Receta de entrenamiento de YOLO26#

Introducción#

Esta guía documenta la receta exacta de entrenamiento utilizada para generar los puntos de control oficiales preentrenados de YOLO26 con 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; todo ello se puede inspeccionar mediante programación.

Saber qué se incluyó en los puntos de control oficiales —no solo la arquitectura, sino también los programas de tasa de aprendizaje, las canalizaciones de aumento de datos y los pesos de la función de pérdida que determinaron su rendimiento— te ayuda a tomar mejores decisiones al hacer el ajuste fino: qué aumentos de datos mantener, qué pesos de la función de pérdida ajustar y qué configuraciones del optimizador funcionan mejor para el tamaño de tu conjunto de datos.

Resumen del entrenamiento#

Todos los modelos base de YOLO26 se entrenaron en dos etapas: preentrenamiento con Objects365v1 durante 150 épocas, seguido del ajuste fino con COCO. Ambas etapas se ejecutaron con una resolución de 640x640, el optimizador MuSGD y un tamaño de lote de 128. Ningún punto de control de YOLO26 se entrenó con COCO a partir de pesos aleatorios, por lo que la etapa de COCO es breve para la mayoría de los tamaños; además, los hiperparámetros de esta etapa se determinaron mediante una búsqueda evolutiva. Los registros de entrenamiento completos y las métricas de cada tamaño de modelo se almacenan en los puntos de control publicados y se muestran como gráficos en Ultralytics Platform.

Decisiones de diseño clave comunes a todos los tamaños:

• Preentrenamiento con Objects365 para todos los tamaños antes de la etapa de COCO
• Entrenamiento con doble cabezal con supervisión de uno a muchos y de uno a uno; la inferencia utiliza NMS de forma predeterminada, mientras que nms=False selecciona el cabezal 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 remodelan a 2D)
• Aumento de mosaico intenso (probabilidad ~0.9-1.0), desactivado durante las épocas finales (close_mosaic=8 en el preentrenamiento, close_mosaic=10 con COCO)
• Aumento de escala agresivo (0.5-0.95) para detectar objetos de distintos tamaños
• Rotación y cizallamiento mínimos para la mayoría de los tamaños, a fin de limitar la distorsión geométrica

Etapa 1: preentrenamiento con Objects365#

Todos los puntos de control de YOLO26 para COCO se ajustaron a partir de un punto de control de Objects365v1 del mismo tamaño. Esos pesos preentrenados también están publicados y se documentan en la página del conjunto de datos Objects365. Cada punto de control de COCO indica los pesos iniciales en la configuración de entrenamiento integrada en el archivo .pt; a continuación se explica cómo leerla en Inspección de los argumentos de entrenamiento de los puntos de control de YOLO26:

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 es común a todos los tamaños, salvo warmup_epochs en X, las intensidades de aumento de datos y los pesos internos de MuSGD y del cabezal que se indican después de las tablas:

Estas tablas incluyen la configuración que determina el preentrenamiento, pero no la configuración completa. Los puntos de control registran más de 100 argumentos, así que ejecuta train_args como se muestra a continuación para consultar la lista oficial.

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 punto de control de YOLO26#

Cada punto de control de Ultralytics almacena la configuración completa de entrenamiento con la que se generó, así que puedes comprobar por ti mismo cada valor de esta página:

from ultralytics import YOLO

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

El resultado enumera la configuración completa, con más de 100 entradas, incluidos todos los valores de la receta documentados en esta página. Un extracto 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 punto de control .pt, tanto con las versiones oficiales como con tus propios modelos ajustados. Para consultar la lista completa de argumentos de entrenamiento configurables, consulta la referencia de configuración del entrenamiento.

Visualización de las curvas de entrenamiento#

train_args no es lo único que se almacena. Cada punto de control también incluye el results.csv completo de cada época de la ejecución que lo generó, junto con sus métricas finales de validación. Las curvas de los puntos de control oficiales de YOLO26 se publican en Ultralytics Platform, y cualquier archivo .pt puede arrastrarse y soltarse en un proyecto para representar los mismos datos, con los metadatos extraídos automáticamente del archivo.

Cada punto de control corresponde a la etapa que lo generó: las curvas de COCO están en yolo26s.pt y las curvas de las 150 épocas de Objects365 están en yolo26s-objv1-150.pt.

