Receta de entrenamiento de YOLO26#

Introducción#

Esta guía documenta la receta exacta de entrenamiento utilizada para producir los checkpoints oficiales preentrenados de YOLO26 en COCO. Cada hiperparámetro que se muestra aquí ya está integrado en los pesos .pt publicados, junto con el registro de entrenamiento por época y la revisión del código de la ejecución, y todo se puede inspeccionar mediante programación.

Saber qué se incluyó en los checkpoints oficiales —no solo la arquitectura, sino también las estrategias de tasa de aprendizaje, las canalizaciones de aumento y los pesos de la función de pérdida que determinaron su rendimiento— te ayuda a tomar mejores decisiones al hacer fine-tuning: qué aumentos de datos conservar, qué pesos de la función de pérdida ajustar y qué configuraciones del optimizador funcionan mejor con el tamaño de tu dataset.

Resumen del entrenamiento#

Todos los modelos base de YOLO26 se entrenaron en dos etapas: preentrenamiento en Objects365v1 durante 150 épocas, seguido de fine-tuning en COCO. Ambas etapas se ejecutaron con una resolución de 640x640, el optimizador MuSGD y un tamaño de batch de 128. Ningún checkpoint de YOLO26 se entrenó en COCO partiendo de pesos aleatorios, por eso la etapa de COCO es corta para la mayoría de los tamaños y sus hiperparámetros se obtuvieron mediante una búsqueda evolutiva. Los registros de entrenamiento y las métricas completos de cada tamaño de modelo se almacenan dentro de los checkpoints publicados y se muestran como gráficos en Ultralytics Platform.

Decisiones de diseño clave para todos los tamaños:

• Preentrenamiento en Objects365 para todos los tamaños antes de la etapa de COCO
• Entrenamiento de extremo a extremo (end2end=True) con una cabecera one-to-one sin NMS
• Optimizador MuSGD que combina SGD con actualizaciones ortogonalizadas al estilo de Muon para matrices de pesos (pesos lineales 2D y filtros convolucionales 4D, que se redimensionan a 2D)
• Aumento de mosaico intenso (probabilidad de ~0.9-1.0) desactivado durante las últimas épocas (close_mosaic=8 en el preentrenamiento, close_mosaic=10 en COCO)
• Aumento de escala agresivo (0.5-0.95) para gestionar objetos de distintos tamaños
• Rotación y deformación mínimas para la mayoría de los tamaños, manteniendo baja la distorsión geométrica

Etapa 1: preentrenamiento en Objects365#

Cada checkpoint de YOLO26 para COCO se sometió a fine-tuning a partir de un checkpoint de Objects365v1 del mismo tamaño. Esos pesos preentrenados también se publican y están documentados en la página del dataset Objects365. Cada checkpoint de COCO indica sus pesos iniciales en la configuración de entrenamiento integrada en el archivo .pt, y la sección Inspección de los argumentos de entrenamiento del checkpoint de YOLO26 que aparece más abajo muestra cómo leerlos:

El preentrenamiento utilizó principalmente la configuración predeterminada en lugar de valores obtenidos mediante búsqueda. lr0, lrf, momentum, weight_decay, box y cls coinciden con default.yaml, mientras que warmup_epochs, close_mosaic y dfl se sobrescribieron. La configuración se comparte entre tamaños, salvo warmup_epochs en X, las intensidades de los aumentos y los pesos internos de MuSGD y de la cabecera que aparecen después de las tablas:

Estas tablas cubren la configuración que determina el preentrenamiento, no la configuración completa. Los checkpoints registran más de 100 argumentos, así que muestra train_args como se indica abajo para consultar la lista autorizada.

from ultralytics import YOLO

model = YOLO("yolo26s-objv1-150.pt")
results = model.train(data="your-dataset.yaml", epochs=100, imgsz=640)

Inspección de los argumentos de entrenamiento del checkpoint de YOLO26#

Cada checkpoint de Ultralytics almacena la configuración de entrenamiento completa utilizada para producirlo, así que puedes verificar por ti mismo cada número de esta página:

from ultralytics import YOLO

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

La salida muestra la configuración completa, con más de 100 entradas, incluidos todos los valores de la receta documentados en esta página. Este es un fragmento de 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

Esto funciona con cualquier checkpoint .pt, tanto con las versiones oficiales como con tus propios modelos sometidos a fine-tuning. Para consultar la lista completa de argumentos de entrenamiento configurables, visita la referencia de configuración del entrenamiento.

Visualización de las curvas de entrenamiento#

train_args no es lo único que se almacena. Cada checkpoint también contiene el results.csv completo, época por época, de la ejecución que lo produjo, junto con sus métricas finales de validación. Las curvas de los checkpoints oficiales de YOLO26 se publican en Ultralytics Platform, y cualquier archivo .pt se puede arrastrar y soltar en un proyecto para representar los mismos datos, ya que los metadatos se analizan automáticamente a partir del archivo.

Cada checkpoint cubre la etapa que lo produjo, por lo que las curvas de COCO están en yolo26s.pt y las curvas de 150 épocas de Objects365 están en yolo26s-objv1-150.pt.

