Receta de entrenamiento YOLO26

Introducción

Esta guía describe con exactitud entrenamiento receta utilizada para elaborar el YOLO26 puntos de control preentrenados en COCO. Cada hiperparámetro lo que se muestra aquí ya está integrado en la versión publicada .pt ponderaciones y pueden inspeccionarse mediante programación.

Comprender cómo se entrenaron los modelos base te ayuda a tomar mejores decisiones a la hora de realizar el ajuste fino: qué aumentos de datos mantener, qué pesos de la función de pérdida ajustar y qué parámetros del optimizador funcionan mejor para el tamaño de tu conjunto de datos.

Comprobación de los argumentos de entrenamiento

Cada Ultralytics almacena la configuración completa del entrenamiento utilizada para generarlo. Puedes consultar estos ajustes en cualquier momento:

from ultralytics import YOLO

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

import torch

# Load any official checkpoint
ckpt = torch.load("yolo26n.pt", map_location="cpu", weights_only=False)

# Print all training arguments
for k, v in sorted(ckpt["train_args"].items()):
    print(f"{k}: {v}")

Esto funciona para cualquier .pt checkpoint: tanto las versiones oficiales como tus propios modelos ajustados. Para ver la lista completa de argumentos de entrenamiento configurables, consulta el Referencia de configuración de formación.

Descripción general de la formación

Todos los modelos base de YOLO26 se entrenaron con COCO una resolución de 640x640 utilizando el optimizador MuSGD con un tamaño de lote de 128. Los modelos se inicializaron a partir de pesos preentrenados intermedios y se perfeccionaron con hiperparámetros obtenidos mediante búsqueda evolutiva. Los registros completos de entrenamiento y las métricas para cada tamaño de modelo están disponibles en Ultralytics :

Características de diseño clave en todos los tamaños:

• Formación integral (end2end=True) con atención individualizada NMS
• Optimizador MuSGD que combina SGD actualizaciones ortogonalizadas al estilo Muon para los pesos de las redes convolucionales
• Aumento considerable del mosaico (probabilidad de ~0,9-1,0) desactivado en las últimas 10 épocas (close_mosaic=10)
• Aumento agresivo de la escala (0,56-0,95) para manejar objetos de diferentes tamaños
• Rotación y cizallamiento mínimos en la mayoría de los tamaños, lo que mantiene baja la distorsión geométrica

Hiperparámetros según el tamaño del modelo

Optimizador y tasa de aprendizaje

Pesos de pérdida

El modelo N da prioridad a la pérdida DFL, mientras que los modelos S/M/L/X centran su atención en la regresión del rectángulo delimitador. La pérdida de clasificación se mantiene relativamente constante en todos los tamaños.

Proceso de ampliación

Para obtener una explicación detallada de cada técnica, consulta la guía de aumentoYOLO .

Los modelos más grandes utilizan un aumento más agresivo en general (mayor mezcla, copiar y pegar, y escalado), ya que tienen más capacidad y se benefician de una regularización más fuerte. El modelo N es el único tamaño que presenta un aumento significativo mediante rotación, cizallamiento y BGR.

Parámetros de entrenamiento interno

Orientaciones para el ajuste fino

Al ajustar YOLO26 a tu propio conjunto de datos, no es necesario que repitas todo el proceso de preentrenamiento. Los pesos preentrenados ya incorporan los conocimientos sobre aumento de datos y optimización adquiridos durante COCO . Para conocer las mejores prácticas generales de entrenamiento, consulta «Consejos para el entrenamiento de modelos».

Empieza por lo sencillo

from ultralytics import YOLO

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

yolo train model=yolo26n.pt data=your-dataset.yaml epochs=100 imgsz=640

El ajuste fino con los valores predeterminados es un buen punto de partida. Solo modifica los hiperparámetros si tienes una razón concreta para hacerlo.

Cuándo ajustar

Small datasets (< 1,000 images):

• Reducir la fuerza de aumento: mosaic=0.5, mixup=0.0, copy_paste=0.0
• Menor tasa de aprendizaje: lr0=0.001
• Usa menos épocas con paciencia: epochs=50, patience=20
• Considera la posibilidad de congelar las capas de la red troncal: freeze=10

Conjuntos de datos de gran tamaño (> 50 000 imágenes):

• Ajustarse mejor a la receta de preentrenamiento
• Ten en cuenta optimizer=MuSGD para recorridos más largos
• Aumento del aumento: mosaic=1.0, mixup=0.3, scale=0.9

Imágenes específicas de cada ámbito (aéreas, médicas, submarinas):

• Aumento flipud=0.5 si la orientación vertical varía
• Aumento degrees si los objetos aparecen con rotaciones arbitrarias
• Ajustar hsv_s y hsv_v si las condiciones de iluminación difieren significativamente de las de COCO

Para obtener información sobre la optimización automática de hiperparámetros, consulta la guía de ajuste de hiperparámetros.

Elegir el tamaño del modelo

Para conocer las opciones de exportación e implementación, consulta la Guía de exportación y las Opciones de implementación de modelos.

Preguntas frecuentes

¿Cómo puedo ver los hiperparámetros exactos que se han utilizado en cualquier punto de control?

Carga el punto de control con torch.load() y acceder a la train_args tecla, o utiliza model.ckpt["train_args"] con la Ultralytics . Véase Comprobación de los argumentos de entrenamiento para ver ejemplos completos.

¿Por qué varía el número de épocas según el tamaño del modelo?

Los modelos más grandes convergen más rápido en COCO tienen mayor capacidad. El modelo N necesitó 245 épocas, mientras que el modelo X solo necesitó 40. Al realizar el ajuste fino en tu propio conjunto de datos, el número óptimo de épocas depende del tamaño y la complejidad de tu conjunto de datos, no del tamaño del modelo. Utiliza la detención temprana (patience) para encontrar automáticamente el punto de parada adecuado.

¿Debería utilizar MuSGD para el ajuste fino?

Cuándo optimizer=auto (por defecto), Ultralytics selecciona Ultralytics MuSGD para sesiones de entrenamiento más largas (>10 000 iteraciones) y AdamW para los más cortos. Puedes establecer explícitamente optimizer=MuSGD si lo prefieres. Para obtener más información sobre la selección del optimizador, consulta el documentación de formación.

¿Qué son muon_w, sgd_w, cls_w, o2m, y topk ¿En el puesto de control?

Estos son parámetros internos del proceso de entrenamiento que generó los puntos de control básicos. Se almacenan para garantizar la reproducibilidad, pero son no opciones configurables por el usuario en default.yaml. No es necesario configurarlos al realizar el ajuste fino. Véase Parámetros de entrenamiento interno para obtener más detalles.

¿Puedo reproducir el preentrenamiento exacto partiendo de cero?

Los puntos de control se crearon utilizando una rama de formación interna con características adicionales que no se incluyen en el código fuente público (como la configuración o2m pesos y cls_w). Se pueden obtener resultados muy similares utilizando los hiperparámetros descritos en esta página con el Ultralytics público Ultralytics , pero para reproducirlos exactamente es necesario utilizar la rama interna.

📅 Creado hace 0 días ✏️ Actualizado hace 0 días

Comentarios