Entrenamiento de modelos con Ultralytics YOLO#

Introducción#

Entrenar un modelo de aprendizaje profundo consiste en proporcionarle datos y ajustar sus parámetros para que pueda realizar predicciones precisas. El modo de entrenamiento de Ultralytics YOLO26 está diseñado para entrenar modelos de detección de objetos de forma eficaz y eficiente, aprovechando al máximo las capacidades del hardware moderno. Esta guía cubre todos los detalles que necesitas para empezar a entrenar tus propios modelos con el sólido conjunto de funciones de YOLO26. Si aún no has instalado Ultralytics, empieza por la guía de inicio rápido.

Consulta la versión preliminar no publicada de YOLO27 para ver los ejemplos de entrenamiento previstos.

¿Por qué elegir Ultralytics YOLO para entrenar?#

Estas son algunas razones de peso para elegir el modo de entrenamiento de YOLO26:

• Eficiencia: Saca el máximo partido a tu hardware, tanto si usas una sola GPU como si amplías la capacidad con varias GPU.
• Versatilidad: Entrena con conjuntos de datos personalizados, además de los disponibles, como COCO, VOC e ImageNet.
• Facilidad de uso: Interfaces sencillas pero potentes de CLI y Python para que entrenar sea fácil.
• Flexibilidad de los hiperparámetros: Amplia variedad de hiperparámetros personalizables para ajustar el rendimiento del modelo. Si necesitas un control más preciso, puedes personalizar el entrenador.
• Entrenamiento en la nube: Entrena en GPU en la nube a través de Ultralytics Platform, con métricas en tiempo real y guardado automático de checkpoints.

Funciones clave del modo de entrenamiento#

Estas son algunas de las funciones más destacadas del modo de entrenamiento de YOLO26:

• Descarga automática de conjuntos de datos: Las configuraciones de conjuntos de datos que incluyen una fuente de descarga se descargan automáticamente la primera vez que se utilizan; por ejemplo, yolo train data=coco8.yaml. Consulta la descripción general de los conjuntos de datos para ver los formatos y conjuntos de datos compatibles.
• Compatibilidad con varias GPU: Amplía fácilmente el entrenamiento a varias GPU para agilizar el proceso.
• Configuración de hiperparámetros: Puedes modificar los hiperparámetros mediante archivos de configuración YAML o argumentos de CLI.
• Visualización y supervisión: Seguimiento en tiempo real de las métricas de entrenamiento y visualización del proceso de aprendizaje para obtener información más útil.

Ejemplos de uso#

Entrena YOLO26n con el conjunto de datos COCO8 durante 100 épocas con un tamaño de imagen de 640. Puedes especificar el dispositivo de entrenamiento mediante el argumento device. Si no se indica ningún argumento, se usará la GPU device=0 cuando esté disponible; de lo contrario, se usará device='cpu'. Consulta la sección Argumentos más abajo para ver la lista completa de argumentos de entrenamiento.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n.yaml")  # Crea un modelo nuevo a partir de YAML
model = YOLO("yolo26n.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # Crea el modelo a partir de YAML y transfiere los pesos

# Entrenar el modelo
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Entrenamiento con varias GPU#

El entrenamiento con varias GPU permite aprovechar mejor los recursos de hardware disponibles al distribuir la carga de entrenamiento entre varias GPU. Esta función está disponible tanto en la API de Python como en la interfaz de línea de comandos. Para activar el entrenamiento con varias GPU, especifica los ID de los dispositivos GPU que quieras usar.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrena el modelo con 2 GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Entrena el modelo con las dos GPU más inactivas
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

python -m torch.distributed.run --nproc_per_node 2 your_training_script.py

El entrenamiento en GPU AMD utiliza una compilación de PyTorch con ROCm y la sintaxis estándar device=0 o device=cuda:0. Consulta la guía de integración de AMD para obtener información sobre la instalación de ROCm, el entrenamiento con varias GPU, las notas sobre AMP y la inferencia con MIGraphX de los modelos exportados.

El entrenamiento en GPU Intel utiliza device=xpu:0 o varios ID de XPU con una compilación de PyTorch que incluya XCCL.

Entrenamiento en NPU Huawei Ascend#

Ultralytics permite entrenar y validar en NPU Huawei Ascend mediante torch_npu. Instala versiones compatibles entre sí de CANN, PyTorch y torch_npu siguiendo la guía de instalación de Ascend Extension for PyTorch y, a continuación, activa el entorno de CANN antes de iniciar Ultralytics:

source /usr/local/Ascend/ascend-toolkit/set_env.sh

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Entrena en una NPU Ascend
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# Entrena en dos NPU Ascend mediante HCCL
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

Las funciones de entrenamiento estándar, como AMP, la validación, los checkpoints y la reanudación, utilizan la NPU activa. AutoBatch está disponible para el entrenamiento con una sola NPU, mientras que varios ID de NPU inician el entrenamiento distribuido mediante HCCL. Consulta la guía de integración de Huawei Ascend para exportar y desplegar el modelo después del entrenamiento.

