Formazione del modello con Ultralytics YOLO

Introduzione

Training a deep learning model involves feeding it data and adjusting its parameters so that it can make accurate predictions. Train mode in Ultralytics YOLO11 is engineered for effective and efficient training of object detection models, fully utilizing modern hardware capabilities. This guide aims to cover all the details you need to get started with training your own models using YOLO11's robust set of features.

Guarda: How to Train a YOLO model on Your Custom Dataset in Google Colab.

Perché scegliere Ultralytics YOLO per la formazione?

Here are some compelling reasons to opt for YOLO11's Train mode:

• Efficienza: Sfrutta al massimo il tuo hardware, sia che si tratti di una configurazione singolaGPU sia che si tratti di scalare su più GPU.
• Versatilità: Addestramento su set di dati personalizzati oltre a quelli già disponibili come COCO, VOC e ImageNet.
• Facilità d'uso: interfacce CLI e Python semplici ma potenti per un'esperienza di formazione immediata.
• Flessibilità degli iperparametri: Un'ampia gamma di iperparametri personalizzabili per mettere a punto le prestazioni del modello.

Caratteristiche principali della modalità Treno

The following are some notable features of YOLO11's Train mode:

• Download automatico dei dataset: I set di dati standard come COCO, VOC e ImageNet vengono scaricati automaticamente al primo utilizzo.
• Supporto Multi-GPU : Scala i tuoi sforzi formativi senza problemi su più GPU per accelerare il processo.
• Configurazione degli iperparametri: L'opzione di modificare gli iperparametri attraverso i file di configurazione YAML o gli argomenti di CLI .
• Visualizzazione e monitoraggio: Tracciamento in tempo reale delle metriche di formazione e visualizzazione del processo di apprendimento per una migliore comprensione.

Esempi di utilizzo

Train YOLO11n on the COCO8 dataset for 100 epochs at image size 640. The training device can be specified using the device argomento. Se non viene passato alcun argomento GPU device=0 verrà utilizzato se disponibile, altrimenti device='cpu' verrà utilizzato. Vedi la sezione Argomenti di seguito per un elenco completo degli argomenti di formazione.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

Formazione multiGPU

L'addestramento multiGPU permette di utilizzare in modo più efficiente le risorse hardware disponibili distribuendo il carico di addestramento su più GPU. Questa funzione è disponibile sia attraverso l'API Python che attraverso l'interfaccia a riga di comando. Per abilitare l'addestramento multiploGPU , specifica gli ID dei dispositivi GPU che desideri utilizzare.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1

Formazione Apple M1 e M2 MPS

Grazie al supporto dei chip Apple M1 e M2 integrati nei modelli Ultralytics YOLO , è ora possibile addestrare i tuoi modelli su dispositivi che utilizzano il potente framework Metal Performance Shaders (MPS). MPS offre un metodo ad alte prestazioni per l'esecuzione di attività di calcolo e di elaborazione delle immagini sul silicio personalizzato di Apple.

Per abilitare la formazione sui chip Apple M1 e M2, devi specificare 'mps' come dispositivo quando inizi il processo di formazione. Di seguito è riportato un esempio di come puoi farlo in Python e tramite la riga di comando:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Sfruttando la potenza di calcolo dei chip M1/M2, si ottiene un'elaborazione più efficiente dei compiti di formazione. Per una guida più dettagliata e per le opzioni di configurazione avanzate, consulta la documentazione di PyTorch MPS .

Riprendere gli allenamenti interrotti

Riprendere l'addestramento da uno stato precedentemente salvato è una funzione fondamentale quando si lavora con modelli di deep learning. Può essere utile in vari scenari, come quando il processo di addestramento è stato interrotto inaspettatamente o quando si desidera continuare ad addestrare un modello con nuovi dati o per più epoche.

When training is resumed, Ultralytics YOLO loads the weights from the last saved model and also restores the optimizer state, learning rate scheduler, and the epoch number. This allows you to continue the training process seamlessly from where it was left off.

Puoi riprendere facilmente la formazione in Ultralytics YOLO impostando il parametro resume argomento a True quando si chiama l'opzione train e specificando il percorso del metodo .pt contenente i pesi del modello parzialmente addestrato.

Di seguito è riportato un esempio di come riprendere una formazione interrotta utilizzando Python e tramite la linea 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)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

Impostando resume=True, il train continuerà l'allenamento dal punto in cui è stato interrotto, utilizzando lo stato memorizzato nel file "path/to/last.pt". Se il file resume è omesso o è impostato su False, il train inizierà una nuova sessione di formazione.

