Ricetta di addestramento di YOLO26#

Introduzione#

Questa guida documenta la ricetta di addestramento esatta usata per produrre i checkpoint ufficiali YOLO26 preaddestrati su COCO. Ogni iperparametro mostrato qui è già incorporato nei pesi .pt rilasciati, insieme al log di addestramento per epoca e alla revisione del codice dell'esecuzione; tutto può essere ispezionato programmaticamente.

Sapere cosa è stato incluso nei checkpoint ufficiali — non solo l'architettura, ma anche le pianificazioni del learning rate, le pipeline di augmentation e i pesi delle loss che ne hanno determinato le prestazioni — ti aiuta a prendere decisioni migliori durante il fine-tuning: quali augmentation dei dati mantenere, quali pesi della funzione di loss modificare e quali impostazioni dell'ottimizzatore funzionano meglio in base alle dimensioni del tuo dataset.

Panoramica dell'addestramento#

Tutti i modelli base YOLO26 sono stati addestrati in due fasi: preaddestramento su Objects365v1 per 150 epoche, seguito dal fine-tuning su COCO. Entrambe le fasi sono state eseguite a una risoluzione di 640x640 con l'ottimizzatore MuSGD e una batch size di 128. Nessun checkpoint YOLO26 è stato addestrato su COCO partendo da pesi casuali; per questo la fase COCO è breve per la maggior parte delle dimensioni e gli iperparametri della fase COCO sono stati individuati tramite una ricerca evolutiva. I log e le metriche completi dell'addestramento per ogni dimensione del modello sono archiviati nei checkpoint rilasciati e visualizzati come grafici su Ultralytics Platform.

Scelte progettuali principali per tutte le dimensioni:

• Preaddestramento su Objects365 per ogni dimensione prima della fase COCO
• Addestramento end-to-end (end2end=True) con una head one-to-one senza NMS
• Ottimizzatore MuSGD che combina SGD con aggiornamenti ortogonalizzati in stile Muon per le matrici dei pesi (pesi lineari 2D e filtri convoluzionali 4D, che vengono rimodellati in 2D)
• Augmentation mosaic intensiva (probabilità ~0.9-1.0) disabilitata nelle epoche finali (close_mosaic=8 nel preaddestramento, close_mosaic=10 su COCO)
• Augmentation aggressiva della scala (0.5-0.95) per gestire oggetti di dimensioni diverse
• Rotazione/shear minimi per la maggior parte delle dimensioni, mantenendo bassa la distorsione geometrica

Fase 1: preaddestramento su Objects365#

Ogni checkpoint YOLO26 su COCO è stato sottoposto a fine-tuning a partire da un checkpoint Objects365v1 della stessa dimensione. Anche questi pesi preaddestrati sono pubblicati e documentati nella pagina del dataset Objects365. Ogni checkpoint COCO indica i pesi iniziali nella configurazione di addestramento incorporata nel file .pt; la sezione Ispezione degli argomenti di addestramento dei checkpoint YOLO26 qui sotto mostra come leggerli:

Il preaddestramento ha utilizzato principalmente le impostazioni predefinite, anziché valori ricercati. lr0, lrf, momentum, weight_decay, box e cls corrispondono a default.yaml, mentre warmup_epochs, close_mosaic e dfl sono stati sovrascritti. Le impostazioni sono condivise tra le dimensioni, fatta eccezione per warmup_epochs su X, i livelli di augmentation e i pesi interni di MuSGD e della head elencati dopo le tabelle:

Queste tabelle riguardano le impostazioni che determinano il preaddestramento, non la configurazione completa. I checkpoint registrano oltre 100 argomenti; esegui quindi train_args come mostrato di seguito per ottenere l'elenco autorevole.

from ultralytics import YOLO

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

Ispezione degli argomenti di addestramento dei checkpoint YOLO26#

Ogni checkpoint Ultralytics memorizza la configurazione completa di addestramento usata per produrlo, così puoi verificare personalmente ogni numero riportato in questa pagina:

from ultralytics import YOLO

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

L'output elenca la configurazione completa con oltre 100 voci, inclusi tutti i valori della ricetta documentati in questa pagina. Un estratto per 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

Funziona con qualsiasi checkpoint .pt, sia con i rilasci ufficiali sia con i tuoi modelli sottoposti a fine-tuning. Per l'elenco completo degli argomenti di addestramento configurabili, consulta il riferimento della configurazione di addestramento.

Visualizzazione delle curve di addestramento#

train_args non è l'unico elemento memorizzato. Ogni checkpoint contiene anche il results.csv completo, epoca per epoca, dell'esecuzione che lo ha prodotto, insieme alle metriche finali di validazione. Le curve dei checkpoint ufficiali YOLO26 sono pubblicate su Ultralytics Platform e qualsiasi file .pt può essere trascinato e rilasciato su un progetto per tracciare gli stessi dati, con i metadati estratti automaticamente dal file.

Ogni checkpoint copre la fase che lo ha prodotto, quindi le curve COCO si trovano in yolo26s.pt e le curve Objects365 delle 150 epoche si trovano in yolo26s-objv1-150.pt.