Entrenamiento en GPU inactivas#

El entrenamiento en GPU inactivas selecciona automáticamente las GPU menos utilizadas en sistemas con varias GPU y optimiza el uso de los recursos sin que tengas que elegir las GPU manualmente. Esta función detecta las GPU disponibles según las métricas de utilización y la disponibilidad de VRAM.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrena con la GPU más inactiva
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Entrena con las dos GPU más inactivas
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

El algoritmo de selección automática da prioridad a las GPU con:

1. Menores porcentajes de utilización actual
2. Más memoria disponible (VRAM libre)

Esta función resulta especialmente útil en entornos de computación compartidos o cuando se ejecutan varios trabajos de entrenamiento para distintos modelos. Se adapta automáticamente a los cambios en las condiciones del sistema y garantiza una asignación óptima de los recursos sin intervención manual.

Entrenamiento con MPS en Apple Silicon#

Gracias a la compatibilidad integrada con los chips Apple silicon en los modelos Ultralytics YOLO, ahora puedes entrenar tus modelos en dispositivos que utilizan el potente framework Metal Performance Shaders (MPS). MPS ofrece una forma de alto rendimiento de ejecutar cálculos y tareas de procesamiento de imágenes en el silicio personalizado de Apple.

Para activar el entrenamiento en chips Apple silicon, especifica 'mps' como dispositivo al iniciar el proceso. A continuación tienes un ejemplo de cómo hacerlo con Python y desde la línea de comandos:

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrena el modelo con MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

Al aprovechar la potencia de cálculo de los chips Apple silicon, puedes procesar las tareas de entrenamiento con mayor eficiencia. Para obtener instrucciones más detalladas y opciones de configuración avanzadas, consulta la documentación de PyTorch sobre MPS.

Reanudación de entrenamientos interrumpidos#

Reanudar el entrenamiento desde un estado guardado previamente es una función crucial al trabajar con modelos de aprendizaje profundo. Puede resultar útil en distintas situaciones, por ejemplo, si el proceso de entrenamiento se interrumpe inesperadamente o si quieres seguir entrenando un modelo con datos nuevos o durante más épocas.

Al reanudar el entrenamiento, Ultralytics YOLO carga los pesos del último modelo guardado y también restaura el estado del optimizador, el planificador de la tasa de aprendizaje, el número de época y el conjunto de datos. Esto te permite continuar el proceso de entrenamiento sin interrupciones desde el punto en el que se detuvo. Pasa explícitamente data= junto con resume para continuar con un conjunto de datos distinto del del punto de control.

Puedes reanudar fácilmente el entrenamiento en Ultralytics YOLO estableciendo el argumento resume en True al llamar al método train y especificando la ruta al archivo .pt que contiene los pesos del modelo entrenado parcialmente.

A continuación se muestra un ejemplo de cómo reanudar un entrenamiento interrumpido con Python y mediante la línea de comandos:

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("path/to/last.pt")  # cargar un modelo entrenado parcialmente

# Reanudar el entrenamiento
results = model.train(resume=True)

Al establecer resume=True, la función train continuará el entrenamiento desde el punto en el que se detuvo, usando el estado almacenado en el archivo 'path/to/last.pt'. Si se omite el argumento resume o se establece en False, la función train iniciará una nueva sesión de entrenamiento.

Recuerda que, de forma predeterminada, los puntos de control se guardan al final de cada época, o a intervalos fijos mediante el argumento save_period, por lo que debes completar al menos 1 época para reanudar una ejecución de entrenamiento.

Ajustes de entrenamiento#

La configuración de entrenamiento de los modelos YOLO incluye varios hiperparámetros y ajustes que se usan durante el proceso de entrenamiento. Estos ajustes influyen en el rendimiento, la velocidad y la precisión del modelo. Entre los ajustes de entrenamiento más importantes se encuentran el tamaño del lote, la tasa de aprendizaje, el momentum y la disminución de pesos. Además, la elección del optimizador, la función de pérdida y la composición del conjunto de datos de entrenamiento pueden afectar al proceso. Para optimizar el rendimiento, es fundamental ajustar estos valores con cuidado y experimentar con ellos.

Optimizador MuSGD#

En YOLO26, MuSGD es un optimizador híbrido que combina actualizaciones estándar de SGD con actualizaciones ortogonalizadas al estilo de Muon.

