Formación de modelos con Ultralytics YOLO

Introducción

Entrenar un modelo de aprendizaje profundo implica alimentarlo con datos y ajustar sus parámetros para que pueda realizar predicciones precisas. El modo de entrenamiento de Ultralytics YOLO11 está diseñado para un entrenamiento eficaz y eficiente de los modelos de detección de objetos, utilizando plenamente las capacidades del hardware moderno. Esta guía pretende cubrir todos los detalles que necesitas para empezar a entrenar tus propios modelos utilizando el sólido conjunto de funciones de YOLO11.

Observa: Cómo entrenar un modelo YOLO en su conjunto de datos personalizado en Google Colab.

¿Por qué elegir Ultralytics YOLO para la formación?

He aquí algunas razones de peso para optar por el modo Tren de YOLO11:

• Eficiencia: Saca el máximo partido a tu hardware, tanto si utilizas una única configuración deGPU como si escalas varias GPU.
• Versatilidad: Entrene en conjuntos de datos personalizados, además de los disponibles como COCO, VOC e ImageNet.
• Fácil de usar: interfaces sencillas pero potentes en CLI y Python para una experiencia de formación sin complicaciones.
• Flexibilidad de hiperparámetros: Una amplia gama de hiperparámetros personalizables para ajustar el rendimiento del modelo.

Características principales del modo tren

Las siguientes son algunas características notables del modo Tren de YOLO11:

• Descarga automática de conjuntos de datos: Los conjuntos de datos estándar como COCO, VOC e ImageNet se descargan automáticamente la primera vez que se utilizan.
• Soporte Multi-GPU : Escala tus esfuerzos de formación sin problemas a través de múltiples GPUs para agilizar el proceso.
• Configuración de hiperparámetros: La opción de modificar hiperparámetros a través de archivos de configuración YAML o argumentos CLI .
• Visualización y seguimiento: Seguimiento en tiempo real de las métricas de formación y visualización del proceso de aprendizaje para una mejor comprensión.

Ejemplos de uso

Entrenar YOLO11n en el conjunto de datos COCO8 para 100 épocas con un tamaño de imagen de 640. El dispositivo de entrenamiento se puede especificar mediante la opción device argumento. Si no se pasa ningún argumento GPU device=0 se utilizará si está disponible, de lo contrario device='cpu' se utilizarán. Consulte la sección Argumentos para obtener una lista completa de los argumentos de entrenamiento.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

Formación Multi-GPU

El entrenamiento Multi-GPU permite una utilización más eficiente de los recursos de hardware disponibles al distribuir la carga de entrenamiento entre varias GPU. Esta función está disponible tanto a través de la API Python como de la interfaz de línea de comandos. Para activar el entrenamiento múltipleGPU , especifique los ID de dispositivo GPU que desea utilizar.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1

Apple Silicon MPS Formación

Gracias a la compatibilidad con los chips de silicio de Apple integrados en los modelos Ultralytics YOLO , ahora es posible entrenar sus modelos en dispositivos que utilicen el potente marco Metal Performance Shaders (MPS). MPS ofrece una forma de alto rendimiento de ejecutar tareas de cálculo y procesamiento de imágenes en el silicio personalizado de Apple.

Para habilitar el entrenamiento en chips de silicio de Apple, debe especificar 'mps' como dispositivo al iniciar el proceso de entrenamiento. A continuación se muestra un ejemplo de cómo se puede hacer esto en Python y a través de la línea de comandos:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Al tiempo que se aprovecha la potencia de cálculo de los chips de silicio de Apple, esto permite un procesamiento más eficiente de las tareas de formación. Para obtener información más detallada y opciones de configuración avanzadas, consulte la documentación dePyTorch MPS .

Reanudación de los cursos interrumpidos

Reanudar el entrenamiento a partir de un estado previamente guardado es una función crucial cuando se trabaja con modelos de aprendizaje profundo. Esto puede resultar útil en varias situaciones, como cuando el proceso de entrenamiento se interrumpe inesperadamente o cuando se desea continuar entrenando un modelo con nuevos datos o durante más épocas.

Cuando se reanuda el entrenamiento, Ultralytics YOLO carga los pesos del último modelo guardado y también restaura el estado del optimizador, el programador de la tasa de aprendizaje y el número de épocas. Esto le permite continuar el proceso de entrenamiento sin problemas desde donde lo dejó.

Puede reanudar fácilmente la formación en Ultralytics YOLO configurando la opción resume argumento para True al llamar al train y especificando la ruta al método .pt que contiene los pesos del modelo parcialmente entrenado.

A continuación se muestra un ejemplo de cómo reanudar un entrenamiento interrumpido utilizando 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)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

Estableciendo resume=TrueEl train continuará el entrenamiento desde donde lo dejó, utilizando el estado almacenado en el archivo 'path/to/last.pt'. Si la función resume se omite o se establece en FalseEl train iniciará una nueva sesión de entrenamiento.