Verifica della revisione del codice#

ckpt["git"] registra il commit che ha prodotto il checkpoint e tali commit risiedono nei rami sperimentali pubblici del repository Ultralytics, quindi puoi estrarre il codice di addestramento esatto:

from ultralytics import YOLO

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

git fetch origin cb13d5f9cfbd6f299da3620c625f81d721dc2849
git checkout cb13d5f9cfbd6f299da3620c625f81d721dc2849

I rami sperimentali contengono lavori che non sono mai confluiti in main, come o2m e cls_w configurabili. L'addestramento su main con gli iperparametri documentati di seguito non sarà identico a livello di bit, ma produrrà risultati a una distanza trascurabile dalle metriche pubblicate.

Iperparametri di addestramento di YOLO26 per dimensione del modello#

Questi sono i valori della fase 2, applicati ai pesi Objects365 riportati sopra. Le tabelle seguenti raggruppano la ricetta per categoria: ottimizzatore e pianificazione, pesi della loss e augmentation. Ogni valore proviene direttamente da train_args, incorporato nei checkpoint rilasciati.

Ottimizzatore e learning rate#

Queste impostazioni dell'ottimizzatore e della pianificazione hanno guidato il fine-tuning su COCO per ogni dimensione; nota come il modello N si differenzi dagli altri:

Pesi della loss#

I pesi della loss bilanciano le tre componenti della loss di rilevamento: la regressione IoU del bounding box (box), la classificazione (cls) e un termine di regressione della distanza del box (dfl). Nota che YOLO26 senza DFL riutilizza il guadagno dfl per pesare una loss L1 sulle distanze normalizzate dei box, anziché la distribution focal loss:

Il modello N dà priorità al termine di regressione della distanza dfl, mentre i modelli S/M/L/X spostano l'enfasi sulla regressione dei box basata su IoU. La loss di classificazione rimane relativamente uniforme per tutte le dimensioni.

Pipeline di augmentation#

Per una spiegazione dettagliata di ogni tecnica, consulta la guida all'augmentation dei dati YOLO.

I valori indicati come ~0 sono inferiori a 0.01 nei checkpoint effettivi (ad esempio, degrees=0.00012 per il modello S): l'augmentation è di fatto disabilitata.

I modelli più grandi utilizzano complessivamente un'augmentation più aggressiva (mixup e scale più elevati), poiché hanno una capacità maggiore e traggono vantaggio da una regolarizzazione più intensa. Il modello N è l'unica dimensione con rotazione, shear e augmentation BGR significativi.

Parametri interni di addestramento#

Fine-tuning di YOLO26 sul tuo dataset#

Quando esegui il fine-tuning di YOLO26 sul tuo dataset, non devi replicare l'intera ricetta di preaddestramento. I pesi preaddestrati incorporano già le conoscenze sull'augmentation e sull'ottimizzazione acquisite durante l'addestramento su COCO. Per altre best practice generali sull'addestramento, consulta Consigli per l'addestramento dei modelli.

Fine-tuning con le impostazioni predefinite#

from ultralytics import YOLO

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

Il fine-tuning con le impostazioni predefinite è un'ottima baseline. Modifica gli iperparametri solo se hai un motivo specifico per farlo.

Quando modificare gli iperparametri di YOLO26#

Dataset piccoli (< 1.000 immagini):

• Riduci l'intensità dell'augmentation: mosaic=0.5, mixup=0.0, copy_paste=0.0
• Riduci il learning rate usando un ottimizzatore esplicito: optimizer=AdamW, lr0=0.001
• Usa meno epoche con patience: epochs=50, patience=20
• Valuta di congelare i layer del backbone: freeze=10

Dataset grandi (> 50.000 immagini):

• Avvicinati maggiormente alla ricetta di preaddestramento
• Valuta optimizer=MuSGD per esecuzioni più lunghe
• Aumenta l'augmentation: mosaic=1.0, mixup=0.3, scale=0.9

Immagini specifiche del dominio (aeree, mediche, subacquee):

• Aumenta flipud=0.5 se l'orientamento verticale varia
• Aumenta degrees se gli oggetti appaiono con rotazioni arbitrarie
• Modifica hsv_s e hsv_v se le condizioni di illuminazione differiscono significativamente da COCO

Per l'ottimizzazione automatizzata degli iperparametri, consulta la guida al tuning degli iperparametri.

Scegli una dimensione del modello#

Per le opzioni di esportazione e distribuzione, consulta la guida all'esportazione e le opzioni di distribuzione dei modelli.

Conclusioni#

I checkpoint di YOLO26 includono la ricetta completa per l'addestramento, quindi gli iperparametri esatti alla base di ogni dimensione del modello sono sempre a una ricerca di train_args di distanza. Inizia il fine-tuning dai valori predefiniti, apporta modifiche deliberate usando le tabelle di questa pagina e verifica ogni modifica sul tuo set di validazione. Se durante il processo hai domande, chiedi alla community nel repository Ultralytics su GitHub o nel server Discord di Ultralytics.

FAQ#