Receita de treino do YOLO26#

Introdução#

Este guia documenta a receita exata de treinamento usada para produzir os checkpoints pré-treinados oficiais do YOLO26 no COCO. Cada hiperparâmetro apresentado aqui já está incorporado nos pesos .pt disponibilizados, juntamente com o registo de treinamento por época e a revisão do código usada na execução, e tudo isso pode ser inspecionado programaticamente.

Saber o que foi incluído nos checkpoints oficiais — não apenas a arquitetura, mas também os escalonamentos da taxa de aprendizagem, os pipelines de aumento de dados e os pesos das funções de perda que determinaram o desempenho — ajuda-te a tomar melhores decisões ao fazer fine-tuning: quais aumentos de dados manter, quais pesos da função de perda ajustar e quais definições do otimizador funcionam melhor para o tamanho do teu conjunto de dados.

Visão geral do treino#

Todos os modelos base do YOLO26 foram treinados em duas etapas: pré-treino no Objects365v1 durante 150 épocas, seguido de fine-tuning no COCO. Ambas as etapas foram executadas com resolução 640x640, usando o otimizador MuSGD e tamanho do batch 128. Nenhum checkpoint do YOLO26 foi treinado no COCO a partir de pesos aleatórios, motivo pelo qual a etapa do COCO é curta para a maioria dos tamanhos; os hiperparâmetros dessa etapa foram encontrados através de pesquisa evolutiva. Os registos de treino completos e as métricas de cada tamanho de modelo são armazenados nos checkpoints disponibilizados e apresentados como gráficos na Ultralytics Platform.

Principais escolhas de design para todos os tamanhos:

• Pré-treino no Objects365 para cada tamanho antes da etapa do COCO
• Treino de ponta a ponta (end2end=True) com uma cabeça um-para-um sem NMS
• Otimizador MuSGD que combina SGD com atualizações ortogonalizadas ao estilo Muon para matrizes de pesos (pesos lineares 2D e filtros de convolução 4D, remodelados para 2D)
• Aumento de mosaico intenso (probabilidade de ~0.9-1.0) desativado nas épocas finais (close_mosaic=8 no pré-treino, close_mosaic=10 no COCO)
• Aumento agressivo de escala (0.5-0.95) para lidar com objetos de diferentes tamanhos
• Rotação/cisalhamento mínimos para a maioria dos tamanhos, mantendo baixa a distorção geométrica

Etapa 1: Pré-treino no Objects365#

Cada checkpoint do YOLO26 para o COCO recebeu fine-tuning a partir de um checkpoint do Objects365v1 do mesmo tamanho. Esses pesos pré-treinados também são publicados e estão documentados na página do conjunto de dados Objects365. Cada checkpoint do COCO identifica os pesos iniciais na configuração de treino incorporada no ficheiro .pt; a secção Inspecionar os argumentos de treino do checkpoint do YOLO26 abaixo mostra como os ler:

O pré-treino utilizou principalmente as definições predefinidas, em vez de valores pesquisados. lr0, lrf, momentum, weight_decay, box e cls correspondem a default.yaml, enquanto warmup_epochs, close_mosaic e dfl foram substituídos. As definições são partilhadas entre os tamanhos, exceto warmup_epochs no X, as intensidades dos aumentos e os pesos internos do MuSGD e da cabeça apresentados após as tabelas:

Estas tabelas abrangem as definições que moldam o pré-treino, não a configuração completa. Os checkpoints registam mais de 100 argumentos; por isso, imprime train_args como mostrado abaixo para obteres a lista autoritativa.

from ultralytics import YOLO

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

Inspecionar os argumentos de treino do checkpoint do YOLO26#

Cada checkpoint da Ultralytics armazena a configuração completa de treino utilizada para o produzir, pelo que podes verificar pessoalmente cada número apresentado nesta página:

from ultralytics import YOLO

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

O resultado apresenta a configuração completa, com mais de 100 entradas, incluindo todos os valores da receita documentados nesta página. Um excerto para yolo26n.pt:

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

Isto funciona com qualquer checkpoint .pt — tanto os lançamentos oficiais como os teus próprios modelos com fine-tuning. Para obteres a lista completa dos argumentos de treino configuráveis, consulta a referência da configuração de treino.

Ver as curvas de treino#

train_args não é a única coisa armazenada. Cada checkpoint também contém o results.csv completo, por época, da execução que o produziu, juntamente com as respetivas métricas finais de validação. As curvas dos checkpoints oficiais do YOLO26 são publicadas na Ultralytics Platform, e qualquer ficheiro .pt pode ser arrastado e largado num projeto para gerar gráficos com os mesmos dados, analisando automaticamente os metadados do ficheiro.

Cada checkpoint abrange a etapa que o produziu; assim, as curvas do COCO estão em yolo26s.pt e as curvas de 150 épocas do Objects365 estão em yolo26s-objv1-150.pt.

