Receita de Treinamento YOLO26#

Introdução#

Este guia documenta a receita de training exata usada para produzir os checkpoints pré-treinados oficiais do YOLO26 no COCO. Cada hyperparameter apresentado aqui já está embutido nos pesos lançados de .pt e pode ser inspecionado programaticamente.

Saber o que compôs os checkpoints oficiais — não apenas a arquitetura, mas os agendamentos de learning rate, os pipelines de aumento e os pesos de perda que moldaram o desempenho deles — ajuda-te a tomar melhores decisões durante o fine-tuning: quais data augmentations manter, quais pesos de loss function ajustar e quais configurações de otimizador funcionam melhor para o tamanho do teu conjunto de dados.

Visão Geral do Treinamento#

Todos os modelos base do YOLO26 foram treinados no COCO a uma resolução de 640x640 utilizando o otimizador MuSGD com um batch size de 128. Em vez de começar a partir de pesos aleatórios numa única execução, os modelos foram inicializados a partir de pesos pré-treinados intermediários e refinados com hiperparâmetros encontrados através de evolutionary search. Os registos de treino completos e as métricas para cada tamanho de modelo estão disponíveis na Ultralytics Platform.

Principais escolhas de design em todos os tamanhos:

• Treinamento de ponta a ponta (end2end=True) com cabeça um para um sem NMS
• MuSGD optimizer combinando SGD com atualizações ortogonalizadas estilo Muon para matrizes de peso (pesos lineares 2D e filtros de convolução 4D, que são remodelados para 2D)
• Aumento de mosaico pesado (probabilidade de ~0,9-1,0) desativado nas últimas 10 épocas (close_mosaic=10)
• Aumento de escala agressivo (0.56-0.95) para lidar com objetos em diferentes tamanhos
• Rotação/cisalhamento mínimo para a maioria dos tamanhos, mantendo a distorção geométrica baixa

Inspecionando Argumentos de Treinamento do Checkpoint YOLO26#

Todo checkpoint Ultralytics armazena a configuração de treinamento completa usada para produzi-lo, então você pode verificar cada número nesta página por si mesmo:

from ultralytics import YOLO

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

A saída lista a configuração completa de mais de 100 entradas, incluindo cada valor de receita documentado nesta página. Um trecho 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 para qualquer checkpoint de .pt — lançamentos oficiais e os teus próprios modelos ajustados. Para ver a lista completa de argumentos de treinamento configuráveis, consulta a training configuration reference.

Hiperparâmetros de Treinamento do YOLO26 por Tamanho de Modelo#

As tabelas abaixo agrupam a receita por categoria — otimizador e cronograma, pesos de perda e aumento. Cada valor vem diretamente do train_args embutido nos checkpoints lançados.

Otimizador e Taxa de Aprendizado#

Estas configurações de otimizador e cronograma impulsionaram o pré-treinamento COCO para cada tamanho; note como o modelo N se destaca dos demais:

Pesos de Perda#

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

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

Pipeline de Aumento#

Para uma explicação detalhada de cada técnica, consulta o YOLO Data Augmentation guide.

Valores exibidos como ~0 estão abaixo de 0,01 nos checkpoints reais (por exemplo, degrees=0.00012 para o modelo S) — o aumento é efetivamente desativado.

Modelos maiores usam um aumento mais agressivo em geral (mixup, copy-paste e escala mais altos), pois têm maior capacidade e se beneficiam de uma regularization mais forte. O modelo N é o único tamanho com rotação, cisalhamento e aumento BGR significativos.

Parâmetros de Treinamento Internos#

Fine-Tuning do YOLO26 no Seu Próprio Dataset#

Ao fazer o fine-tuning do YOLO26 no teu próprio conjunto de dados, não precisas de replicar a receita de pré-treinamento completa. Os pesos pré-treinados já codificam o conhecimento de aumento e otimização do treinamento COCO. Para práticas recomendadas de treinamento mais gerais, consulta Tips for Model Training.

Fine-Tune com Configurações Padrão#

from ultralytics import YOLO

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

O fine-tuning com padrões é uma base sólida. Ajuste hiperparâmetros apenas se tiver um motivo específico para isso.

Quando Ajustar os Hiperparâmetros do YOLO26#

Datasets pequenos (< 1.000 imagens):

• Reduzir a força do aumento: mosaic=0.5, mixup=0.0, copy_paste=0.0
• Taxa de aprendizado mais baixa: lr0=0.001
• Usar menos epochs com paciência: epochs=50, patience=20
• Considerar o congelamento de camadas do backbone: freeze=10

Datasets grandes (> 50.000 imagens):

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

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

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

Para otimização automatizada de hiperparâmetros, consulta o Hyperparameter Tuning guide.

Escolha um Tamanho de Modelo#

Para opções de exportação e implantação, consulta o Export guide e as Model Deployment Options.

Conclusão#

Os checkpoints do YOLO26 vêm com a sua receita de treinamento completa embutida, portanto os hiperparâmetros exatos por trás de cada tamanho de modelo estão sempre a uma consulta de train_args de distância. Começa o fine-tuning a partir dos padrões, ajusta deliberadamente usando as tabelas nesta página e verifica cada alteração em relação ao teu próprio conjunto de validação. Se surgirem dúvidas ao longo do caminho, pergunta à comunidade no Ultralytics GitHub repository ou no Ultralytics Discord server.

FAQ#