Entrenamiento de modelos con Ultralytics YOLO

Introducción

Entrenar un modelo de deep learning implica introducirle datos y ajustar sus parámetros para que pueda realizar predicciones precisas. El modo de entrenamiento (Train) en Ultralytics YOLO26 está diseñado para lograr un entrenamiento efectivo y eficiente de modelos de detección de objetos, aprovechando al máximo las capacidades del hardware moderno. Esta guía tiene como objetivo cubrir todos los detalles que necesitas para comenzar a entrenar tus propios modelos utilizando el robusto conjunto de funciones de YOLO26.

¿Por qué elegir Ultralytics YOLO para el entrenamiento?

Aquí tienes algunas razones convincentes para optar por el modo de entrenamiento de YOLO26:

• Eficiencia: Aprovecha al máximo tu hardware, tanto si estás en una configuración de una sola GPU como si escalas en múltiples GPU.
• Versatilidad: Entrena con conjuntos de datos personalizados además de los disponibles como COCO, VOC e ImageNet.
• Fácil de usar: Interfaces CLI y Python sencillas pero potentes para una experiencia de entrenamiento directa.
• Flexibilidad en hiperparámetros: Una amplia gama de hiperparámetros personalizables para ajustar el rendimiento del modelo. Para un control más profundo, puedes personalizar el entrenador tú mismo.
• Entrenamiento en la nube: Entrena en GPU en la nube a través de Ultralytics Platform con métricas en tiempo real y guardado automático de puntos de control (checkpoints).

Características clave del modo de entrenamiento (Train)

Las siguientes son algunas características notables del modo de entrenamiento de YOLO26:

• Descarga automática de conjuntos de datos: Los conjuntos de datos estándar como COCO, VOC e ImageNet se descargan automáticamente la primera vez que se usan.
• Soporte Multi-GPU: Escala tus esfuerzos de entrenamiento sin problemas a través de múltiples GPU para acelerar el proceso.
• Configuración de hiperparámetros: La opción de modificar los hiperparámetros a través de archivos de configuración YAML o argumentos de CLI.
• Visualización y monitoreo: Seguimiento en tiempo real de las métricas de entrenamiento y visualización del proceso de aprendizaje para obtener mejores resultados.

Ejemplos de uso

Entrena YOLO26n en el conjunto de datos COCO8 durante 100 epochs con un tamaño de imagen de 640. El dispositivo de entrenamiento se puede especificar usando el argumento device. Si no se pasa ningún argumento, se usará la GPU device=0 cuando esté disponible; de lo contrario, se usará device='cpu'. Consulta la sección de Argumentos a continuación para ver una lista completa de los argumentos de entrenamiento.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Entrenamiento Multi-GPU

El entrenamiento Multi-GPU permite un uso más eficiente de los recursos de hardware disponibles al distribuir la carga de trabajo de entrenamiento entre varias GPU. Esta función está disponible tanto a través de la API de Python como de la interfaz de línea de comandos. Para habilitar el entrenamiento Multi-GPU, especifica los ID de los dispositivos GPU que deseas utilizar.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Train the model with the two most idle GPUs
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

Entrenamiento con GPU inactiva

El entrenamiento con GPU inactiva permite la selección automática de las GPU menos utilizadas en sistemas Multi-GPU, optimizando el uso de recursos sin selección manual de GPU. Esta función identifica las GPU disponibles según las métricas de utilización y la disponibilidad de VRAM.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train using the single most idle GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Train using the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

El algoritmo de selección automática prioriza las GPU con:

1. Menores porcentajes de utilización actual
2. Mayor memoria disponible (VRAM libre)
3. Menor temperatura y consumo de energía

Esta función es especialmente valiosa en entornos de computación compartida o cuando se ejecutan múltiples tareas de entrenamiento en diferentes modelos. Se adapta automáticamente a las condiciones cambiantes del sistema, garantizando una asignación de recursos óptima sin intervención manual.

Entrenamiento con Apple Silicon MPS

Con el soporte para los chips de Apple silicon integrado en los modelos de Ultralytics YOLO, ahora es posible entrenar tus modelos en dispositivos que utilizan el potente framework Metal Performance Shaders (MPS). MPS ofrece una forma de alto rendimiento de ejecutar tareas de computación y procesamiento de imágenes en el silicio personalizado de Apple.