Verificar a revisão do código#

ckpt["git"] regista o commit que produziu o checkpoint, e esses commits encontram-se em ramos experimentais públicos do repositório da Ultralytics, pelo que podes obter o código de treino exato:

from ultralytics import YOLO

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

git fetch origin cb13d5f9cfbd6f299da3620c625f81d721dc2849
git checkout cb13d5f9cfbd6f299da3620c625f81d721dc2849

Os ramos experimentais contêm trabalho que nunca foi integrado em main, como o2m e cls_w configuráveis. Treinar em main com os hiperparâmetros documentados abaixo não produzirá resultados bit a bit idênticos, mas ficará a uma distância insignificante das métricas publicadas.

Hiperparâmetros de treino do YOLO26 por tamanho de modelo#

Estes são os valores da etapa 2, aplicados sobre os pesos do Objects365 acima. As tabelas abaixo agrupam a receita por categoria: otimizador e escalonamento, pesos da perda e aumento de dados. Cada valor provém diretamente do train_args incorporado nos checkpoints disponibilizados.

Otimizador e taxa de aprendizagem#

Estas definições do otimizador e do escalonamento orientaram o fine-tuning no COCO para cada tamanho; observa como o modelo N se distingue dos restantes:

Pesos da perda#

Os pesos da perda equilibram os três componentes da perda de deteção — regressão de IoU da caixa delimitadora (box), classificação (cls) e um termo de regressão da distância da caixa (dfl). Nota que o YOLO26 sem DFL reutiliza o ganho dfl para ponderar uma perda L1 nas distâncias normalizadas da caixa, em vez da perda focal de distribuição:

O modelo N dá prioridade ao termo de regressão da distância dfl, enquanto os modelos S/M/L/X transferem a ênfase para a regressão da caixa baseada em IoU. A perda de classificação permanece relativamente consistente em todos os tamanhos.

Pipeline de aumento de dados#

Para obteres uma explicação detalhada de cada técnica, consulta o guia de aumento de dados do YOLO.

Os valores apresentados como ~0 são inferiores a 0.01 nos checkpoints reais (por exemplo, degrees=0.00012 para o modelo S) — o aumento de dados está efetivamente desativado.

Os modelos maiores utilizam, de modo geral, aumentos mais agressivos (maior mixup e escala), pois têm mais capacidade e beneficiam de uma regularização mais forte. O modelo N é o único tamanho com rotação, cisalhamento e aumento BGR significativos.

Parâmetros internos de treino#

Fazer fine-tuning do YOLO26 no teu próprio conjunto de dados#

Ao fazer fine-tuning do YOLO26 no teu próprio conjunto de dados, não precisas de replicar a receita completa de pré-treino. Os pesos pré-treinados já codificam o conhecimento sobre aumento de dados e otimização adquirido no treino com o COCO. Para obteres mais boas práticas gerais de treino, consulta Dicas para o treino de modelos.

Fazer fine-tuning com as definições predefinidas#

from ultralytics import YOLO

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

Fazer fine-tuning com as predefinições é uma referência sólida. Ajusta os hiperparâmetros apenas se tiveres um motivo específico para tal.

Quando ajustar os hiperparâmetros do YOLO26#

Conjuntos de dados pequenos (< 1.000 imagens):

• Reduzir a intensidade dos aumentos: mosaic=0.5, mixup=0.0, copy_paste=0.0
• Reduzir a taxa de aprendizagem com um otimizador explícito: optimizer=AdamW, lr0=0.001
• Usar menos épocas com paciência: epochs=50, patience=20
• Considerar congelar as camadas do backbone: freeze=10

Conjuntos de dados grandes (> 50.000 imagens):

• Seguir mais de perto a receita de pré-treino
• Considerar optimizer=MuSGD para execuções mais longas
• Aumentar os dados: mosaic=1.0, mixup=0.3, scale=0.9

Imagens específicas do domínio (aéreas, médicas, subaquáticas):

• Aumentar flipud=0.5 se a orientação vertical variar
• Aumentar degrees se os objetos aparecerem com rotações arbitrárias
• Ajustar hsv_s e hsv_v se as condições de iluminação diferirem significativamente das do COCO

Para a otimização automatizada de hiperparâmetros, consulta o guia de ajuste de hiperparâmetros.

Escolher um tamanho de modelo#

Para conhecer as opções de exportação e implementação, consulta o guia de exportação e as Opções de implementação do modelo.

Conclusão#

Os checkpoints do YOLO26 incluem a receita de treino completa, pelo que os hiperparâmetros exatos por detrás de cada tamanho de modelo estão sempre a uma consulta de train_args de distância. Começa o fine-tuning com as predefinições, faz ajustes deliberados usando as tabelas desta página e valida cada alteração no teu próprio conjunto de validação. Se surgirem dúvidas durante o processo, pergunta à comunidade no repositório do Ultralytics no GitHub ou no servidor do Ultralytics no Discord.

Perguntas frequentes#