio del entrenamiento, y puedes utilizar un callback para descongelarlas después de N épocas:

from ultralytics import YOLO
from ultralytics.models.yolo.detect import DetectionTrainer
from ultralytics.utils import LOGGER

FREEZE_EPOCHS = 5

def unfreeze_backbone(trainer):
    """Callback to unfreeze all layers after FREEZE_EPOCHS."""
    if trainer.epoch == FREEZE_EPOCHS:
        LOGGER.info(f"Epoch {trainer.epoch}: Unfreezing all layers for fine-tuning")
        for name, param in trainer.model.named_parameters():
            if not param.requires_grad:
                param.requires_grad = True
                LOGGER.info(f"  Unfroze: {name}")
        trainer.freeze_layer_names = [".dfl"]

class FreezingTrainer(DetectionTrainer):
    """Trainer with backbone freezing for first N epochs."""

    def __init__(self, *args, **kwargs):
        """Initialize and register the unfreeze callback."""
        super().__init__(*args, **kwargs)
        self.add_callback("on_train_epoch_start", unfreeze_backbone)

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=20, freeze=10, trainer=FreezingTrainer)

El parámetro freeze=10 congela las primeras 10 capas (el backbone) al inicio del entrenamiento. El callback on_train_epoch_start se dispara al comienzo de cada época y descongela todos los parámetros una vez finalizado el periodo de congelación.

Elegir qué congelar
  • freeze=10 congela las primeras 10 capas (típicamente el backbone en arquitecturas YOLO)
  • freeze=[0, 1, 2, 3] congela capas específicas por índice
  • Valores más altos de FREEZE_EPOCHS dan a la cabecera más tiempo para adaptarse antes de que el backbone cambie

Link to this sectionTasas de aprendizaje por capa#

Diferentes partes de la red pueden beneficiarse de distintas tasas de aprendizaje. Una estrategia común es usar una tasa de aprendizaje más baja para el backbone preentrenado para preservar las características aprendidas, mientras se permite que la cabecera de detección se adapte más rápidamente con una tasa mayor:

import torch

from ultralytics import YOLO
from ultralytics.models.yolo.detect import DetectionTrainer
from ultralytics.utils import LOGGER
from ultralytics.utils.torch_utils import unwrap_model

class PerLayerLRTrainer(DetectionTrainer):
    """Trainer with different learning rates for backbone and head."""

    def build_optimizer(self, model, name="auto", lr=0.001, momentum=0.9, decay=1e-5, iterations=1e5):
        """Build optimizer with separate learning rates for backbone and head."""
        backbone_params = []
        head_params = []

        for k, v in unwrap_model(model).named_parameters():
            if not v.requires_grad:
                continue
            is_backbone = any(k.startswith(f"model.{i}.") for i in range(10))
            if is_backbone:
                backbone_params.append(v)
            else:
                head_params.append(v)

        backbone_lr = lr * 0.1

        optimizer = torch.optim.AdamW(
            [
                {"params": backbone_params, "lr": backbone_lr, "weight_decay": decay},
                {"params": head_params, "lr": lr, "weight_decay": decay},
            ],
        )

        LOGGER.info(
            f"PerLayerLR optimizer: backbone ({len(backbone_params)} params, lr={backbone_lr}) "
            f"| head ({len(head_params)} params, lr={lr})"
        )
        return optimizer

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=20, trainer=PerLayerLRTrainer)

