YOLO26 학습 레시피#

소개#

본 가이드는 COCO에서 공식 YOLO26 사전 학습된 체크포인트를 생성하는 데 사용된 정확한 훈련 레시피를 문서화합니다. 여기에 표시된 모든 하이브리드 파라미터는 이미 배포된 .pt 가중치에 내장되어 있으며 프로그래밍 방식으로 확인할 수 있습니다.

아키텍처뿐만 아니라 성능을 결정하는 learning rate 스케줄, augmentation 파이프라인, 손실 가중치 등 공식 체크포인트에 포함된 내용을 파악하면 fine-tuning 시 더 나은 결정을 내리는 데 도움이 됩니다. 유지할 data augmentations, 조정할 loss function 가중치, 그리고 데이터셋 크기에 가장 적합한 옵티마이저 설정을 선택할 수 있습니다.

학습 개요#

모든 YOLO26 기본 모델은 batch size 128과 함께 MuSGD 최적화 알고리즘을 사용하여 640x640 해상도의 COCO에서 학습되었습니다. 단일 실행에서 무작위 가중치로 시작하는 대신, 모델은 중간 사전 학습된 가중치에서 초기화되었고 evolutionary search를 통해 발견된 하이퍼파라미터로 정제되었습니다. 모든 모델 크기에 대한 전체 학습 로그 및 측정기준은 Ultralytics Platform에서 확인할 수 있습니다.

모든 크기에 걸친 주요 설계 선택:

• NMS가 없는 일대일 헤드를 사용하는 End-to-end training (end2end=True)
• 가중치 행렬(2D 선형 가중치 및 2D로 재배열되는 4D conv 필터)에 대한 Muon 스타일 직교화 업데이트와 SGD를 결합한 MuSGD 옵티마이저
• 마지막 10 에포크에서 비활성화된 강력한 모자이크 augmentation(~0.9-1.0 확률) (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)

YOLO26 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"])

출력에는 이 페이지에 문서화된 모든 레시피 값을 포함하여 100개가 넘는 항목의 전체 구성이 나열됩니다. yolo26n.pt에 대한 발췌:

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 공식 배포 버전이든 사용자 지정 파인튜닝 모델이든 모든 .pt 체크포인트에 작동합니다. 설정 가능한 전체 학습 인자 목록은 training configuration reference를 참조하세요.

모델 크기별 YOLO26 학습 하이퍼파라미터#

아래 표에서는 레시피를 옵티마이저 및 스케줄, 손실 가중치, augmentation 카테고리별로 그룹화합니다. 모든 값은 배포된 체크포인트에 내장된 train_args에서 직접 가져온 것입니다.

옵티마이저 및 학습률#

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

손실 가중치#

손실 가중치는 검출 손실의 세 가지 구성 요소인 bounding box IoU 회귀(box), 분류(cls), 그리고 상자 거리 회귀 항(dfl)의 균형을 맞춥니다. DFL이 없는 YOLO26은 분포 초점 손실(distribution focal loss) 대신 정규화된 상자 거리의 L1 손실에 가중치를 부여하기 위해 dfl 게인을 재용도한다는 점에 유의하세요:

N 모델은 dfl 거리 회귀 항을 우선시하는 반면, S/M/L/X 모델은 IoU 기반 상자 회귀에 비중을 둡니다. 분류 손실은 모든 크기에서 비교적 일관되게 유지됩니다.

증강 파이프라인#

각 기술에 대한 자세한 설명은 YOLO Data Augmentation guide를 참조하세요.

~0으로 표시된 값은 실제 체크포인트에서 0.01 미만입니다(예: S 모델의 경우 degrees=0.00012). 즉, augmentation이 실제로 비활성화되어 있습니다.

대형 모델은 더 많은 용량을 가지고 있고 더 강한 regularization의 이점을 얻을 수 있으므로 전반적으로 더 공격적인 augmentation(더 높은 믹스업, 복사-붙여넣기, 스케일)을 사용합니다. N 모델은 의미 있는 회전, 전단(shear), BGR augmentation이 있는 유일한 크기입니다.

내부 학습 파라미터#

자체 데이터셋으로 YOLO26 파인 튜닝하기#

자체 데이터셋으로 YOLO26을 파인튜닝할 때 전체 사전 학습 레시피를 복제할 필요는 없습니다. 사전 학습된 가중치는 이미 COCO 학습의 augmentation 및 최적화 지식을 인코딩하고 있습니다. 보다 일반적인 학습 모범 사례는 Tips for Model Training을 참조하세요.

기본 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.

YOLO26 하이퍼파라미터 조정 시기#

소규모 데이터셋 (1,000장 미만 이미지):

• Augmentation 강도 감소: mosaic=0.5, mixup=0.0, copy_paste=0.0
• 낮은 학습률: lr0=0.001
• patience를 적용하여 더 적은 epochs 사용: epochs=50, patience=20
• 백본 레이어 동결 고려: freeze=10

대규모 데이터셋 (50,000장 초과 이미지):

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

도메인 특화 이미지 (항공, 의료, 수중):

• 수직 방향이 다양할 경우 flipud=0.5 증가
• 개체가 임의의 회전으로 나타나는 경우 degrees 증가
• 조명 조건이 COCO와 크게 다른 경우 hsv_s 및 hsv_v 조정

자동화된 하이퍼파라미터 최적화에 대해서는 Hyperparameter Tuning guide를 참조하세요.

모델 크기 선택#

내보내기 및 배포 옵션에 대해서는 Export guide 및 Model Deployment Options를 참조하세요.

결론#

YOLO26 체크포인트는 전체 학습 레시피가 내장된 상태로 제공되므로 모든 모델 크기 뒤에 있는 정확한 하이퍼파라미터를 train_args 조회 한 번으로 확인할 수 있습니다. 기본값에서 파인튜닝을 시작하고, 이 페이지의 표를 사용하여 신중하게 조정한 뒤, 자체 검증 세트와 비교하여 모든 변경 사항을 확인하세요. 진행 중에 질문이 생기면 Ultralytics GitHub repository 또는 Ultralytics Discord server의 커뮤니티에 문의하세요.

FAQ#