Remember that checkpoints are saved at the end of every epoch by default, or at fixed intervals using the save_period quindi devi completare almeno un'epoca per riprendere una sessione di allenamento.

Impostazioni del treno

The training settings for YOLO models encompass various hyperparameters and configurations used during the training process. These settings influence the model's performance, speed, and accuracy. Key training settings include batch size, learning rate, momentum, and weight decay. Additionally, the choice of optimizer, loss function, and training dataset composition can impact the training process. Careful tuning and experimentation with these settings are crucial for optimizing performance.

Impostazioni di incremento e iperparametri

Augmentation techniques are essential for improving the robustness and performance of YOLO models by introducing variability into the training data, helping the model generalize better to unseen data. The following table outlines the purpose and effect of each augmentation argument:

Queste impostazioni possono essere regolate per soddisfare i requisiti specifici del set di dati e del compito da svolgere. La sperimentazione di diversi valori può aiutare a trovare la strategia di incremento ottimale che porta alle migliori prestazioni del modello.

Registrazione

In training a YOLO11 model, you might find it valuable to keep track of the model's performance over time. This is where logging comes into play. Ultralytics' YOLO provides support for three types of loggers - Comet, ClearML, and TensorBoard.

Per utilizzare un logger, selezionalo dal menu a tendina nel frammento di codice qui sopra ed eseguilo. Il logger scelto verrà installato e inizializzato.

Comet

Comet è una piattaforma che consente agli scienziati dei dati e agli sviluppatori di monitorare, confrontare, spiegare e ottimizzare esperimenti e modelli. Offre funzionalità come metriche in tempo reale, differenze di codice e monitoraggio 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 di ottenere la tua chiave API. Dovrai aggiungerla alle variabili d'ambiente o allo script per registrare gli esperimenti.

ClearML

ClearML è una piattaforma open-source che automatizza il monitoraggio degli esperimenti e aiuta a condividere in modo efficiente le risorse. È stata 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 is a visualization toolkit for TensorFlow. It allows you to visualize your TensorFlow graph, plot quantitative metrics about the execution of your graph, and show additional data like images that pass through it.

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 http://localhost:6006/.

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

Questo caricherà TensorBoard e lo indirizzerà alla directory in cui sono salvati i registri di allenamento.

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

DOMANDE FREQUENTI

How do I train an object detection model using Ultralytics YOLO11?

To train an object detection model using Ultralytics YOLO11, you can either use the Python API or the CLI. Below is an example for both:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Per maggiori dettagli, consulta la sezione Impostazioni del treno.

What are the key features of Ultralytics YOLO11's Train mode?

The key features of Ultralytics YOLO11's Train mode include:

• Download automatico dei dataset: Scarica automaticamente i set di dati standard come COCO, VOC e ImageNet.
• Supporto Multi-GPU : Scala la formazione su più GPU per un'elaborazione più veloce.
• Configurazione degli iperparametri: Personalizza gli iperparametri attraverso i file YAML o gli argomenti di CLI .
• Visualizzazione e monitoraggio: Tracciamento in tempo reale delle metriche di allenamento per una migliore comprensione.

Queste caratteristiche rendono l'allenamento efficiente e personalizzabile in base alle tue esigenze. Per maggiori dettagli, consulta la sezione Caratteristiche principali della modalità Allenamento.

How do I resume training from an interrupted session in Ultralytics YOLO11?

Per riprendere l'allenamento da una sessione interrotta, imposta il parametro resume argomento a 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)

yolo train resume model=path/to/last.pt

Per maggiori informazioni, consulta la sezione Riprendere le formazioni interrotte.

Can I train YOLO11 models on Apple M1 and M2 chips?

Yes, Ultralytics YOLO11 supports training on Apple M1 and M2 chips utilizing the Metal Performance Shaders (MPS) framework. Specify 'mps' as your training device.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model on M1/M2 chip
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Per maggiori dettagli, consulta la sezione Formazione Apple M1 e M2 MPS .

Quali sono le impostazioni di formazione più comuni e come posso configurarle?

Ultralytics YOLO11 allows you to configure a variety of training settings such as batch size, learning rate, epochs, and more through arguments. Here's a brief overview:

Per una guida approfondita sulle impostazioni di allenamento, consulta la sezione Impostazioni di allenamento.

📅 Created 11 months ago ✏️ Updated 9 days ago

Commenti