Addestramento del modello con Ultralytics YOLO

Introduzione

L'addestramento di un modello di deep learning consiste nell'alimentarlo con dati e regolarne i parametri in modo che possa effettuare previsioni accurate. La modalità di addestramento (Train) in Ultralytics YOLO26 è progettata per un addestramento efficace ed efficiente di modelli di rilevamento 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 il robusto set di funzionalità di YOLO26.

Perché scegliere Ultralytics YOLO per l'addestramento?

Ecco alcuni motivi convincenti per scegliere la modalità di addestramento di YOLO26:

• Efficienza: Sfrutta al massimo il tuo hardware, sia che tu utilizzi una singola GPU o che tu stia scalando su più GPU.
• Versatilità: Addestra su set di dati personalizzati oltre a quelli prontamente disponibili come COCO, VOC e ImageNet.
• Facilità d'uso: Interfacce CLI e Python semplici ma potenti per un'esperienza di addestramento lineare.
• Flessibilità degli iperparametri: Una vasta 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 salvataggio automatico dei checkpoint.

Caratteristiche principali della modalità di addestramento

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

• Download automatico del dataset: I dataset standard come COCO, VOC e ImageNet vengono scaricati automaticamente al primo utilizzo.
• Supporto Multi-GPU: Scala i tuoi sforzi 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 informazioni migliori.

Esempi di utilizzo

Addestra YOLO26n sul dataset COCO8 per 100 epochs 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'. Consulta 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)

Addestramento Multi-GPU

L'addestramento Multi-GPU consente un utilizzo più efficiente delle risorse hardware disponibili distribuendo il carico di lavoro 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

Addestramento su GPU inattiva (Idle)

L'addestramento su GPU inattiva consente la selezione automatica delle GPU meno utilizzate nei sistemi multi-GPU, ottimizzando l'uso delle risorse senza una 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 priorità alle GPU con:

1. Percentuali di utilizzo corrente inferiori
2. Memoria disponibile superiore (VRAM libera)
3. Minore temperatura e consumo energetico

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

Addestramento su Apple Silicon MPS

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). MPS offre un modo ad alte prestazioni per eseguire attività di calcolo ed elaborazione immagini sul silicio personalizzato di Apple.

Per abilitare l'addestramento sui chip Apple Silicon, dovresti specificare 'mps' come tuo dispositivo all'avvio del 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, questo 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.

Ripresa di addestramenti interrotti

Riprendere l'addestramento da uno stato salvato in precedenza 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 dell'epoca. Questo ti consente di continuare il processo di addestramento senza interruzioni dal punto in cui 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 al 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 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'esecuzione 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 l'accuracy del modello. Le impostazioni di addestramento chiave includono la dimensione del batch, il tasso di apprendimento (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 regolazione e sperimentazione con queste impostazioni sono fondamentali per ottimizzare le prestazioni.

Ottimizzatore MuSGD

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

È raccomandato per esecuzioni 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 normalizzazione batch (batch normalization) e i termini di bias rimangono su SGD standard.

Quando viene utilizzato optimizer=auto, Ultralytics seleziona automaticamente MuSGD per esecuzioni di addestramento più lunghe (tipicamente quando le iterazioni > 10000). Per esecuzioni più brevi, il trainer torna 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 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 verso 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.

Logging

Nell'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 nel frammento di codice sopra ed eseguilo. Il logger scelto verrà installato e inizializzato.

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 nel codice e 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 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 le risorse in modo efficiente. È progettata per aiutare i team a gestire, eseguire e riprodurre il proprio lavoro 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 nel browser e autenticare la tua sessione.

TensorBoard

TensorBoard è un toolkit di visualizzazione per TensorFlow. Ti consente di visualizzare il tuo grafo TensorFlow, tracciare metriche quantitative sull'esecuzione del tuo 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 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 tuoi log di addestramento.

Dopo aver configurato il tuo 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 aree di miglioramento.

FAQ

Posso addestrare senza una GPU locale?

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

Come posso addestrare un modello di rilevamento oggetti utilizzando Ultralytics YOLO26?

Per addestrare un modello di rilevamento oggetti utilizzando Ultralytics YOLO26, puoi utilizzare la Python API 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 ulteriori dettagli, consulta la sezione Impostazioni di addestramento.

Quali sono le caratteristiche principali della modalità Train di Ultralytics YOLO26?

Le caratteristiche principali della modalità Train 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 veloce.
• 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 funzionalità rendono l'addestramento efficiente e personalizzabile in base alle tue esigenze. Per ulteriori dettagli, consulta la sezione Funzionalità principali della modalità Train.

Come 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 dell'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 Riprendere addestramenti interrotti per maggiori informazioni.

Come posso addestrare un modello su un dataset sbilanciato?

Lo sbilanciamento delle classi si verifica quando alcune classi hanno un numero significativamente inferiore di esempi rispetto ad altre nei tuoi dati di addestramento. Questo può far sì che il modello ottenga scarse prestazioni sulle classi rare. Ultralytics YOLO supporta la ponderazione delle classi tramite l'argomento cls_pw per affrontare questo problema.

L'argomento cls_pw controlla la potenza di ponderazione delle classi basata sulla frequenza inversa della classe:

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

I pesi delle classi vengono 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)

Posso addestrare modelli YOLO26 su chip Apple Silicon?

Sì, Ultralytics YOLO26 supporta l'addestramento su chip Apple Silicon utilizzando il framework Metal Performance Shaders (MPS). Specifica 'mps' come 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 ulteriori dettagli, consulta la sezione Addestramento su Apple Silicon MPS.

Quali sono le impostazioni di addestramento comuni e come le configuro?

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

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