Link to this sectionYOLO26 학습 레시피#

Link to this section소개#

This guide documents the exact training recipe used to produce the official YOLO26 pretrained checkpoints on COCO. Every hyperparameter shown here is already embedded in the released .pt weights and can be inspected programmatically.

공식 체크포인트에 무엇이 포함되었는지 아는 것은(단순히 아키텍처뿐만 아니라, 학습률 스케줄, 증강 파이프라인, 성능을 결정짓는 손실 가중치까지 포함) 미세 조정 시 더 나은 결정을 내리는 데 도움이 됩니다. 즉, 어떤 데이터 증강을 유지하고, 어떤 손실 함수 가중치를 조정하며, 데이터셋 크기에 가장 적합한 옵티마이저 설정이 무엇인지 결정할 수 있습니다.

Link to this section학습 개요#

모든 YOLO26 기본 모델은 COCO 데이터셋에서 640x640 해상도로 배치 크기 128을 사용하여 MuSGD 옵티마이저로 학습되었습니다. 단일 실행에서 무작위 가중치로 시작하는 대신, 모델은 중간 사전 학습 가중치로부터 초기화되었으며 진화적 탐색을 통해 발견된 하이퍼파라미터로 정교화되었습니다. 모든 모델 크기에 대한 전체 학습 로그 및 메트릭은 Ultralytics Platform에서 확인할 수 있습니다:

모든 크기에 걸친 주요 설계 선택:

• 엔드투엔드 학습(end2end=True)(NMS 없는 일대일 헤드 포함)
• MuSGD 옵티마이저(가중치 행렬(conv 및 선형 가중치와 같이 ndim >= 2인 파라미터)에 대해 Muon 스타일의 직교화된 업데이트와 SGD를 결합)
• 강력한 모자이크 증강(~0.9-1.0 확률, 마지막 10 에포크에서 비활성화(close_mosaic=10))
• 공격적인 스케일 증강(0.56-0.95, 다양한 크기의 객체를 처리하기 위함)
• 최소한의 회전/전단 변환(대부분의 크기에서 기하학적 왜곡을 낮게 유지)

Link to this sectionYOLO26 체크포인트 학습 인수 검사#

모든 Ultralytics 체크포인트는 생성에 사용된 전체 학습 구성을 저장하므로, 이 페이지의 각 수치를 직접 확인할 수 있습니다:

from ultralytics import YOLO

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

출력 결과에는 이 페이지에 기록된 모든 레시피 값을 포함하여 100개 이상의 항목으로 구성된 전체 구성이 나열됩니다. yolo26n.pt에 대한 발췌본입니다:

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

이는 모든 .pt 체크포인트(공식 릴리스 및 사용자가 직접 미세 조정한 모델 모두)에 적용됩니다. 구성 가능한 전체 학습 인수 목록은 학습 구성 참조를 참조하십시오.

Link to this section모델 크기별 YOLO26 학습 하이퍼파라미터#

아래 표는 레시피를 범주별(옵티마이저 및 스케줄, 손실 가중치, 증강)로 그룹화합니다. 모든 값은 릴리스된 체크포인트에 포함된 train_args에서 직접 가져온 것입니다.

Link to this section옵티마이저 및 학습률#

이러한 옵티마이저 및 스케줄 설정은 각 크기에 대한 COCO 사전 학습을 주도했습니다. N 모델이 나머지 모델과 어떻게 다른지 주목하십시오:

Link to this section손실 가중치#

손실 가중치는 탐지 손실의 세 가지 구성 요소인 경계 상자 IoU 회귀(box), 분류(cls), 상자 거리 회귀 항(dfl)의 균형을 맞춥니다. DFL이 없는 YOLO26은 Distribution Focal Loss 대신 정규화된 상자 거리에 대한 L1 손실의 가중치를 부여하기 위해 dfl 게인을 재사용한다는 점에 유의하십시오:

N 모델은 dfl 거리 회귀 항을 우선시하는 반면, S/M/L/X 모델은 IoU 기반 상자 회귀에 중점을 둡니다. 분류 손실은 모든 크기에 걸쳐 비교적 일정하게 유지됩니다.

Link to this section증강 파이프라인#

각 기술에 대한 자세한 설명은 YOLO 데이터 증강 가이드를 참조하십시오.

~0으로 표시된 값은 실제 체크포인트에서 0.01 미만입니다(예: S 모델의 경우 degrees=0.00012). 즉, 해당 증강은 사실상 비활성화된 상태입니다.

대형 모델은 더 많은 용량을 가지고 있으며 더 강력한 정규화로부터 이점을 얻기 때문에 전반적으로 더 공격적인 증강(더 높은 mixup, copy-paste 및 scale)을 사용합니다. N 모델은 유의미한 회전, 전단 및 BGR 증강을 사용하는 유일한 크기입니다.

Link to this section내부 학습 파라미터#

Link to this section자체 데이터셋으로 YOLO26 파인 튜닝하기#

자체 데이터셋으로 YOLO26을 파인 튜닝할 때 전체 사전 학습 레시피를 복제할 필요는 없습니다. 사전 학습된 가중치에는 이미 COCO 학습에서 얻은 증강 및 최적화 지식이 포함되어 있습니다. 일반적인 학습 모범 사례는 모델 학습을 위한 팁을 참조하십시오.