Link to this sectionVariante RT-DETR#

Para RT-DETR, el patrón es el mismo con dos mejoras. La longitud del backbone se lee desde model.yaml["backbone"], por lo que el mismo trainer funciona en todas las variantes de RT-DETR (RT-DETR-L, RT-DETR-X, backbones ResNet-50/101) sin necesidad de codificar el número de capas. Los parámetros también se dividen en grupos de pesos, BatchNorm y sesgos (bias) dentro de cada sección, para que el decaimiento de peso (weight decay) se excluya de los parámetros BatchNorm y sesgos, coincidiendo con la política del trainer predeterminado. Esto es especialmente útil para el ajuste fino de RT-DETR, donde la cabecera del decodificador suele inicializarse aleatoriamente mientras que el backbone mantiene características preentrenadas que se benefician de una tasa de aprendizaje menor:

import torch
from torch import nn

from ultralytics import RTDETR
from ultralytics.models.rtdetr.train import RTDETRTrainer
from ultralytics.utils import LOGGER, colorstr
from ultralytics.utils.torch_utils import unwrap_model

class RTDETRBackboneLRTrainer(RTDETRTrainer):
    """RT-DETR trainer with a lower learning rate for backbone parameters."""

    backbone_lr_ratio = 0.1  # backbone learning rate as a fraction of head learning rate

    def build_optimizer(self, model, name="auto", lr=0.001, momentum=0.9, decay=1e-5, iterations=1e5):
        """Build an AdamW optimizer with six param groups: head and backbone x {weight, bn, bias}."""
        # Resolve optimizer name; "auto" maps to AdamW with RT-DETR-style defaults
        canonical = {"Adam", "Adamax", "AdamW", "NAdam", "RAdam", "auto"}
        name = {x.lower(): x for x in canonical}.get(name.lower(), name)
        if name == "auto":
            name, lr, momentum = "AdamW", 1e-4, 0.9
        self.args.warmup_bias_lr = 0.0  # RT-DETR warms biases from 0, unlike YOLO's 0.1
        if name not in {"Adam", "Adamax", "AdamW", "NAdam", "RAdam"}:
            raise NotImplementedError(f"This trainer only supports AdamW-family optimizers; got {name}")

        # Identify backbone parameters from model.yaml and route each param into a (section, kind) group
        unwrapped = unwrap_model(model)
        backbone_len = len(unwrapped.yaml["backbone"])
        norm_types = tuple(v for k, v in nn.__dict__.items() if "Norm" in k)
        groups = {f"{s}_{k}": [] for s in ("head", "backbone") for k in ("weight", "bn", "bias")}

        for module_name, module in unwrapped.named_modules():
            for param_name, param in module.named_parameters(recurse=False):
                if not param.requires_grad:
                    continue
                fullname = f"{module_name}.{param_name}" if module_name else param_name
                parts = fullname.split(".")
                section = (
                    "backbone"
                    if len(parts) > 1 and parts[0] == "model" and parts[1].isdigit() and int(parts[1]) < backbone_len
                    else "head"
                )
                if "bias" in param_name:
                    kind = "bias"
                elif isinstance(module, norm_types) or "logit_scale" in fullname:
                    kind = "bn"
                else:
                    kind = "weight"
                groups[f"{section}_{kind}"].append(param)

        # Build the optimizer with per-group lr and weight decay; backbone groups use lr * backbone_lr_ratio
        backbone_lr = lr * self.backbone_lr_ratio
        param_groups = [
            {"params": groups["head_weight"], "lr": lr, "weight_decay": decay, "param_group": "weight"},
            {"params": groups["head_bn"], "lr": lr, "weight_decay": 0.0, "param_group": "bn"},
            {"params": groups["head_bias"], "lr": lr, "weight_decay": 0.0, "param_group": "bias"},
            {"params": groups["backbone_weight"], "lr": backbone_lr, "weight_decay": decay, "param_group": "weight"},
            {"params": groups["backbone_bn"], "lr": backbone_lr, "weight_decay": 0.0, "param_group": "bn"},
            {"params": groups["backbone_bias"], "lr": backbone_lr, "weight_decay": 0.0, "param_group": "bias"},
        ]
        param_groups = [pg for pg in param_groups if pg["params"]]  # drop empty groups
        optimizer = getattr(torch.optim, name)(param_groups, betas=(momentum, 0.999))

