YOLO26の学習レシピ#

はじめに#

このガイドでは、COCO上の公式YOLO26事前学習済みチェックポイントの作成に使用した、正確な学習レシピを説明します。ここに示すハイパーパラメーターはすべて、エポックごとの学習ログと実行時のコードリビジョンとともに、公開済みの.ptの重みにすでに組み込まれており、すべてプログラムから確認できます。

公式チェックポイントに使用された内容を把握することで、アーキテクチャだけでなく、性能を形作った学習率スケジュール、データ拡張パイプライン、損失の重みも理解でき、ファインチューニング時の判断に役立ちます。どのデータ拡張を維持するか、どの損失関数の重みを調整するか、データセットのサイズにどのオプティマイザー設定が適しているかを判断しやすくなります。

学習の概要#

すべてのYOLO26ベースモデルは2段階で学習されました。まずObjects365v1で150エポックの事前学習を行い、続いてCOCOでファインチューニングを実施しました。両段階とも640x640の解像度でMuSGDオプティマイザーとバッチサイズ128を使用しました。ランダムな重みからCOCOで学習されたYOLO26チェックポイントはありません。そのため、ほとんどのサイズではCOCO段階が短く、COCO段階のハイパーパラメーターは進化的探索によって決定されました。すべてのモデルサイズの完全な学習ログと指標は公開済みチェックポイント内に保存され、Ultralytics Platform上にグラフとして表示されています。

すべてのサイズで共通する主な設計上の選択は次のとおりです。

• COCO段階の前に、すべてのサイズでObjects365による事前学習を実施
• one-to-manyとone-to-oneの両方で教師信号を与えるデュアルヘッド学習。推論ではデフォルトでNMSを使用し、nms=Falseを指定するとNMSフリーヘッドが選択されます
• 重み行列（2D線形重みと4D畳み込みフィルター。4Dフィルターは2Dに再整形）にMuon風の直交化更新を適用し、SGDと組み合わせるMuSGDオプティマイザー
• 強力なモザイクデータ拡張（確率~0.9-1.0）。最終エポックでは無効化（事前学習ではclose_mosaic=8、COCOではclose_mosaic=10）
• 積極的なスケールデータ拡張（0.5-0.95）により、サイズの異なるオブジェクトに対応
• ほとんどのサイズでは回転とせん断を最小限に抑え、幾何学的な歪みを低減

第1段階: Objects365による事前学習#

YOLO26のCOCOチェックポイントはすべて、同じサイズのObjects365v1チェックポイントからファインチューニングされました。これらの事前学習済みの重みも公開されており、Objects365データセットのページで説明しています。各COCOチェックポイントは、.ptファイルに埋め込まれた学習設定内で開始時の重みを指定しています。以下のYOLO26チェックポイントの学習引数を確認するでは、その読み取り方を説明します。

事前学習では、探索で見つけた値ではなく、主にデフォルト設定を使用しました。lr0、lrf、momentum、weight_decay、box、clsはdefault.yamlと同じ値で、warmup_epochs、close_mosaic、dflは上書きされています。Xでのwarmup_epochs、データ拡張の強度、表の後に記載されている内部MuSGDおよびヘッドの重みを除き、設定はすべてのサイズで共通です。

これらの表には、事前学習に影響する設定が記載されていますが、設定全体ではありません。チェックポイントには100を超える引数が記録されています。正式な一覧については、以下に示すようにtrain_argsを出力してください。

from ultralytics import YOLO

model = YOLO("yolo26s-objv1-150.pt")
results = model.train(data="your-dataset.yaml", epochs=100, imgsz=640)

YOLO26チェックポイントの学習引数を確認する#

すべてのUltralyticsチェックポイントには、その作成に使用された学習設定全体が保存されているため、このページに記載された各数値を自分で確認できます。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
print(model.ckpt["train_args"])

出力には、このページに記載されたすべてのレシピ値を含む、100を超える項目の設定全体が一覧表示されます。yolo26n.ptの抜粋：

batch: 128
...
box: 5.62767
...
close_mosaic: 10
cls: 0.56099
...
dfl: 9.03871
...
epochs: 245
...
lr0: 0.0054
lrf: 0.04952
...
optimizer: MuSGD

これは、公式リリースと独自にファインチューニングしたモデルの両方を含む、あらゆる.ptチェックポイントで動作します。設定可能な学習引数の全一覧については、学習設定リファレンスをご覧ください。

学習曲線を表示する#

train_argsだけが保存されているわけではありません。すべてのチェックポイントには、そのチェックポイントを作成した実行のエポックごとの完全なresults.csvと、最終検証メトリクスも含まれています。公式YOLO26チェックポイントの曲線はUltralytics Platformで公開されており、任意の.ptファイルをプロジェクトにドラッグ＆ドロップすると、ファイルからメタデータが自動解析され、同じデータをグラフ化できます。

各チェックポイントには、それを作成したステージのデータが含まれています。そのため、COCOの曲線はyolo26s.ptに、150エポックのObjects365の曲線はyolo26s-objv1-150.ptに含まれています。