Link to this section기본 설정으로 파인 튜닝하기#

from ultralytics import YOLO

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

기본 설정으로 파인 튜닝하는 것은 강력한 기준점이 됩니다. 특별한 이유가 있는 경우에만 하이퍼파라미터를 조정하십시오.

Link to this sectionYOLO26 하이퍼파라미터 조정 시기#

소규모 데이터셋 (1,000장 미만 이미지):

• 증강 강도 감소: mosaic=0.5, mixup=0.0, copy_paste=0.0
• 낮은 학습률 사용: lr0=0.001
• 더 적은 에포크와 인내심(patience) 값 설정: epochs=50, patience=20
• 백본 레이어 고정 고려: freeze=10

대규모 데이터셋 (50,000장 초과 이미지):

• 사전 학습 레시피와 최대한 유사하게 일치
• 더 긴 학습을 위해 optimizer=MuSGD 고려
• 증강 증가: mosaic=1.0, mixup=0.3, scale=0.9

도메인 특화 이미지 (항공, 의료, 수중):

• 수직 방향 변화가 큰 경우 flipud=0.5 증가
• 객체가 임의의 각도로 회전되어 나타나는 경우 degrees 증가
• 조명 조건이 COCO와 크게 다른 경우 hsv_s 및 hsv_v 조정

자동 하이퍼파라미터 최적화에 대해서는 하이퍼파라미터 튜닝 가이드를 참조하십시오.

Link to this section모델 크기 선택#

내보내기 및 배포 옵션은 내보내기 가이드 및 모델 배포 옵션을 참조하십시오.

Link to this section결론#

YOLO26 체크포인트는 전체 학습 레시피가 내장되어 제공되므로, 모든 모델 크기의 정확한 하이퍼파라미터는 언제든지 train_args 조회를 통해 확인할 수 있습니다. 기본값에서 파인 튜닝을 시작하고, 이 페이지의 표를 사용하여 신중하게 조정하며, 자체 검증 세트에서 변경 사항을 모두 검증하십시오. 도중에 궁금한 점이 생기면 Ultralytics GitHub 저장소 또는 Ultralytics Discord 서버의 커뮤니티에 질문하십시오.

Link to this sectionFAQ#

Link to this section체크포인트에 사용된 정확한 하이퍼파라미터는 어떻게 확인하나요?#

torch.load()로 체크포인트를 로드하여 train_args 키에 접근하거나, Ultralytics API와 함께 model.ckpt["train_args"]를 사용하십시오. 전체 예제는 YOLO26 체크포인트 학습 인수 검사를 참조하십시오.

Link to this section모델 크기마다 에포크 수가 다른 이유는 무엇인가요?#

일반적으로 더 큰 모델은 용량이 커 수렴이 빠르기 때문에 COCO에서 더 적은 에포크가 필요했습니다. (X 모델은 40 에포크, N 모델은 245 에포크). 다만 횟수가 엄격하게 단조 증가하지는 않습니다(S는 70, M은 80). 자체 데이터셋으로 파인 튜닝할 때 최적의 에포크 수는 모델 크기가 아닌 데이터셋의 크기와 복잡성에 따라 결정됩니다. 조기 종료(patience)를 사용하여 자동으로 적절한 종료 지점을 찾으십시오.

Link to this section파인 튜닝에 MuSGD를 사용해야 하나요?#

보통 선택할 필요가 없습니다. 기본값인 optimizer=auto를 사용하면 Ultralytics가 긴 학습(10,000 반복 이상)에는 MuSGD를, 짧은 학습에는 AdamW를 자동으로 선택합니다. 원하신다면 optimizer=MuSGD로 명시할 수도 있습니다. MuSGD의 작동 방식에 대한 자세한 내용은 학습 문서를 참조하십시오.

Link to this section체크포인트 내의 muon_w, sgd_w, cls_w, o2m, topk는 무엇인가요?#

이는 재현성을 위해 train_args에 기록된, 베이스 체크포인트를 생성한 학습 파이프라인의 내부 매개변수입니다. 이는 default.yaml에서 사용자가 설정할 수 있는 값이 아니며, model.train()에 전달하면 유효하지 않은 인수 오류가 발생합니다. 공개 패키지에서는 이를 읽지 않습니다. 파인 튜닝 시 설정할 필요가 없으며, 모델 크기별 값은 내부 학습 매개변수를 참조하십시오.

Link to this section사전 학습을 처음부터 완전히 복제할 수 있나요?#

정확히는 불가능합니다. 체크포인트는 공개 코드베이스에 없는 추가 기능(예: 구성 가능한 o2m 가중치 및 cls_w)이 포함된 내부 학습 브랜치를 사용하여 생성되었습니다. 공개 Ultralytics 패키지와 이 페이지에 문서화된 하이퍼파라미터를 사용하면 매우 유사한 결과를 얻을 수 있지만, 정확한 복제를 위해서는 내부 브랜치가 필요합니다.