Comprobación de la revisión del código#

ckpt["git"] registra el commit que generó el punto de control, y esos commits están en ramas experimentales públicas del repositorio de Ultralytics, así que puedes usar exactamente el mismo código 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 incluyen trabajo que nunca llegó a main, como o2m y cls_w configurables. Si entrenas con main y los hiperparámetros documentados abajo, los resultados no serán idénticos bit a bit, pero la diferencia con las métricas publicadas será insignificante.

Hiperparámetros de entrenamiento de YOLO26 por tamaño del modelo#

Estos son los valores de la etapa 2, aplicados sobre los pesos de Objects365 de arriba. Las tablas siguientes agrupan la receta por categoría: optimizador y programación, pesos de pérdida y aumento de datos. Cada valor procede directamente de train_args, integrado en los puntos de control publicados.

Optimizador y tasa de aprendizaje#

Estos ajustes del optimizador y la programación se usaron para ajustar cada tamaño con COCO. Fíjate en cómo el modelo N se diferencia de los demás:

Pesos de pérdida#

Los pesos de pérdida equilibran los tres componentes de la pérdida de detección: la regresión de IoU de la caja delimitadora (box), la clasificación (cls) y un término de regresión de la distancia de la caja (dfl). Ten en cuenta que YOLO26, al no usar DFL, reutiliza el valor de dfl para ponderar una pérdida L1 sobre las distancias normalizadas de las cajas, en lugar de la pérdida focal de distribución:

El modelo N da prioridad al término de regresión de distancia dfl, mientras que los modelos S/M/L/X ponen más énfasis en la regresión de las cajas basada en IoU. La pérdida de clasificación se mantiene relativamente constante en todos los tamaños.

Proceso de aumento de datos#

Para consultar una explicación detallada de cada técnica, visita la guía de aumento de datos de YOLO.

Los valores que aparecen como ~0 son inferiores a 0,01 en los puntos de control reales (por ejemplo, degrees=0.00012 en el modelo S), por lo que el aumento de datos está prácticamente desactivado.

En general, los modelos más grandes usan un aumento de datos más agresivo (más mixup y escala), ya que tienen más capacidad y se benefician de una regularización más intensa. El modelo N es el único tamaño con valores significativos de rotación, cizallamiento y aumento BGR.

Parámetros internos de entrenamiento#

Ajustar YOLO26 con tu propio conjunto de datos#

Al ajustar YOLO26 con tu propio conjunto de datos, no necesitas reproducir toda la receta de preentrenamiento. Los pesos preentrenados ya incorporan los conocimientos sobre aumento de datos y optimización adquiridos durante el entrenamiento con COCO. Para conocer buenas prácticas de entrenamiento más generales, consulta Consejos para entrenar modelos.

Ajuste con la configuración predeterminada#

from ultralytics import YOLO

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

El ajuste con la configuración predeterminada es un buen punto de partida. Cambia los hiperparámetros solo si tienes un motivo concreto.

Cuándo ajustar los hiperparámetros de YOLO26#

Conjuntos de datos pequeños (< 1.000 imágenes):

• Reduce la intensidad del aumento de datos: mosaic=0.5, mixup=0.0, copy_paste=0.0
• Reduce la tasa de aprendizaje y especifica el optimizador: optimizer=AdamW, lr0=0.001
• Usa menos épocas y establece una paciencia: epochs=50, patience=20
• Plantéate congelar las capas del backbone: freeze=10

Conjuntos de datos grandes (> 50.000 imágenes):

• Ajusta la receta para que se parezca más a la de preentrenamiento
• Plantéate usar optimizer=MuSGD en ejecuciones más largas
• Aumenta el aumento de datos: mosaic=1.0, mixup=0.3, scale=0.9

Imágenes de dominios específicos (aéreas, médicas, submarinas):

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

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

Elige el tamaño del modelo#

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

Conclusión#

Los puntos de control de YOLO26 incluyen la receta completa de entrenamiento, así que basta con consultar train_args para conocer los hiperparámetros exactos de cualquier tamaño de modelo. Empieza el ajuste con la configuración predeterminada, haz cambios deliberados basándote en las tablas de esta página y comprueba cada cambio con tu propio conjunto de validación. Si te surge alguna duda, pregunta a la comunidad en el repositorio de Ultralytics en GitHub o en el servidor de Discord de Ultralytics.

Preguntas frecuentes#