Se recomienda para entrenamientos prolongados de YOLO26 y conjuntos de datos más grandes, donde las actualizaciones ortogonalizadas de Muon pueden ayudar a estabilizar la optimización.

Solo los pesos lineales 2D y los filtros convolucionales 4D (reorganizados en 2D) reciben la actualización al estilo de Muon junto con SGD; el resto de parámetros, como los pesos de normalización por lotes y los términos de sesgo, siguen usando SGD estándar.

Cuando se usa optimizer=auto, Ultralytics selecciona automáticamente MuSGD para los entrenamientos prolongados (normalmente cuando iterations > 10000). En las ejecuciones más cortas, el entrenador recurre a AdamW. En el modo auto, el entrenador también selecciona la tasa de aprendizaje, por lo que se ignora cualquier lr0 proporcionado por el usuario. Para controlar estos ajustes manualmente, selecciona un optimizador explícitamente, por ejemplo, optimizer=AdamW lr0=0.001.

Ejemplo de uso:

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

Consulta la implementación en ultralytics/optim/muon.py y la lógica de selección automática del optimizador en BaseTrainer.build_optimizer.

Ajustes y hiperparámetros de aumento de datos#

Las técnicas de aumento de datos son esenciales para mejorar la robustez y el rendimiento de los modelos YOLO, ya que introducen variabilidad en los datos de entrenamiento y ayudan al modelo a generalizar mejor con datos que no ha visto. La siguiente tabla describe el propósito y el efecto de cada argumento de aumento:

Puedes ajustar estos parámetros para satisfacer los requisitos específicos del conjunto de datos y la tarea en cuestión. Experimentar con distintos valores puede ayudarte a encontrar la estrategia de aumento óptima para lograr el mejor rendimiento del modelo.

Registro#

Las métricas, los gráficos y los puntos de control del entrenamiento siempre se escriben en el directorio de ejecución; además, Ultralytics los envía a cualquier plataforma de seguimiento de experimentos que tengas instalada y activada: Comet, ClearML, TensorBoard, MLflow, Weights & Biases y DVCLive. Cada registrador se activa o desactiva desde la configuración de Ultralytics, por ejemplo, yolo settings tensorboard=True. A continuación se muestran las tres configuraciones más habituales.

Comet#

Comet es una plataforma que permite a científicos de datos y desarrolladores hacer seguimiento de experimentos y modelos, compararlos, explicarlos y optimizarlos. Ofrece funciones como métricas en tiempo real, diferencias de código y seguimiento de hiperparámetros.

Para usar Comet:

# pip install comet_ml
import comet_ml

comet_ml.login()

Recuerda iniciar sesión en tu cuenta de Comet en su sitio web y obtener tu clave API. Tendrás que añadirla a las variables de entorno o al script para registrar tus experimentos.

ClearML#

ClearML es una plataforma de código abierto que automatiza el seguimiento de experimentos y facilita el uso compartido eficiente de recursos. Está diseñada para ayudar a los equipos a gestionar, ejecutar y reproducir su trabajo de aprendizaje automático de forma más eficiente.

Para usar ClearML:

# pip install clearml
import clearml

clearml.browser_login()

Después de ejecutar este script, tendrás que iniciar sesión en tu cuenta de ClearML desde el navegador y autenticar la sesión.

TensorBoard#

TensorBoard es un conjunto de herramientas de visualización para TensorFlow. Te permite visualizar tu grafo de TensorFlow, representar métricas cuantitativas sobre la ejecución del grafo y mostrar datos adicionales, como las imágenes que lo atraviesan.

Para usar TensorBoard en Google Colab:

%load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directory

Para usar TensorBoard localmente, ejecuta el siguiente comando y consulta los resultados en localhost:6006.

tensorboard --logdir ultralytics/runs # replace with 'runs' directory

Esto cargará TensorBoard y lo dirigirá al directorio donde se guardan los registros de entrenamiento.

Una vez configurado el registrador, puedes continuar con el entrenamiento del modelo. Todas las métricas de entrenamiento se registrarán automáticamente en la plataforma que hayas elegido. Puedes consultar estos registros para supervisar el rendimiento del modelo a lo largo del tiempo, comparar distintos modelos e identificar aspectos que mejorar.

Qué hacer a continuación#

Valida tu modelo entrenado con datos reservados para comprobar su precisión en condiciones reales y, después, expórtalo a ONNX, TensorRT u otro formato de implementación. ¿Vas a entrenar con tus propios datos en lugar de COCO8? Dales formato primero con la guía de conjuntos de datos.

Preguntas frecuentes#