Comprobación de la revisión del código#

ckpt["git"] registra el commit que produjo el checkpoint, y esos commits se encuentran en ramas experimentales públicas del repositorio de Ultralytics, por lo que puedes consultar el código exacto de entrenamiento:

from ultralytics import YOLO

print(YOLO("yolo26n.pt").ckpt["git"])
# {'root': ..., 'branch': 'exp-main', 'commit': 'cb13d5f9cfbd6f299da3620c625f81d721dc2849', ...}

git fetch origin cb13d5f9cfbd6f299da3620c625f81d721dc2849
git checkout cb13d5f9cfbd6f299da3620c625f81d721dc2849

Las ramas experimentales contienen trabajo que nunca llegó a main, como o2m y cls_w configurables. Entrenar en main con los hiperparámetros documentados abajo no producirá resultados idénticos bit a bit, pero quedará a una distancia insignificante de las métricas publicadas.

Hiperparámetros de entrenamiento de YOLO26 por tamaño de modelo#

Estos son los valores de la etapa 2, aplicados sobre los pesos de Objects365 anteriores. Las tablas siguientes agrupan la receta por categorías: optimizador y estrategia, pesos de la pérdida y aumentos. Cada valor procede directamente de train_args, integrado en los checkpoints publicados.

Optimizador y tasa de aprendizaje#

Esta configuración del optimizador y de la estrategia controló el fine-tuning en COCO para cada tamaño; fíjate en que el modelo N se diferencia del resto:

Pesos de la pérdida#

Los pesos de la pérdida equilibran los tres componentes de la pérdida de detección: regresión de IoU de la caja delimitadora (box), clasificación (cls) y un término de regresión de distancia de la caja (dfl). Ten en cuenta que YOLO26 sin DFL reutiliza la ganancia dfl para ponderar una pérdida L1 sobre las distancias normalizadas de las cajas, en lugar de la pérdida focal de distribución:

El modelo N prioriza el término de regresión de distancia dfl, mientras que los modelos S/M/L/X dan más importancia a la regresión de cajas basada en IoU. La pérdida de clasificación se mantiene relativamente constante en todos los tamaños.

Canalización de aumentos#

Para obtener una explicación detallada de cada técnica, consulta la guía de aumentos de datos de YOLO.

Los valores mostrados como ~0 son inferiores a 0.01 en los checkpoints reales (por ejemplo, degrees=0.00012 para el modelo S), por lo que el aumento está prácticamente desactivado.

Los modelos más grandes utilizan aumentos más agresivos en general (mayor mixup y escala), ya que tienen más capacidad y se benefician de una regularización más intensa. El modelo N es el único tamaño con una rotación, deformación y aumento BGR significativos.

Parámetros internos de entrenamiento#

Fine-tuning de YOLO26 con tu propio dataset#

Al hacer fine-tuning de YOLO26 con tu propio dataset, no necesitas replicar toda la receta de preentrenamiento. Los pesos preentrenados ya incorporan los conocimientos sobre aumentos y optimización adquiridos durante el entrenamiento en COCO. Para conocer las prácticas recomendadas generales de entrenamiento, consulta Consejos para entrenar modelos.

Fine-tuning con la configuración predeterminada#

from ultralytics import YOLO

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

El fine-tuning con la configuración predeterminada es una base sólida. Ajusta los hiperparámetros solo si tienes un motivo concreto para hacerlo.

Cuándo ajustar los hiperparámetros de YOLO26#

Datasets pequeños (< 1.000 imágenes):

• Reduce la intensidad de los aumentos: mosaic=0.5, mixup=0.0, copy_paste=0.0
• Reduce la tasa de aprendizaje con un optimizador explícito: optimizer=AdamW, lr0=0.001
• Utiliza menos épocas con paciencia: epochs=50, patience=20
• Considera congelar las capas del backbone: freeze=10

Datasets grandes (> 50.000 imágenes):

• Reproduce la receta de preentrenamiento con mayor fidelidad
• Considera optimizer=MuSGD para ejecuciones más largas
• Aumenta los aumentos: mosaic=1.0, mixup=0.3, scale=0.9

Imágenes específicas del dominio (aéreas, médicas, submarinas):

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

Para la optimización automatizada de hiperparámetros, consulta la guía de ajuste de hiperparámetros.

Elige un tamaño de modelo#

Para consultar las opciones de exportación y despliegue, visita la guía de exportación y Opciones de despliegue de modelos.

Conclusión#

Los checkpoints de YOLO26 incluyen su receta de entrenamiento completa, por lo que los hiperparámetros exactos de cada tamaño de modelo están siempre a una consulta de train_args. Empieza el ajuste fino con los valores predeterminados, realiza ajustes deliberados usando las tablas de esta página y verifica cada cambio con tu propio conjunto de validación. Si te surgen dudas durante el proceso, pregunta a la comunidad en el repositorio de Ultralytics en GitHub o en el servidor de Discord de Ultralytics.

Preguntas frecuentes#