Recette d’entraînement de YOLO26#

Introduction#

Ce guide documente la recette exacte d’entraînement utilisée pour produire les points de contrôle officiels YOLO26 préentraînés sur COCO. Chaque hyperparamètre présenté ici est déjà intégré aux poids .pt publiés, avec le journal d’entraînement par époque et la révision du code utilisée pour l’exécution ; tu peux inspecter l’ensemble par programmation.

Savoir ce qui a été intégré aux points de contrôle officiels — pas seulement l’architecture, mais aussi les planifications du taux d’apprentissage, les pipelines d’augmentation et les poids des fonctions de perte qui ont façonné leurs performances — t’aide à prendre de meilleures décisions lors du fine-tuning : quelles augmentations de données conserver, quels poids de la fonction de perte ajuster et quels paramètres d’optimisation conviennent le mieux à la taille de ton jeu de données.

Vue d’ensemble de l’entraînement#

Tous les modèles de base YOLO26 ont été entraînés en deux étapes : un préentraînement sur Objects365v1 pendant 150 époques, suivi d’un fine-tuning sur COCO. Les deux étapes ont utilisé une résolution de 640x640, l’optimiseur MuSGD et une taille de lot de 128. Aucun point de contrôle YOLO26 n’a été entraîné sur COCO à partir de poids aléatoires ; c’est pourquoi l’étape COCO est courte pour la plupart des tailles, et ses hyperparamètres ont été déterminés par une recherche évolutionnaire. Les journaux et métriques complets de chaque taille de modèle sont stockés dans les points de contrôle publiés et affichés sous forme de graphiques sur Ultralytics Platform.

Principaux choix de conception pour toutes les tailles :

• Préentraînement sur Objects365 pour chaque taille avant l’étape COCO
• L'entraînement à double tête avec une supervision de type one-to-many et one-to-one ; l'inférence utilise NMS par défaut, nms=False permettant de sélectionner la tête sans NMS
• Optimiseur MuSGD combinant SGD et des mises à jour orthogonalisées de style Muon pour les matrices de poids (poids linéaires 2D et filtres de convolution 4D, remodelés en 2D)
• Augmentation mosaïque intensive (probabilité de ~0.9-1.0) désactivée lors des dernières époques (close_mosaic=8 en préentraînement, close_mosaic=10 sur COCO)
• Augmentation d’échelle agressive (0.5-0.95) pour gérer les objets de différentes tailles
• Rotation et cisaillement minimaux pour la plupart des tailles, afin de limiter les distorsions géométriques

Étape 1 : préentraînement sur Objects365#

Chaque point de contrôle YOLO26 sur COCO a été ajusté à partir d’un point de contrôle Objects365v1 de même taille. Ces poids préentraînés sont également publiés et documentés sur la page du jeu de données Objects365. Chaque point de contrôle COCO indique ses poids de départ dans la configuration d’entraînement intégrée au fichier .pt, comme l’explique la section Inspecting YOLO26 Checkpoint Training Args ci-dessous :

Le préentraînement a principalement utilisé les paramètres par défaut plutôt que des valeurs recherchées. lr0, lrf, momentum, weight_decay, box et cls correspondent à default.yaml, tandis que warmup_epochs, close_mosaic et dfl ont été remplacés. Les paramètres sont communs à toutes les tailles, à l’exception de warmup_epochs pour X, des intensités d’augmentation et des poids internes de MuSGD et de la tête indiqués après les tableaux :

Ces tableaux couvrent les paramètres qui façonnent le préentraînement, et non la configuration complète. Les points de contrôle enregistrent plus de 100 arguments ; affiche donc train_args comme indiqué ci-dessous pour obtenir la liste de référence.

from ultralytics import YOLO

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

Inspection des arguments d’entraînement du point de contrôle YOLO26#

Chaque point de contrôle Ultralytics stocke la configuration complète d’entraînement utilisée pour le produire ; tu peux donc vérifier toi-même chaque valeur de cette page :

from ultralytics import YOLO

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

La sortie répertorie la configuration complète, qui contient plus de 100 entrées, notamment chaque valeur de recette documentée sur cette page. Voici un extrait pour 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

Cela fonctionne avec n’importe quel point de contrôle .pt, qu’il s’agisse de publications officielles ou de tes propres modèles ajustés. Pour consulter la liste complète des arguments d’entraînement configurables, voir la référence de configuration de l’entraînement.

Afficher les courbes d’entraînement#

train_args n’est pas le seul élément stocké. Chaque point de contrôle contient également le results.csv complet, époque par époque, de l’exécution qui l’a produit, ainsi que ses métriques finales de validation. Les courbes des points de contrôle officiels YOLO26 sont publiées sur Ultralytics Platform, et tu peux faire glisser un fichier .pt vers un projet pour représenter les mêmes données, les métadonnées étant automatiquement extraites du fichier.

Chaque point de contrôle couvre l’étape qui l’a produit ; les courbes COCO se trouvent donc dans yolo26s.pt, tandis que les courbes Objects365 sur 150 époques se trouvent dans yolo26s-objv1-150.pt.

