Link to this sectionAddestramento del modello con Ultralytics YOLO#

Link to this sectionIntroduzione#

L'addestramento di un modello di deep learning consiste nell'alimentarlo con dei dati e nell'adattare i suoi parametri affinché possa effettuare previsioni accurate. La modalità Train in Ultralytics YOLO26 è progettata per un addestramento efficace ed efficiente di modelli di object detection, sfruttando appieno le capacità dell'hardware moderno. Questa guida mira a coprire tutti i dettagli necessari per iniziare ad addestrare i tuoi modelli utilizzando il solido set di funzionalità di YOLO26.

Link to this sectionPerché scegliere Ultralytics YOLO per l'addestramento?#

Ecco alcuni validi motivi per scegliere la modalità Train di YOLO26:

• Efficienza: Sfrutta al massimo il tuo hardware, che tu stia utilizzando una configurazione a singola GPU o scalando su più GPU.
• Versatilità: Addestra su dataset personalizzati oltre a quelli facilmente disponibili come COCO, VOC e ImageNet.
• Facilità d'uso: Interfacce CLI e Python semplici ma potenti per un'esperienza di addestramento diretta.
• Flessibilità degli iperparametri: Un'ampia gamma di iperparametri personalizzabili per ottimizzare le prestazioni del modello. Per un controllo più approfondito, puoi personalizzare il trainer stesso.
• Addestramento in Cloud: Addestra su GPU in cloud tramite Ultralytics Platform con metriche in tempo reale e checkpoint automatici.

Link to this sectionCaratteristiche principali della modalità Train#

Di seguito sono riportate alcune caratteristiche notevoli della modalità Train di YOLO26:

• Download automatico del dataset: Dataset standard come COCO, VOC e ImageNet vengono scaricati automaticamente al primo utilizzo.
• Supporto Multi-GPU: Scala le tue attività di addestramento in modo fluido su più GPU per accelerare il processo.
• Configurazione degli iperparametri: La possibilità di modificare gli iperparametri tramite file di configurazione YAML o argomenti CLI.
• Visualizzazione e monitoraggio: Monitoraggio in tempo reale delle metriche di addestramento e visualizzazione del processo di apprendimento per ottenere insight migliori.

Link to this sectionEsempi di Utilizzo#

Addestra YOLO26n sul dataset COCO8 per 100 epoch con una dimensione dell'immagine di 640. Il dispositivo di addestramento può essere specificato utilizzando l'argomento device. Se non viene passato alcun argomento, verrà utilizzata la GPU device=0 quando disponibile; altrimenti verrà utilizzato device='cpu'. Vedi la sezione Argomenti qui sotto per un elenco completo degli argomenti di addestramento.

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)

Link to this sectionAddestramento Multi-GPU#

L'addestramento Multi-GPU consente un utilizzo più efficiente delle risorse hardware disponibili distribuendo il carico di addestramento su più GPU. Questa funzionalità è disponibile sia tramite l'API Python che tramite l'interfaccia a riga di comando. Per abilitare l'addestramento Multi-GPU, specifica gli ID dei dispositivi GPU che desideri utilizzare.

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

Link to this sectionAddestramento su GPU inattive#

L'addestramento su GPU inattive consente la selezione automatica delle GPU meno utilizzate nei sistemi multi-GPU, ottimizzando l'uso delle risorse senza la selezione manuale della GPU. Questa funzione identifica le GPU disponibili in base alle metriche di utilizzo e alla disponibilità di 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])

L'algoritmo di selezione automatica dà priorità alle GPU con:

1. Minori percentuali di utilizzo corrente
2. Maggiore memoria disponibile (VRAM libera)
3. Minore temperatura e consumo energetico

Questa funzionalità è particolarmente preziosa in ambienti di calcolo condivisi o quando si eseguono più processi di addestramento su diversi modelli. Si adatta automaticamente al cambiamento delle condizioni del sistema, garantendo un'allocazione ottimale delle risorse senza intervento manuale.

Link to this sectionAddestramento MPS su Apple Silicon#

Con il supporto per i chip Apple Silicon integrato nei modelli Ultralytics YOLO, ora è possibile addestrare i modelli su dispositivi che utilizzano il potente framework Metal Performance Shaders (MPS). L'MPS offre un modo ad alte prestazioni per eseguire attività di calcolo ed elaborazione delle immagini sul silicio personalizzato di Apple.

Per abilitare l'addestramento sui chip Apple Silicon, dovresti specificare 'mps' come dispositivo quando avvii il processo di addestramento. Di seguito è riportato un esempio di come puoi farlo in Python e tramite riga di comando:

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")

Sfruttando la potenza di calcolo dei chip Apple Silicon, ciò consente un'elaborazione più efficiente delle attività di addestramento. Per una guida più dettagliata e opzioni di configurazione avanzate, fai riferimento alla documentazione PyTorch MPS.

