Receita de treino do YOLO26

Introdução

Este guia descreve exatamente treino receita utilizada para produzir o produto oficial YOLO26 pontos de verificação pré-treinados em COCO. Cada hiperparâmetro O que aqui se mostra já está integrado na versão lançada .pt ponderados e podem ser inspecionados programaticamente.

Compreender como os modelos base foram treinados ajuda-o a tomar melhores decisões durante o ajuste fino: quais as técnicas de aumento de dados que deve manter, quais os pesos da função de perda que deve ajustar e quais as configurações do otimizador que funcionam melhor para o tamanho do seu conjunto de dados.

Verificar os argumentos de treino

Cada Ultralytics armazena a configuração completa do treino utilizada para o gerar. Pode consultar estas definições a qualquer momento:

from ultralytics import YOLO

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

import torch

# Load any official checkpoint
ckpt = torch.load("yolo26n.pt", map_location="cpu", weights_only=False)

# Print all training arguments
for k, v in sorted(ckpt["train_args"].items()):
    print(f"{k}: {v}")

Isto funciona para qualquer .pt checkpoint — tanto versões oficiais como os seus próprios modelos ajustados. Para obter a lista completa de argumentos de treino configuráveis, consulte o Referência de configuração de formação.

Visão geral da formação

Todos os modelos base do YOLO26 foram treinados no COCO resolução de 640x640, utilizando o otimizador MuSGD com um tamanho de lote de 128. Os modelos foram inicializados a partir de pesos pré-treinados intermédios e aperfeiçoados com hiperparâmetros determinados através de pesquisa evolutiva. Os registos completos de treino e as métricas para cada tamanho de modelo estão disponíveis na Ultralytics :

Principais características de design em todos os tamanhos:

• Formação integral (end2end=True) com cabeça individual NMS
• Otimizador MuSGD que combina SGD atualizações ortogonalizadas do tipo Muon para pesos de redes convolucionais
• Aumento significativo do mosaico (probabilidade de ~0,9-1,0) desativado nas últimas 10 épocas (close_mosaic=10)
• Aumento agressivo da escala (0,56-0,95) para lidar com objetos de diferentes tamanhos
• Rotação/deslocamento mínimos para a maioria dos tamanhos, mantendo a distorção geométrica baixa

Hiperparâmetros por tamanho do modelo

Otimizador e taxa de aprendizagem

Pesos de Perda

O modelo N dá prioridade à perda DFL, enquanto os modelos S/M/L/X colocam a ênfase na regressão da caixa delimitadora. A perda de classificação mantém-se relativamente consistente em todos os tamanhos.

Pipeline de Aumento

Para uma explicação detalhada de cada técnica, consulte o guia de aumentoYOLO .

Os modelos de maior dimensão utilizam, em geral, um aumento mais agressivo (maior mixup, cópia e colagem e escalonamento), uma vez que têm maior capacidade e beneficiam de uma regularização mais forte. O modelo N é o único tamanho com aumento significativo por rotação, cisalhamento e BGR.

Parâmetros de formação interna

Orientações para o ajuste fino

Ao ajustar o YOLO26 ao seu próprio conjunto de dados, não é necessário replicar todo o processo de pré-treino. Os pesos pré-treinados já incorporam os conhecimentos de aumento de dados e otimização adquiridos durante COCO . Para conhecer as melhores práticas de treino de modelos em geral, consulte Dicas para o treino de modelos.

Comece de forma simples

from ultralytics import YOLO

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

yolo train model=yolo26n.pt data=your-dataset.yaml epochs=100 imgsz=640

O ajuste fino com os valores predefinidos constitui uma boa base de partida. Apenas ajuste os hiperparâmetros se tiver um motivo específico para o fazer.

Quando ajustar

Small datasets (< 1,000 images):

• Reduzir a intensidade do aumento: mosaic=0.5, mixup=0.0, copy_paste=0.0
• Taxa de aprendizagem mais baixa: lr0=0.001
• Use menos épocas com paciência: epochs=50, patience=20
• Considere congelar as camadas da espinha dorsal: freeze=10

Conjuntos de dados de grande dimensão (> 50 000 imagens):

• Seguir mais rigorosamente a receita de pré-treino
• Considere optimizer=MuSGD para percursos mais longos
• Aumento do aumento: mosaic=1.0, mixup=0.3, scale=0.9

Imagens específicas de cada área (aéreas, médicas, subaquáticas):

• Aumento flipud=0.5 se a orientação vertical variar
• Aumento 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 obter informações sobre a otimização automatizada de hiperparâmetros, consulte o guia de ajuste de hiperparâmetros.

Escolher o tamanho do modelo

Para obter informações sobre as opções de exportação e implementação, consulte o Guia de exportação e as Opções de implementação de modelos.

FAQ

Como posso ver os hiperparâmetros exatos utilizados em qualquer ponto de verificação?

Carregue o ponto de verificação com torch.load() e aceder ao train_args tecla, ou use model.ckpt["train_args"] com a Ultralytics . Consulte Verificar os argumentos de treino para ver exemplos completos.

Por que é que o número de épocas difere consoante o tamanho do modelo?

Os modelos maiores convergem mais rapidamente no COCO têm maior capacidade. O modelo N precisou de 245 épocas, enquanto o modelo X precisou apenas de 40. Ao realizar o ajuste fino no seu próprio conjunto de dados, o número ideal de épocas depende do tamanho e da complexidade do seu conjunto de dados, e não do tamanho do modelo. Utilize a interrupção antecipada (patience) para encontrar automaticamente o ponto de paragem certo.

Devo usar o MuSGD para o ajuste fino?

Quando optimizer=auto (por predefinição), Ultralytics seleciona Ultralytics MuSGD para treinos mais longos (>10 000 iterações) e AdamW para os mais curtos. Pode definir explicitamente optimizer=MuSGD se preferir. Para mais informações sobre a seleção do otimizador, consulte o documentação de formação.

O que são muon_w, sgd_w, cls_w, o2m, e topk no posto de controlo?

Estes são parâmetros internos do pipeline de treino que gerou os pontos de verificação de base. São armazenados para garantir a reprodutibilidade, mas são não opções configuráveis pelo utilizador em default.yaml. Não é necessário defini-los durante o ajuste fino. Ver Parâmetros de formação interna para mais detalhes.

Posso reproduzir exatamente o pré-treino a partir do zero?

Os pontos de verificação foram criados utilizando um ramo de formação interno com funcionalidades adicionais que não constam na base de código pública (como a configuração o2m pesos e cls_w). É possível obter resultados muito semelhantes utilizando os hiperparâmetros documentados nesta página com o Ultralytics público Ultralytics , mas para uma reprodução exata é necessário utilizar o ramo interno.

📅 Criado há 0 dias ✏️ Atualizado há 0 dias

Comentários