Addestramento del modello con Ultralytics YOLO#

Introduzione#

L'addestramento di un modello di deep learning comporta l'inserimento di dati e la regolazione dei suoi parametri affinché possa fare previsioni accurate. La modalità di addestramento 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 solido set di funzionalità di YOLO26. Se non hai ancora installato Ultralytics, inizia con la Guida rapida.

Perché 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 su Cloud: addestra su GPU cloud tramite Ultralytics Platform con metriche in tempo reale e salvataggio automatico dei checkpoint.

Caratteristiche principali della modalità Train#

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

• Download automatico del dataset: le configurazioni del dataset con una sorgente 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 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.

Esempi di Utilizzo#

Addestra YOLO26n sul dataset COCO8 per 100 epoche con dimensione immagine 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 con GPU AMD utilizza una build PyTorch ROCm con la sintassi standard device=0 o device=cuda:0. Consulta la guida all'integrazione AMD per l'installazione e lo stato attuale del supporto per MIGraphX, DirectML e Ryzen AI NPU.

L'addestramento con 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 mutualmente compatibili di CANN, PyTorch e torch_npu seguendo la guida all'installazione di Ascend Extension per PyTorch, quindi carica 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, checkpoint e ripresa, utilizzano la NPU attiva. AutoBatch è disponibile per l'addestramento su singola NPU, mentre più ID NPU avviano l'addestramento distribuito tramite HCCL. Consulta la guida all'integrazione di Huawei Ascend per l'esportazione del modello e il deployment 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'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.

Addestramento 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, questo consente un'elaborazione più efficiente dei task di addestramento. Per una guida più dettagliata e opzioni di configurazione avanzate, fai riferimento alla documentazione di PyTorch MPS.

Riprendere 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 dell'epoca. Questo ti consente di continuare il processo di addestramento senza interruzioni da dove era stato interrotto.

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 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'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 influenzare il processo di addestramento. Una messa a punto accurata e la sperimentazione con queste impostazioni sono fondamentali per ottimizzare le prestazioni.

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

Quando viene utilizzato optimizer=auto, Ultralytics seleziona automaticamente MuSGD per esecuzioni di addestramento più lunghe (in genere quando le iterazioni sono > 10000). Per esecuzioni 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 auto-selezione dell'ottimizzatore in BaseTrainer.build_optimizer.

Impostazioni di aumentazione e iperparametri#

Le tecniche di augmentations 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 tabella seguente delinea lo scopo e l'effetto di ciascun argomento di augmentation:

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.

Registrazione (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 offre 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.

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 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.

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 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.

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 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 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.

Cosa succede dopo#

Valida il tuo modello addestrato rispetto a dati trattenuti per verificarne l'accuratezza nel mondo reale, quindi esportalo in ONNX, TensorRT o un altro formato di deployment. Stai addestrando sui tuoi dati invece che su COCO8? Formattali prima con la Guida ai dataset.

FAQ#

Posso addestrare senza una GPU locale?#

Sì. L'addestramento cloud su Ultralytics Platform include crediti gratuiti per iniziare. Carica il tuo dataset, seleziona un modello e una GPU e addestra direttamente dal browser.

Come posso addestrare un modello di object detection utilizzando 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, fai riferimento alla sezione Impostazioni di addestramento.

Quali 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 funzionalità rendono l'addestramento efficiente e personalizzabile in base alle tue esigenze. Per maggiori dettagli, consulta la sezione Caratteristiche principali della modalità di addestramento.

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 sulla Ripresa di addestramenti interrotti per ulteriori 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 causare scarse prestazioni del modello sulle classi rare. Ultralytics YOLO supporta la ponderazione delle classi tramite l'argomento cls_pw per risolvere questo problema.

L'argomento cls_pw controlla la potenza della ponderazione delle classi in base alla frequenza inversa delle classi:

• 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 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 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, fai riferimento alla sezione Addestramento MPS su Apple Silicon.

Quali 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.