Addestramento del modello con Ultralytics YOLO#

Introduzione#

L'addestramento di un modello di deep learning consiste nel fornirvi dati e regolarne i parametri affinché possa effettuare previsioni accurate. La modalità di addestramento in Ultralytics YOLO26 è progettata per un addestramento efficace ed efficiente di modelli di rilevamento degli oggetti, sfruttando appieno le capacità dell'hardware moderno. Questa guida mira a coprire tutti i dettagli necessari per iniziare ad addestrare i tuoi modelli utilizzando la robusta serie di funzionalità di YOLO26. Se non hai ancora installato Ultralytics, inizia con la guida di avvio rapido.

Vedi la anteprima non rilasciata di YOLO27 per gli esempi di addestramento pianificati.

Perché scegliere Ultralytics YOLO per l'addestramento?#

Ecco alcuni motivi validi per optare per la modalità di addestramento di YOLO26:

• Efficienza: Ottieni il massimo dal tuo hardware, sia che tu stia utilizzando una configurazione a singola GPU sia che tu stia 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 sul cloud: Addestra su GPU cloud tramite Ultralytics Platform con metriche in tempo reale e salvataggio automatico dei checkpoint.

Funzionalità chiave della modalità di addestramento#

Di seguito sono riportate alcune caratteristiche degne di nota della modalità di addestramento di YOLO26:

• Download automatico del dataset: Le configurazioni del dataset con una fonte di download vengono scaricate automaticamente al primo utilizzo, ad esempio yolo train data=coco8.yaml. Consulta la panoramica dei dataset per i formati e i dataset supportati.
• Supporto multi-GPU: Scala le tue attività di addestramento senza problemi su più GPU per accelerare il processo.
• Configurazione degli iperparametri: L'opzione per 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 approfondimenti migliori.

Esempi di utilizzo#

Addestra YOLO26n sul dataset COCO8 per 100 epoche 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 utilizzata device='cpu'. Consulta la sezione Argomenti sottostante 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)

Addestramento 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

L'addestramento su GPU AMD utilizza una build ROCm di PyTorch con la sintassi standard device=0 o device=cuda:0. Consulta la guida all'integrazione AMD per l'installazione e lo stato di supporto attuale di MIGraphX, DirectML e Ryzen AI NPU.

L'addestramento su GPU Intel utilizza device=xpu:0, o più ID XPU con una build PyTorch che fornisce XCCL.

Addestramento NPU Huawei Ascend#

Ultralytics supporta l'addestramento e la validazione su NPU Huawei Ascend tramite torch_npu. Installa versioni reciprocamente compatibili di CANN, PyTorch e torch_npu seguendo la guida di installazione di Ascend Extension for PyTorch, quindi attiva l'ambiente CANN prima di avviare Ultralytics:

source /usr/local/Ascend/ascend-toolkit/set_env.sh

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Train on one Ascend NPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# Train across two Ascend NPUs with HCCL
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

Le funzionalità di addestramento standard, tra cui AMP, validazione, salvataggio dei checkpoint e ripresa, utilizzano la NPU attiva. AutoBatch è disponibile per l'addestramento su singola NPU, mentre più ID di NPU avviano l'addestramento distribuito tramite HCCL. Consulta la guida all'integrazione Huawei Ascend per l'esportazione e il deployment del modello dopo l'addestramento.

Addestramento su GPU inattive#

L'addestramento su GPU inattive consente la selezione automatica delle GPU meno utilizzate nei sistemi multi-GPU, ottimizzando l'utilizzo delle risorse senza la selezione manuale della GPU. Questa funzionalità 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 la priorità alle GPU con:

1. Percentuali di utilizzo attuale inferiori
2. Maggiore memoria disponibile (VRAM libera)
3. Minori temperature e consumi energetici

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

Addestramento MPS su Apple Silicon#

Con il supporto per i chip Apple Silicon integrato nei modelli Ultralytics YOLO, ora è possibile addestrare i tuoi 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 di 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 potresti farlo in Python e tramite la 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 di PyTorch MPS.

Ripresa di 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 più epoche.

Quando l'addestramento viene ripreso, Ultralytics YOLO carica i pesi dall'ultimo modello salvato e ripristina anche lo stato dell'ottimizzatore, il pianificatore del learning rate, il numero di epoca e il dataset. Questo ti consente di continuare il processo di addestramento senza interruzioni da dove era stato interrotto. Passa un esplicito data= insieme a resume per continuare su un dataset diverso invece di quello del checkpoint.

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 usando Python e tramite la 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 era stato interrotto, utilizzando lo stato memorizzato 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 un ciclo di addestramento.

Impostazioni 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 la precisione del modello. Le impostazioni chiave di addestramento includono la dimensione del batch, il learning rate, il momentum e il decadimento dei pesi. Inoltre, la scelta dell'ottimizzatore, della loss function e della composizione del dataset di addestramento può influenzare il processo di addestramento. Un'attenta ottimizzazione e la sperimentazione con queste impostazioni sono cruciali per ottimizzare le prestazioni.

Ottimizzatore MuSGD#

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

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

Solo i pesi lineari 2D e i filtri di convoluzione 4D (ridimensionati a 2D) ricevono l'aggiornamento in stile Muon insieme a SGD, mentre tutti gli altri parametri, come i pesi di normalizzazione del batch e i termini di bias, rimangono su SGD standard.

Quando viene utilizzato optimizer=auto, Ultralytics seleziona automaticamente MuSGD per cicli di addestramento più lunghi (in genere quando le iterazioni sono > 10000). Per cicli più brevi, il trainer passa a 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.

Impostazioni di augmentation e iperparametri#

Le tecniche di augmentation 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 ciascun argomento di augmentation:

Queste impostazioni possono essere regolate per soddisfare i requisiti specifici del dataset e dell'attività in corso. La sperimentazione con valori diversi può aiutare a trovare la strategia di augmentation ottimale che porta alle migliori prestazioni del modello.

Registrazione#

Le metriche, i grafici e i checkpoint dell'addestramento vengono sempre scritti nella directory di esecuzione e Ultralytics li trasmette anche a qualsiasi tracciatore di esperimenti installato e abilitato: Comet, ClearML, TensorBoard, MLflow, Weights & Biases e DVCLive. Ciascun logger viene attivato o disattivato tramite le impostazioni di Ultralytics, ad esempio yolo settings tensorboard=True. Le tre configurazioni più comuni sono mostrate di seguito.

Comet#

Comet è una piattaforma che consente a data scientist e sviluppatori di tracciare, confrontare, spiegare e ottimizzare esperimenti e modelli. Fornisce funzionalità come metriche in tempo reale, differenze di codice e tracciamento degli iperparametri.

Per usare Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

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

ClearML#

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

Per usare 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.

TensorBoard#

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

Per usare TensorBoard in Google Colab:

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

Per usare TensorBoard localmente, esegui il comando sottostante 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 tuo logger, puoi procedere con l'addestramento del tuo modello. Tutte le metriche di addestramento verranno registrate automaticamente nella piattaforma prescelta e potrai accedere a questi log per monitorare le prestazioni del tuo modello nel tempo, confrontare diversi modelli e identificare aree di miglioramento.

E adesso?#

Valida il tuo modello addestrato rispetto a dati isolati per verificarne la precisione nel mondo reale, quindi esportalo in ONNX, TensorRT o un altro formato di deployment. Stai addestrando sui tuoi dati anziché su COCO8? Formattali prima con la guida ai dataset.

FAQ#