Recette d'entraînement YOLO26#

Introduction#

Ce guide documente la recette d'entraînement exacte utilisée pour produire les points de contrôle pré-entraînés officiels YOLO26 sur COCO. Chaque hyperparamètre présenté ici est déjà intégré dans les poids publiés de .pt et peut être inspecté par programmation.

Savoir ce qui a entré dans la composition des points de contrôle officiels — non seulement l'architecture, mais aussi les planifications du taux d'apprentissage, les pipelines d'augmentation et les poids de perte qui ont façonné leurs performances — t'aide à prendre de meilleures décisions lors du réglage fin : quelles augmentations de données conserver, quels poids de fonction de perte ajuster et quels paramètres d'optimiseur fonctionnent le mieux pour la taille de ton jeu de données.

Présentation de l'entraînement#

Tous les modèles de base YOLO26 ont été entra&eetés sur COCO à la résolution 640x640 en utilisant l'optimiseur MuSGD avec une taille de lot de 128. Plut&442;t que de partir de poids aléatoires en un seul exécution, les modèles ont été initialisés à partir de poids préentra&eetés intermédiaires et affinés avec des hyperparamètres trouvés par recherche évolutionnaire. Les journaux d'entra&eetement complets et les métriques pour chaque taille de modèle sont disponibles sur Ultralytics Platform.

Choix de conception clés pour toutes les tailles :

• Entraînement de bout en bout (end2end=True) avec une tête bi-univoque sans NMS
• Optimiseur MuSGD combinant SGD avec des mises à jour orthogonalisées de style Muon pour les matrices de poids (poids linéaires 2D et filtres de conv 4D, qui sont remodelés en 2D)
• Forte augmentation de type mosaïque (probabilité de ~0,9-1,0) désactivée lors des 10 dernières époques (close_mosaic=10)
• Augmentation d'échelle agressive (0.56-0.95) pour gérer les objets à différentes tailles
• Rotation/cisaillement minimal pour la plupart des tailles, maintenant une faible distorsion géométrique

Inspection des arguments d'entraînement des points de contrôle YOLO26#

Chaque point de contrôle Ultralytics stocke la configuration d'entraînement complète utilisée pour le produire, afin que tu puisses vérifier chaque chiffre sur cette page toi-même :

from ultralytics import YOLO

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

La sortie liste la configuration complète de plus de 100 entrées, incluant chaque valeur de recette documentée sur cette page. 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 pour n'importe quel point de contrôle .pt — qu'il s'agisse de versions officielles ou de tes propres modèles affinés. Pour obtenir la liste complète des arguments d'entraînement configurables, consulte la référence de configuration d'entraînement.

Hyperparamètres d'entraînement YOLO26 par taille de modèle#

Les tableaux ci-dessous regroupent la recette par catégorie — optimiseur et planification, poids de perte et augmentation. Chaque valeur provient directement de train_args intégré dans les points de contrôle publiés.

Optimiseur et taux d'apprentissage#

Ces paramètres d'optimiseur et de planification ont conduit le pré-entraînement COCO pour chaque taille ; remarque comment le modèle N se distingue des autres :

Poids de perte#

Les poids de perte équilibrent les trois composantes de la perte de détection — la régression IoU de boîte englobante (box), la classification (cls) et un terme de régression de distance de boîte (dfl). Note que YOLO26 sans DFL réutilise le gain dfl pour pondérer une perte L1 sur les distances de boîtes normalisées 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 déplacent l'accent vers la régression de boîte basée sur l'IoU. La perte de classification reste relativement constante à travers toutes les tailles.

Pipeline d'augmentation#

Pour une explication détaillée de chaque technique, consulte le guide d'augmentation des données YOLO.

Les valeurs affichées 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 une augmentation plus agressive (mixup, copy-paste et échelle plus élevés), car ils disposent d'une plus grande capacité et bénéficient d'une régularisation plus forte. Le modèle N est la seule taille dotée d'une augmentation significative de rotation, de cisaillement et BGR.

Paramètres d'entraînement internes#

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

Lors du réglage fin de YOLO26 sur ton propre jeu de données, tu n'as pas besoin de reproduire l'intégralité de la recette de pré-entraînement. Les poids pré-entraînés encodent déjà les connaissances d'augmentation et d'optimisation issues de l'entraînement sur COCO. Pour de meilleures pratiques d'entraînement plus générales, consulte les conseils pour l'entraînement de 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 paramètres par défaut constitue une excellente base. N'ajuste les hyperparamètres que si tu as une raison spécifique de le faire.

Quand ajuster les hyperparamètres de YOLO26#

Petits jeux de données (< 1 000 images) :

• Réduire la force de l'augmentation : mosaic=0.5, mixup=0.0, copy_paste=0.0
• Diminuer le taux d'apprentissage : lr0=0.001
• Utiliser moins d'époques avec la patience : epochs=50, patience=20
• Envisager de geler les couches du backbone : freeze=10

Grands jeux de données (> 50 000 images) :

• Respecte plus fidèlement la recette de pré-entraînement
• Envisager optimizer=MuSGD pour les entraînements plus longs
• Augmenter l'augmentation : mosaic=1.0, mixup=0.3, scale=0.9

Imagerie spécifique au domaine (aérienne, médicale, sous-marine) :

• Augmenter flipud=0.5 si l'orientation verticale varie
• Augmenter degrees si les objets apparaissent à des rotations arbitraires
• Ajuster hsv_s et hsv_v si les conditions d'éclairage diffèrent considérablement de COCO

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

Choisis une taille de modèle#

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

Conclusion#

Les points de contrôle YOLO26 sont livrés avec leur recette d'entraînement complète intégrée, de sorte que les hyperparamètres exacts derrière chaque taille de modèle ne sont toujours qu'à une recherche train_args près. Commence le réglage fin à partir des valeurs par défaut, ajuste délibérément en utilisant les tableaux de cette page et vérifie chaque modification par rapport à ton propre jeu de validation. Si des questions se posent en chemin, pose les questions à la communauté sur le dépôt GitHub d'Ultralytics ou sur le serveur Discord d'Ultralytics.

FAQ#