Recuerde que los puntos de control se guardan al final de cada época por defecto, o a intervalos fijos utilizando la opción save_period por lo que debe completar al menos 1 época para reanudar una carrera de entrenamiento.

Ajustes del tren

Los ajustes de entrenamiento de los 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. Entre los ajustes de entrenamiento más importantes se encuentran el tamaño del lote, la velocidad de aprendizaje, el impulso y el decaimiento del peso. Además, la elección del optimizador, la función de pérdida y la composición del conjunto de datos de entrenamiento pueden influir en el proceso de entrenamiento. El ajuste cuidadoso y la experimentación con estos parámetros son cruciales para optimizar el rendimiento.

Ajustes de aumento e hiperparámetros

Las técnicas de aumento son esenciales para mejorar la solidez y el rendimiento de los modelos de YOLO introduciendo variabilidad en los datos de entrenamiento, lo que ayuda al modelo a generalizar mejor a datos no vistos. En la tabla siguiente se describen la finalidad y el efecto de cada argumento de aumento:

Estos parámetros pueden ajustarse para satisfacer los requisitos específicos del conjunto de datos y la tarea en cuestión. Experimentar con distintos valores puede ayudar a encontrar la estrategia de aumento óptima que conduzca al mejor rendimiento del modelo.

Registro

Al entrenar un modelo YOLO11 , puede resultarle útil hacer un seguimiento del rendimiento del modelo a lo largo del tiempo. Aquí es donde entra en juego el registro. Ultralytics' YOLO proporciona soporte para tres tipos de registradores - Comet, ClearML, y TensorBoard.

Para utilizar un registrador, selecciónelo en el menú desplegable del fragmento de código anterior y ejecútelo. El registrador elegido se instalará e inicializará.

Comet

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

Para utilizar 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. Tendrás que 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 forma más eficiente.

Para utilizar ClearML:

# pip install clearml
import clearml

clearml.browser_login()

Después de ejecutar este script, tendrá que iniciar sesión en su cuenta ClearML en el navegador y autenticar su sesión.

TensorBoard

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

Para utilizar TensorBoard en Google Colab:

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

Para utilizar TensorBoard localmente ejecute el siguiente comando y vea los resultados en http://localhost:6006/.

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

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

Una vez configurado el registrador, puede continuar con el entrenamiento del modelo. Todas las métricas de entrenamiento se registrarán automáticamente en la plataforma elegida, y podrás acceder a estos registros para supervisar el rendimiento de tu modelo a lo largo del tiempo, comparar diferentes modelos e identificar áreas de mejora.

PREGUNTAS FRECUENTES

¿Cómo entreno un modelo de detección de objetos utilizando Ultralytics YOLO11 ?

Para entrenar un modelo de detección de objetos utilizando Ultralytics YOLO11 , puede utilizar la API Python o la CLI. A continuación se muestra un ejemplo para ambas:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Para más detalles, consulte la sección Ajustes del tren.

¿Cuáles son las principales características del modo Tren de Ultralytics YOLO11 ?

Las principales características del modo Tren de Ultralytics YOLO11 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: Personalice los hiperparámetros mediante archivos YAML o argumentos de CLI .
• Visualización y seguimiento: Seguimiento en tiempo real de las métricas de formación para una mejor comprensión.

Estas características hacen que el entrenamiento sea eficiente y personalizable según sus necesidades. Para más detalles, consulte la sección Características principales del modo Tren.

¿Cómo se reanuda un entrenamiento tras una sesión interrumpida en Ultralytics YOLO11 ?

Para reanudar el entrenamiento a partir de una sesión interrumpida, configure la opción resume argumento para True y especifique la ruta del 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)

yolo train resume model=path/to/last.pt

Para más información, consulte la sección Reanudación de los cursos interrumpidos.

¿Puedo entrenar modelos YOLO11 en chips de silicio de Apple?

Sí, Ultralytics YOLO11 admite el entrenamiento en chips de silicio Apple que utilizan el marco Metal Performance Shaders (MPS). Especifica 'mps' como dispositivo de entrenamiento.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Para más detalles, consulte la sección de formación de Apple Silicon MPS .

¿Cuáles son los ajustes de entrenamiento habituales y cómo se configuran?

Ultralytics YOLO11 le permite configurar una variedad de ajustes de entrenamiento como el tamaño del lote, la tasa de aprendizaje, las épocas, y más a través de argumentos. He aquí un breve resumen:

Para obtener una guía detallada sobre los ajustes de entrenamiento, consulte la sección Ajustes de entrenamiento.

Creado hace 1 año ✏️ Actualizado hace 1 mes

Comentarios