コードのリビジョンを確認する#

ckpt["git"]にはチェックポイントを作成したコミットが記録されており、これらのコミットはUltralyticsリポジトリの公開実験用ブランチにあります。そのため、正確な学習コードをチェックアウトできます。

from ultralytics import YOLO

print(YOLO("yolo26n.pt").ckpt["git"])
# {'root': ..., 'branch': 'exp-main', 'commit': 'cb13d5f9cfbd6f299da3620c625f81d721dc2849', ...}

git fetch origin cb13d5f9cfbd6f299da3620c625f81d721dc2849
git checkout cb13d5f9cfbd6f299da3620c625f81d721dc2849

実験用ブランチには、mainには取り込まれなかった、設定可能なo2mやcls_wなどの機能が含まれています。以下に記載したハイパーパラメーターを使ってmainで学習してもビット単位で完全に一致する結果にはなりませんが、公表済みメトリクスとの差は無視できる程度です。

モデルサイズごとのYOLO26学習ハイパーパラメーター#

以下は、上記のObjects365の重みに適用するステージ2の値です。以下の表では、オプティマイザーとスケジュール、損失の重み、データ拡張のカテゴリごとにレシピをまとめています。すべての値は、リリース済みチェックポイントに埋め込まれたtrain_argsから直接取得しています。

オプティマイザーと学習率#

これらのオプティマイザーとスケジュールの設定を使って、各サイズのモデルをCOCOでファインチューニングしました。Nモデルがほかのモデルと異なる点に注目してください。

損失の重み#

損失の重みは、検出損失の3つの要素、すなわちバウンディングボックスのIoU回帰（box）、分類（cls）、ボックス距離の回帰項（dfl）のバランスを調整します。DFLを使用しないYOLO26では、dflのゲインを分布焦点損失ではなく、正規化されたボックス距離に対するL1損失の重みとして再利用している点に注意してください。

Nモデルではdflの距離回帰項を優先する一方、S/M/L/XモデルではIoUベースのボックス回帰を重視します。分類損失は、すべてのサイズで比較的一貫しています。

データ拡張パイプライン#

各手法の詳細については、YOLOデータ拡張ガイドをご覧ください。

~0として表示されている値は、実際のチェックポイントでは0.01未満です（たとえば、Sモデルのdegrees=0.00012）。つまり、データ拡張は実質的に無効です。

大型モデルは容量が大きく、より強い正則化の効果を得られるため、全体としてより積極的なデータ拡張（MixUpとスケールの値が高い）を使用します。意味のある回転、シアー、BGR拡張を使用するのはNモデルだけです。

内部学習パラメーター#

独自のデータセットでYOLO26をファインチューニングする#

独自のデータセットでYOLO26をファインチューニングする際、事前学習レシピ全体を再現する必要はありません。事前学習済みの重みには、COCOでの学習によって得られたデータ拡張と最適化に関する知識がすでに反映されています。一般的な学習のベストプラクティスについては、モデル学習のヒントをご覧ください。

デフォルト設定でファインチューニングする#

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.train(data="your-dataset.yaml", epochs=100, imgsz=640)

デフォルト設定でのファインチューニングは、強力なベースラインになります。明確な理由がない限り、ハイパーパラメーターは調整しないでください。

YOLO26のハイパーパラメーターを調整するタイミング#

小規模なデータセット（1,000枚未満）：

• データ拡張の強度を下げます：mosaic=0.5、mixup=0.0、copy_paste=0.0
• オプティマイザーを明示的に指定して学習率を下げます：optimizer=AdamW、lr0=0.001
• patienceを設定し、エポック数を減らします：epochs=50、patience=20
• バックボーン層の凍結を検討します：freeze=10

大規模なデータセット（50,000枚超）：

• 事前学習レシピにより近づけます
• より長い学習を行う場合は、optimizer=MuSGDを検討します
• データ拡張を増やします：mosaic=1.0、mixup=0.3、scale=0.9

特定のドメインの画像（航空、医療、水中）：

• 縦向きの画像の向きにばらつきがある場合は、flipud=0.5を増やします
• 物体が任意の角度で現れる場合は、degreesを増やします
• 照明条件がCOCOと大きく異なる場合は、hsv_sとhsv_vを調整します

ハイパーパラメーターの自動最適化については、ハイパーパラメーター調整ガイドをご覧ください。

モデルサイズを選択する#

エクスポートとデプロイの方法については、エクスポートガイドとモデルのデプロイ方法をご覧ください。

結論#

YOLO26のチェックポイントには学習レシピ全体が埋め込まれているため、各モデルサイズで使用された正確なハイパーパラメーターは、train_argsを1回参照するだけで確認できます。デフォルト設定からファインチューニングを始め、このページの表を参考に慎重に調整し、変更のたびに独自の検証セットで確認してください。作業中に質問があれば、Ultralytics GitHubリポジトリまたはUltralytics Discordサーバーでコミュニティに問い合わせてください。

よくある質問#