Link to this sectionRiprendere addestramenti interrotti#

Riprendere l'addestramento da uno stato precedentemente salvato è una funzionalità cruciale quando si lavora con modelli di deep learning. Questo può tornare utile in vari scenari, come quando il processo di addestramento è stato inaspettatamente interrotto o quando desideri continuare ad addestrare un modello con nuovi dati o per ulteriori epoche.

Quando l'addestramento viene ripreso, Ultralytics YOLO carica i pesi dall'ultimo modello salvato e ripristina anche lo stato dell'ottimizzatore, lo scheduler del learning rate e il numero di epoche. Questo ti consente di continuare il processo di addestramento senza interruzioni da dove era stato lasciato.

Puoi facilmente riprendere l'addestramento in Ultralytics YOLO impostando l'argomento resume su True quando chiami il metodo train e specificando il percorso del file .pt contenente i pesi del modello parzialmente addestrato.

Di seguito è riportato un esempio di come riprendere un addestramento interrotto utilizzando Python e tramite riga di comando:

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)

Impostando resume=True, la funzione train continuerà l'addestramento da dove è stato interrotto, utilizzando lo stato salvato nel file 'path/to/last.pt'. Se l'argomento resume viene omesso o impostato su False, la funzione train avvierà una nuova sessione di addestramento.

Ricorda che i checkpoint vengono salvati alla fine di ogni epoca per impostazione predefinita, o a intervalli fissi utilizzando l'argomento save_period, quindi devi completare almeno 1 epoca per riprendere una sessione di addestramento.

Link to this sectionImpostazioni di addestramento#

Le impostazioni di addestramento per i modelli YOLO comprendono vari iperparametri e configurazioni utilizzati durante il processo di addestramento. Queste impostazioni influenzano le prestazioni, la velocità e l'accuratezza del modello. Le impostazioni di addestramento chiave includono la dimensione del batch, il learning rate, il momentum e il weight decay. Inoltre, la scelta dell'ottimizzatore, della loss function e della composizione del dataset di addestramento può influire sul processo. Un'attenta messa a punto e la sperimentazione con queste impostazioni sono cruciali per ottimizzare le prestazioni.

Link to this sectionOttimizzatore MuSGD#

In YOLO26, MuSGD è un ottimizzatore ibrido che combina aggiornamenti SGD standard con aggiornamenti ortogonalizzati in stile Muon.

È consigliato per sessioni di addestramento YOLO26 più lunghe e dataset più grandi, dove gli aggiornamenti ortogonalizzati Muon possono aiutare a stabilizzare l'ottimizzazione.

Solo i parametri con param.ndim >= 2 (come i pesi convoluzionali) ricevono l'aggiornamento in stile Muon insieme a SGD, mentre i parametri a dimensione inferiore come i layer di batch normalization e i termini di bias rimangono su SGD standard.

Quando viene utilizzato optimizer=auto, Ultralytics seleziona automaticamente MuSGD per sessioni di addestramento più lunghe (solitamente quando le iterazioni > 10000). Per sessioni più brevi, il trainer ripiega su AdamW.

Esempio di utilizzo:

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

Vedi l'implementazione in ultralytics/optim/muon.py e la logica di selezione automatica dell'ottimizzatore in BaseTrainer.build_optimizer.

Link to this sectionImpostazioni di aumentazione e iperparametri#

Le tecniche di aumentazione sono essenziali per migliorare la robustezza e le prestazioni dei modelli YOLO introducendo variabilità nei dati di addestramento, aiutando il modello a generalizzare meglio su dati non visti. La seguente tabella delinea lo scopo e l'effetto di ogni argomento di aumentazione:

Queste impostazioni possono essere regolate per soddisfare i requisiti specifici del dataset e del compito in questione. Sperimentare con valori diversi può aiutare a trovare la strategia di aumento ottimale che porta alle migliori prestazioni del modello.

Link to this sectionRegistrazione (Logging)#

Durante l'addestramento di un modello YOLO26, potresti trovare utile monitorare le prestazioni del modello nel tempo. È qui che entra in gioco il logging. Ultralytics YOLO fornisce supporto per tre tipi di logger: Comet, ClearML e TensorBoard.

Per utilizzare un logger, selezionalo dal menu a discesa nello snippet di codice qui sopra ed eseguilo. Il logger scelto verrà installato e inizializzato.

Link to this sectionComet#

Comet è una piattaforma che consente a data scientist e sviluppatori di tracciare, confrontare, spiegare e ottimizzare esperimenti e modelli. Offre funzionalità come metriche in tempo reale, differenze nel codice (code diffs) e il tracciamento degli iperparametri.

Per utilizzare Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

Ricordati di accedere al tuo account Comet sul loro sito web e ottenere la tua API key. Dovrai aggiungerla alle tue variabili d'ambiente o al tuo script per registrare i tuoi esperimenti.

Link to this sectionClearML#

ClearML è una piattaforma open-source che automatizza il tracciamento degli esperimenti e aiuta nella condivisione efficiente delle risorse. È progettata per aiutare i team a gestire, eseguire e riprodurre il loro lavoro di ML in modo più efficiente.