Para habilitar el entrenamiento en chips de Apple silicon, debes especificar 'mps' como tu dispositivo al iniciar el proceso de entrenamiento. A continuación, tienes un ejemplo de cómo podrías hacer esto en Python y a través de la línea de comandos:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

Al aprovechar la potencia computacional de los chips de Apple silicon, esto permite un procesamiento más eficiente de las tareas de entrenamiento. Para obtener una guía más detallada y opciones de configuración avanzadas, consulta la documentación de PyTorch MPS.

Reanudación de entrenamientos interrumpidos

Reanudar el entrenamiento desde un estado guardado previamente es una función crucial cuando se trabaja con modelos de deep learning. Esto puede ser útil en varios escenarios, como cuando el proceso de entrenamiento se ha interrumpido inesperadamente o cuando deseas continuar entrenando un modelo con nuevos datos o durante más épocas (epochs).

Cuando se reanuda el entrenamiento, Ultralytics YOLO carga los pesos del último modelo guardado y también restaura el estado del optimizador, el planificador de learning rate y el número de época. Esto te permite continuar el proceso de entrenamiento sin problemas desde donde se quedó.

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

A continuación, tienes un ejemplo de cómo reanudar un entrenamiento interrumpido usando Python y a través de la línea de comandos:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

Al configurar resume=True, la función train continuará el entrenamiento desde donde se quedó, utilizando el estado almacenado en el archivo 'path/to/last.pt'. Si el argumento resume se omite o se establece en False, la función train comenzará una nueva sesión de entrenamiento.

Recuerda que los puntos de control (checkpoints) se guardan al final de cada época de forma predeterminada, o en 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

Los ajustes de entrenamiento para modelos YOLO abarcan varios hiperparámetros y configuraciones utilizados durante el proceso de entrenamiento. Estos ajustes influyen en el rendimiento, la velocidad y la precisión del modelo. Los ajustes de entrenamiento clave incluyen el tamaño del lote (batch size), la tasa de aprendizaje, el momento y la caída de peso (weight decay). Además, la elección del optimizador, la función de pérdida y la composición del conjunto de datos de entrenamiento pueden afectar al proceso. Un ajuste y experimentación cuidadosos con estos parámetros son cruciales para optimizar el rendimiento.

Optimizador MuSGD

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

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

Solo los parámetros con param.ndim >= 2 (como los pesos convolucionales) reciben la actualización al estilo Muon junto con SGD, mientras que los parámetros de menor dimensión, como las capas de normalización por lotes (batch normalization) y los términos de sesgo, permanecen con el SGD estándar.

Cuando se utiliza optimizer=auto, Ultralytics selecciona automáticamente MuSGD para ejecuciones de entrenamiento más largas (normalmente cuando las iteraciones > 10000). Para ejecuciones más cortas, el entrenador vuelve a AdamW.

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.

Configuraciones e hiperparámetros de aumento (Augmentation)

Las técnicas de aumento son esenciales para mejorar la robustez y el rendimiento de los modelos YOLO al introducir variabilidad en los datos de entrenamiento, ayudando al modelo a generalizar mejor ante datos no vistos. La siguiente tabla describe el propósito y el efecto de cada argumento de aumento:

Estos ajustes se pueden ajustar para cumplir con los requisitos específicos del conjunto de datos y la tarea en cuestión. Experimentar con diferentes valores puede ayudar a encontrar la estrategia de aumentación óptima que conduzca al mejor rendimiento del modelo.

Registro (Logging)

Al entrenar un modelo YOLO26, puede resultarte valioso realizar un seguimiento del rendimiento del modelo a lo largo del tiempo. Aquí es donde entra en juego el registro. Ultralytics YOLO ofrece soporte para tres tipos de registradores: Comet, ClearML y TensorBoard.

Para usar un registrador, selecciónalo en el menú desplegable del fragmento de código anterior y ejecútalo. El registrador elegido se instalará e inicializará.

Comet

Comet es una plataforma que permite a los científicos de datos y desarrolladores realizar un seguimiento, comparar, explicar y optimizar experimentos y modelos. Proporciona funcionalidades como métricas en tiempo real, diferencias de código y seguimiento de hiperparámetros.

Para usar Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

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

ClearML

ClearML es una plataforma de código abierto que automatiza el seguimiento de experimentos y ayuda a compartir recursos de forma eficiente. Está diseñada para ayudar a los equipos a gestionar, ejecutar y reproducir su trabajo de ML de manera más eficiente.

Para usar ClearML:

# pip install clearml
import clearml

clearml.browser_login()

Después de ejecutar este script, deberás iniciar sesión en tu cuenta de ClearML en el navegador y autenticar tu sesión.