        LOGGER.info(
            f"{colorstr('optimizer:')} {name}(lr={lr}, backbone_lr={backbone_lr}) with parameter groups\n"
            f"  Head:     {len(groups['head_bn'])} bn, {len(groups['head_weight'])} weight(decay={decay}), "
            f"{len(groups['head_bias'])} bias (lr={lr})\n"
            f"  Backbone: {len(groups['backbone_bn'])} bn, {len(groups['backbone_weight'])} weight(decay={decay}), "
            f"{len(groups['backbone_bias'])} bias (lr={backbone_lr})"
        )
        return optimizer

model = RTDETR("rtdetr-l.pt")
model.train(data="coco8.yaml", epochs=20, trainer=RTDETRBackboneLRTrainer)
Elegir `backbone_lr_ratio`

Un punto de partida habitual es backbone_lr_ratio = 0.1, que coincide con la configuración original de RT-DETR con su backbone HGNetV2. La literatura sugiere escalar la proporción inversamente al tamaño del backbone y a la escala de los datos de preentrenamiento: los backbones grandes preentrenados en conjuntos de datos muy grandes (por ejemplo, ViT-L/H entrenado con DINO, CLIP o MAE en cientos de millones de imágenes) suelen utilizar ratios más pequeños como 0.01 o inferiores para preservar las características bien aprendidas, mientras que los backbones más pequeños con un preentrenamiento más ligero toleran ratios mayores como 0.5 o superiores.

Planificador de tasa de aprendizaje

El planificador de tasa de aprendizaje integrado (cosine o linear) sigue aplicándose sobre las tasas de aprendizaje base por grupo. Tanto la tasa de aprendizaje del backbone como la de la cabecera seguirán el mismo programa de decaimiento, manteniendo la proporción entre ellas durante todo el entrenamiento.

Combinación de técnicas

Estas personalizaciones pueden combinarse en una única clase de trainer sobrescribiendo múltiples métodos y añadiendo callbacks según sea necesario.

Link to this sectionBatchNorm sincronizado para entrenamiento multi-GPU#

Cuando se entrena en múltiples GPUs con DistributedDataParallel, las capas BatchNorm2d predeterminadas calculan las estadísticas de forma independiente en cada GPU. Para el ajuste fino de RT-DETR y otras recetas que utilizan tamaños de batch pequeños por GPU, las estadísticas de batch por GPU pueden ser ruidosas. SyncBatchNorm de PyTorch sincroniza la media y la varianza en todos los rangos para obtener una estadística global única, lo que a menudo mejora la convergencia a costa de una pequeña sobrecarga de comunicación inter-GPU.

La conversión debe realizarse después de que el modelo esté en la GPU pero antes de que DDP lo envuelva. El hook más limpio para esto es set_model_attributes(), que BaseTrainer llama exactamente en ese intervalo:

from torch import nn

from ultralytics import RTDETR
from ultralytics.models.rtdetr.train import RTDETRTrainer

class SyncBNTrainer(RTDETRTrainer):
    """RT-DETR trainer that converts BatchNorm to SyncBatchNorm for multi-GPU training."""

    def set_model_attributes(self):
        """Run the parent setup, then convert BN to SyncBatchNorm when training on multiple GPUs."""
        super().set_model_attributes()
        if self.world_size > 1:
            self.model = nn.SyncBatchNorm.convert_sync_batchnorm(self.model)

model = RTDETR("rtdetr-l.pt")
model.train(data="coco8.yaml", epochs=20, device=[0, 1], trainer=SyncBNTrainer)

La protección world_size > 1 asegura que el trainer también sea seguro para su uso en ejecuciones con una sola GPU; en una sola GPU, la conversión se omite y el entrenamiento continúa con BatchNorm2d normal. El mismo patrón funciona para YOLO cambiando la clase padre a DetectionTrainer.