Per utilizzare ClearML:

# pip install clearml
import clearml

clearml.browser_login()

Dopo aver eseguito questo script, dovrai accedere al tuo account ClearML sul browser e autenticare la tua sessione.

Link to this sectionTensorBoard#

TensorBoard è un toolkit di visualizzazione per TensorFlow. Ti consente di visualizzare il tuo grafo TensorFlow, tracciare metriche quantitative sull'esecuzione del grafo e mostrare dati aggiuntivi come le immagini che lo attraversano.

Per utilizzare TensorBoard in Google Colab:

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

Per utilizzare TensorBoard localmente, esegui il comando seguente e visualizza i risultati su localhost:6006.

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

Questo caricherà TensorBoard e lo indirizzerà alla directory in cui sono salvati i log di addestramento.

Dopo aver configurato il logger, puoi procedere con l'addestramento del modello. Tutte le metriche di addestramento verranno registrate automaticamente nella piattaforma scelta e potrai accedere a questi log per monitorare le prestazioni del modello nel tempo, confrontare diversi modelli e identificare le aree di miglioramento.

Link to this sectionFAQ#

Link to this sectionPosso addestrare senza una GPU locale?#

Sì. Ultralytics Platform supporta l'addestramento nel cloud con crediti gratuiti per iniziare. Carica il tuo dataset, seleziona un modello e una GPU e addestra direttamente dal browser. Vedi la guida all'addestramento nel cloud per i dettagli.

Link to this sectionCome posso addestrare un modello di rilevamento oggetti usando Ultralytics YOLO26?#

Per addestrare un modello di rilevamento oggetti usando Ultralytics YOLO26, puoi usare l'API Python o la CLI. Di seguito un esempio per entrambi:

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)

Per maggiori dettagli, consulta la sezione Impostazioni di Addestramento.

Link to this sectionQuali sono le caratteristiche principali della modalità Addestramento (Train) di Ultralytics YOLO26?#

Le caratteristiche principali della modalità Addestramento di Ultralytics YOLO26 includono:

• Download Automatico del Dataset: Scarica automaticamente dataset standard come COCO, VOC e ImageNet.
• Supporto Multi-GPU: Scala l'addestramento su più GPU per un'elaborazione più rapida.
• Configurazione degli Iperparametri: Personalizza gli iperparametri tramite file YAML o argomenti CLI.
• Visualizzazione e Monitoraggio: Tracciamento in tempo reale delle metriche di addestramento per migliori approfondimenti.

Queste caratteristiche rendono l'addestramento efficiente e personalizzabile secondo le tue esigenze. Per maggiori dettagli, vedi la sezione Caratteristiche Principali della Modalità Addestramento.

Link to this sectionCome posso riprendere l'addestramento da una sessione interrotta in Ultralytics YOLO26?#

Per riprendere l'addestramento da una sessione interrotta, imposta l'argomento resume su True e specifica il percorso all'ultimo checkpoint salvato.

from ultralytics import YOLO

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

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

Controlla la sezione su Ripresa di Addestramenti Interrotti per maggiori informazioni.

Link to this sectionCome posso addestrare un modello su un dataset sbilanciato?#

Lo sbilanciamento delle classi si verifica quando alcune classi hanno significativamente meno esempi rispetto ad altre nei dati di addestramento. Ciò può causare prestazioni scadenti del modello sulle classi rare. Ultralytics YOLO supporta la ponderazione delle classi (class weighting) tramite l'argomento cls_pw per affrontare questo problema.

L'argomento cls_pw controlla il potere di ponderazione della classe basato sull'inverso della frequenza della classe:

• cls_pw=0.0 (predefinito): Disabilita la ponderazione delle classi
• cls_pw=1.0: Applica la ponderazione completa della frequenza inversa
• Valori tra 0.0 e 1.0: Forniscono una ponderazione parziale per uno sbilanciamento moderato

I pesi delle classi sono calcolati come (1.0 / class_counts) ^ cls_pw e normalizzati in modo che la loro media sia pari 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)

Link to this sectionPosso addestrare i modelli YOLO26 sui chip Apple silicon?#

Sì, Ultralytics YOLO26 supporta l'addestramento sui chip Apple silicon utilizzando il framework Metal Performance Shaders (MPS). Specifica 'mps' come tuo dispositivo di addestramento.

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")

Per maggiori dettagli, consulta la sezione Addestramento MPS su Apple Silicon.

Link to this sectionQuali sono le impostazioni comuni di addestramento e come posso configurarle?#

Ultralytics YOLO26 ti permette di configurare una varietà di impostazioni di addestramento come dimensione del batch, tasso di apprendimento (learning rate), epoche e altro tramite argomenti. Ecco una breve panoramica:

Per una guida approfondita sulle impostazioni di addestramento, controlla la sezione Impostazioni di Addestramento.