TensorBoard

TensorBoard es un kit de herramientas de visualización para TensorFlow. Te permite visualizar tu grafo de TensorFlow, trazar métricas cuantitativas sobre la ejecución de tu grafo y mostrar datos adicionales como las imágenes que pasan por él.

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 visualiza los resultados en localhost:6006.

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

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

Después de configurar tu registrador, puedes proceder con el entrenamiento de tu modelo. Todas las métricas de entrenamiento se registrarán automáticamente en la plataforma elegida, y podrás acceder a estos registros para controlar el rendimiento de tu modelo a lo largo del tiempo, comparar diferentes modelos e identificar áreas de mejora.

Preguntas frecuentes

¿Puedo entrenar sin una GPU local?

Sí. Ultralytics Platform admite el entrenamiento en la nube con créditos gratuitos para empezar. Sube tu conjunto de datos, selecciona un modelo y una GPU, y entrena directamente desde el navegador. Consulta la guía de entrenamiento en la nube para obtener más detalles.

¿Cómo entreno un modelo de detección de objetos utilizando Ultralytics YOLO26?

Para entrenar un modelo de detección de objetos utilizando Ultralytics YOLO26, puedes usar la API de Python o la CLI. A continuación, tienes un ejemplo para ambas:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Para más detalles, consulta la sección de Configuración de entrenamiento.

¿Cuáles son las características clave del modo de entrenamiento de Ultralytics YOLO26?

Las características clave del modo de entrenamiento de Ultralytics YOLO26 incluyen:

• Descarga automática de conjuntos de datos: Descarga automáticamente conjuntos de datos estándar como COCO, VOC e ImageNet.
• Soporte Multi-GPU: Escala el entrenamiento a través de múltiples GPUs para un procesamiento más rápido.
• Configuración de hiperparámetros: Personaliza los hiperparámetros mediante archivos YAML o argumentos de la CLI.
• Visualización y monitoreo: Seguimiento en tiempo real de las métricas de entrenamiento para obtener mejores perspectivas.

Estas características hacen que el entrenamiento sea eficiente y personalizable según tus necesidades. Para más detalles, consulta la sección de Características clave del modo de entrenamiento.

¿Cómo reanudo el entrenamiento desde una sesión interrumpida en Ultralytics YOLO26?

Para reanudar el entrenamiento desde una sesión interrumpida, establece el argumento resume en True y especifica la ruta al último punto de control guardado.

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

# Resume training
results = model.train(resume=True)

Consulta la sección sobre Reanudar entrenamientos interrumpidos para obtener más información.

¿Cómo entreno un modelo con un conjunto de datos desequilibrado?

El desequilibrio de clases ocurre cuando algunas clases tienen significativamente menos ejemplos que otras en tus datos de entrenamiento. Esto puede hacer que el modelo tenga un bajo rendimiento en las clases raras. Ultralytics YOLO admite la ponderación de clases a través del argumento cls_pw para abordar este problema.

El argumento cls_pw controla el poder de ponderación de clase basado en la frecuencia inversa de clase:

• cls_pw=0.0 (predeterminado): Desactiva la ponderación de clase
• cls_pw=1.0: Aplica la ponderación de frecuencia inversa completa
• Valores entre 0.0 y 1.0: Proporcionan ponderación parcial para un desequilibrio moderado

Los pesos de clase se calculan como (1.0 / class_counts) ^ cls_pw y se normalizan de modo que su media sea igual a 1.0.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train with full class weighting for severely imbalanced data
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=1.0)

# Or use partial weighting (0.25) for moderate imbalance
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=0.25)

¿Puedo entrenar modelos YOLO26 en chips de silicio de Apple?

Sí, Ultralytics YOLO26 admite el entrenamiento en chips de silicio de Apple utilizando el marco Metal Performance Shaders (MPS). Especifica 'mps' como tu dispositivo de entrenamiento.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

Para más detalles, consulta la sección de Entrenamiento MPS de Apple Silicon.

¿Cuáles son los ajustes de entrenamiento comunes y cómo los configuro?

Ultralytics YOLO26 te permite configurar una variedad de ajustes de entrenamiento como el tamaño de lote, la tasa de aprendizaje, las épocas y más mediante argumentos. Aquí tienes un breve resumen:

Para obtener una guía detallada sobre los ajustes de entrenamiento, consulta la sección de Configuración de entrenamiento.