Cuándo usar SyncBatchNorm
EscenarioRecomendación
Entrenamiento multi-GPU, batch pequeño por GPU (≤ 16)Habilitar
Entrenamiento multi-GPU, batch grande por GPU (≥ 32)Opcional; beneficio menor
Entrenamiento con una sola GPUNo aplicable (se omite)

Link to this sectionRecorte de gradiente configurable#

El trainer predeterminado recorta los gradientes a max_norm=10.0 en optimizer_step(), un valor flexible ajustado para los modelos YOLO, donde los gradientes raramente superan ese límite. Los detectores de la familia DETR (RT-DETR, DEIM, DINO) suelen utilizar valores mucho más estrictos como 0.1 para estabilizar las capas de atención cruzada del decodificador, donde las magnitudes de los gradientes pueden aumentar bruscamente. Para sobrescribir el valor de recorte, crea una subclase del trainer y sobrescribe optimizer_step():

import torch

from ultralytics import RTDETR
from ultralytics.models.rtdetr.train import RTDETRTrainer

class CustomClipTrainer(RTDETRTrainer):
    """RT-DETR trainer with configurable gradient clipping."""

    clip_grad_norm = 0.1  # max gradient norm; set to 0 to disable clipping

    def optimizer_step(self):
        """Run an optimizer step with a configurable gradient-norm clip."""
        self.scaler.unscale_(self.optimizer)
        if self.clip_grad_norm > 0:
            torch.nn.utils.clip_grad_norm_(self.model.parameters(), max_norm=self.clip_grad_norm)
        self.scaler.step(self.optimizer)
        self.scaler.update()
        self.optimizer.zero_grad()
        if self.ema:
            self.ema.update(self.model)

model = RTDETR("rtdetr-l.pt")
model.train(data="coco8.yaml", epochs=20, trainer=CustomClipTrainer)

El mismo trainer funciona para YOLO cambiando la clase padre a DetectionTrainer (from ultralytics.models.yolo.detect import DetectionTrainer) y cargando un punto de control YOLO con YOLO("yolo26n.pt"). El cuerpo de optimizer_step permanece sin cambios.

Valores típicos de `clip_grad_norm`
Familia de arquitecturaValor típico max_norm
Familia RT-DETR / DEIM / DETR0.1
YOLO (predeterminado de Ultralytics)10.0
Deshabilitar recorte0

Link to this sectionPreguntas frecuentes#

Link to this section¿Cómo paso un trainer personalizado a YOLO?#

Pasa tu clase de trainer personalizada (no una instancia) al parámetro trainer en model.train():

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", trainer=MyCustomTrainer)

La clase YOLO gestiona la instanciación del trainer internamente. Consulta la página de Personalización Avanzada para más detalles sobre la arquitectura del trainer.

Link to this section¿Qué métodos de BaseTrainer puedo sobrescribir?#

Métodos clave disponibles para personalización:

MétodoPropósito
validate()Ejecutar validación y devolver métricas
build_optimizer()Construir el optimizador
save_model()Guarda los puntos de control del entrenamiento
get_model()Devuelve la instancia del modelo
get_validator()Devuelve la instancia del validador
get_dataloader()Construye el dataloader
preprocess_batch()Preprocesa el lote de entrada
label_loss_items()Formatea los elementos de pérdida para el registro

Para la referencia completa de la API, consulta la documentación de BaseTrainer.

Link to this section¿Puedo usar callbacks en lugar de crear una subclase del entrenador?#

Sí, para personalizaciones más sencillas, los callbacks suelen ser suficientes. Los eventos de callback disponibles incluyen on_train_start, on_train_epoch_start, on_train_epoch_end, on_fit_epoch_end y on_model_save. Estos te permiten interactuar con el bucle de entrenamiento sin necesidad de crear subclases. El ejemplo de congelación del backbone anterior demuestra este enfoque.

Link to this section¿Cómo personalizo la función de pérdida sin crear una subclase del modelo?#

Si tu cambio es más simple (como ajustar las ganancias de pérdida), puedes modificar los hiperparámetros directamente:

model.train(data="coco8.yaml", box=10.0, cls=1.5, dfl=2.0)

Para cambios estructurales en la pérdida (como añadir pesos de clase), debes crear una subclase de la pérdida y del modelo como se muestra en la sección de pesos de clase.

Comentarios