Vérification de la révision du code#

ckpt["git"] enregistre le commit qui a produit le point de contrôle, et ces commits se trouvent dans les branches expérimentales publiques du dépôt Ultralytics ; tu peux donc récupérer le code d’entraînement exact :

from ultralytics import YOLO

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

git fetch origin cb13d5f9cfbd6f299da3620c625f81d721dc2849
git checkout cb13d5f9cfbd6f299da3620c625f81d721dc2849

Les branches expérimentales contiennent des travaux qui n’ont jamais été intégrés à main, comme o2m et cls_w configurables. Un entraînement sur main avec les hyperparamètres documentés ci-dessous ne sera pas identique bit par bit, mais ses métriques resteront à une distance négligeable de celles publiées.

Hyperparamètres d’entraînement de YOLO26 par taille de modèle#

Voici les valeurs de l’étape 2, appliquées aux poids Objects365 ci-dessus. Les tableaux ci-dessous regroupent la recette par catégorie : optimiseur et planification, poids des pertes et augmentation. Chaque valeur provient directement de train_args, intégré aux points de contrôle publiés.

Optimiseur et taux d’apprentissage#

Ces paramètres d’optimisation et de planification ont piloté le fine-tuning sur COCO pour chaque taille ; remarque que le modèle N se distingue des autres :

Poids des pertes#

Les poids des pertes équilibrent les trois composantes de la perte de détection — la régression IoU des boîtes englobantes (box), la classification (cls) et un terme de régression de distance des boîtes (dfl). Note que YOLO26 sans DFL réaffecte le gain dfl pour pondérer une perte L1 sur les distances normalisées des boîtes plutôt que la perte focale de distribution :

Le modèle N donne la priorité au terme de régression de distance dfl, tandis que les modèles S/M/L/X mettent davantage l’accent sur la régression des boîtes fondée sur l’IoU. La perte de classification reste relativement homogène pour toutes les tailles.

Pipeline d’augmentation#

Pour une explication détaillée de chaque technique, consulte le guide sur l’augmentation des données YOLO.

Les valeurs indiquées comme ~0 sont inférieures à 0.01 dans les points de contrôle réels (par exemple, degrees=0.00012 pour le modèle S) : l’augmentation est effectivement désactivée.

Les modèles plus grands utilisent globalement des augmentations plus agressives (mixup et mise à l’échelle plus élevés), car ils disposent d’une capacité supérieure et bénéficient d’une régularisation plus forte. Le modèle N est le seul dont la rotation, le cisaillement et l’augmentation BGR sont significatifs.

Paramètres internes d’entraînement#

Fine-tuning de YOLO26 sur ton propre jeu de données#

Lors du fine-tuning de YOLO26 sur ton propre jeu de données, tu n’as pas besoin de reproduire la recette complète de préentraînement. Les poids préentraînés intègrent déjà les connaissances d’augmentation et d’optimisation acquises pendant l’entraînement sur COCO. Pour découvrir d’autres bonnes pratiques générales d’entraînement, consulte Conseils pour l’entraînement des modèles.

Fine-tuning avec les paramètres par défaut#

from ultralytics import YOLO

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

Le fine-tuning avec les valeurs par défaut constitue une base solide. N’ajuste les hyperparamètres que si tu as une raison précise de le faire.

Quand ajuster les hyperparamètres de YOLO26#

Petits jeux de données (< 1 000 images) :

• Réduis l’intensité des augmentations : mosaic=0.5, mixup=0.0, copy_paste=0.0
• Utilise un taux d’apprentissage plus faible avec un optimiseur explicite : optimizer=AdamW, lr0=0.001
• Utilise moins d’époques avec une patience définie : epochs=50, patience=20
• Envisage de geler les couches du backbone : freeze=10

Grands jeux de données (> 50 000 images) :

• Reproduis plus fidèlement la recette de préentraînement
• Envisage optimizer=MuSGD pour les entraînements plus longs
• Augmente les augmentations : mosaic=1.0, mixup=0.3, scale=0.9

Images propres à un domaine (aériennes, médicales, sous-marines) :

• Augmente flipud=0.5 si l’orientation verticale varie
• Augmente degrees si les objets apparaissent selon des rotations arbitraires
• Ajuste hsv_s et hsv_v si les conditions d’éclairage diffèrent fortement de celles de COCO

Pour l’optimisation automatisée des hyperparamètres, consulte le guide d’ajustement des hyperparamètres.

Choisir une taille de modèle#

Pour les options d’exportation et de déploiement, consulte le guide d’exportation et les options de déploiement des modèles.

Conclusion#

Les checkpoints YOLO26 intègrent leur recette d’entraînement complète, de sorte que les hyperparamètres exacts de chaque taille de modèle sont toujours accessibles en une recherche train_args. Commence le fine-tuning avec les valeurs par défaut, ajuste-les délibérément à l’aide des tableaux de cette page, puis vérifie chaque modification sur ton propre jeu de validation. Si tu as des questions en cours de route, demande de l’aide à la communauté sur le dépôt GitHub d’Ultralytics ou le serveur Discord d’Ultralytics.

FAQ#