Начать

Руководство Ultralytics YOLO по настройке гиперпараметров

Настройка гиперпараметров в Ultralytics YOLO — это автоматический итеративный поиск, который оптимизирует такие параметры, как скорость обучения, веса функции потерь и интенсивность аугментации, чтобы повысить метрики качества модели машинного обучения, например точность, прецизионность и полноту. Вместо ручной проверки этих значений Ultralytics YOLO исследует пространство гиперпараметров с помощью генетического алгоритма, который изменяет и оценивает варианты конфигурации во множестве коротких запусков обучения.



Смотри: Как настраивать гиперпараметры для повышения производительности модели 🚀

Что такое гиперпараметры?#

Гиперпараметры — это высокоуровневые структурные настройки алгоритма. Их задают до этапа обучения, и во время обучения они остаются неизменными. Вот некоторые гиперпараметры Ultralytics YOLO, которые часто настраивают:

  • Скорость обучения lr0: определяет размер шага на каждой итерации при движении к минимуму функции потерь.
  • Размер пакета batch: количество изображений, обрабатываемых одновременно за один прямой проход.
  • Число эпох epochs: одна эпоха — это полный прямой и обратный проход по всем обучающим примерам.
  • Особенности архитектуры: например, количество каналов и слоёв, типы функций активации и т. д. Эти параметры задаются в конфигурации модели YAML, а не в аргументах обучения.

Из этих четырех параметров в пространстве поиска по умолчанию присутствует только скорость обучения: batch, epochs и архитектура остаются неизменными. Кроме того, подборщик изменяет расписание обучения, коэффициенты функции потерь и аугментации, перечисленные ниже.

Hyperparameter optimization search space visualization

Генетическая эволюция и мутация#

Ultralytics YOLO использует генетические алгоритмы — семейство эволюционных алгоритмов — для оптимизации гиперпараметров. В основе генетических алгоритмов лежат механизмы естественного отбора и генетики.

  • Отбор: на каждой итерации выбирается одна из максимум девяти конфигураций с наилучшей приспособленностью, причём вероятность выбора пропорциональна приспособленности. После 30 результатов лучшие 20% всех результатов (не более 30) также используются для оценки ковариации параметров; её влияние растёт по мере накопления данных об элитных конфигурациях.
  • Мутация: на каждой итерации примерно половина параметров мутирует с помощью гауссовых шагов, нормализованных по диапазонам поиска. Когда ковариация активна, доля не более 40%, взвешенная по уровню уверенности, использует коррелированные шаги; отражение возвращает эти шаги в допустимые границы, не накапливая отсечённые значения. Если испытания продолжаются без улучшений, размер шагов линейно уменьшается максимум на 20% за 25 испытаний и сбрасывается при появлении нового лучшего результата. У итерации 1 нет родительской конфигурации; в качестве базового уровня используются гиперпараметры обучения по умолчанию.

Подготовка к настройке гиперпараметров#

Перед началом настройки важно:

  1. Выбери метрики: встроенный оптимизатор (use_ray=False) ранжирует испытания по значению метрики fitness для задачи, а use_ray=True использует метрику задачи. Определи, какие дополнительные метрики будешь анализировать, например AP50 или F1-мера.
  2. Задай бюджет настройки: определи, сколько вычислительных ресурсов ты готов выделить. Настройка гиперпараметров может требовать больших вычислительных затрат.

Как работает цикл настройки#

На каждой итерации встроенный настройщик повторяет следующий цикл:

  1. Инициализация гиперпараметров — начни с разумных базовых значений: гиперпараметров по умолчанию, заданных Ultralytics YOLO, или значений, выбранных на основе твоих знаний предметной области либо предыдущих экспериментов.
  2. Мутация гиперпараметров — класс Tuner автоматически создаёт новый набор гиперпараметров на основе существующего с помощью метода _mutate.
  3. Обучение модели — обучи модель с мутировавшими гиперпараметрами, а затем оцени качество обучения по выбранным метрикам.
  4. Оценка модели — процесс оценки вычисляет оценку приспособленности для итерации, которую сравнивают с результатами предыдущих итераций, чтобы определить, улучшились ли текущие гиперпараметры.
  5. Запись результатов — сохрани метрики производительности и соответствующие им гиперпараметры для дальнейшего использования. Ultralytics YOLO автоматически сохраняет эти результаты в формате NDJSON.
  6. Повторение — продолжай, пока не будет достигнуто заданное число итераций; каждая итерация использует знания, полученные в предыдущих запусках. Встроенный настройщик выполняет все iterations; Ray Tune сообщает метрики после каждой эпохи обучения, позволяя ASHA останавливать слабые испытания по истечении льготного периода.

Число итераций и размер популяции#

Во встроенном настройщике (use_ray=False) параметр iterations задаёт общее число последовательных испытаний; по умолчанию он равен 300. В каждом испытании обучается одна модель с одной конфигурацией гиперпараметров. Например, iterations=40 вместе с epochs=50 задаёт 40 независимых запусков обучения по 50 эпох, а не один запуск на 50 эпох с отдельной популяцией из 40 кандидатов.

У встроенного генетического алгоритма нет отдельного параметра размера популяции. Когда доступны результаты предыдущих испытаний, алгоритм выбирает одну из максимум девяти конфигураций с наилучшей приспособленностью и мутирует одного кандидата за итерацию.

Для параллельных испытаний или более продвинутых стратегий поиска задай use_ray=True, чтобы использовать Ray Tune; по умолчанию он также выполняет 300 испытаний и получает iterations как num_samples. Подробности смотри в руководстве по интеграции Ray Tune.

Пространство поиска по умолчанию#

В таблице ниже перечислены параметры пространства поиска по умолчанию для настройки гиперпараметров в YOLO26. Для каждого параметра задан свой диапазон значений в виде кортежа (min, max).

ПараметрТипДиапазон значенийОписание
lr0float(1e-5, 1e-2)Начальная скорость обучения. Меньшие значения обеспечивают более стабильное обучение, но замедляют сходимость
lrffloat(0.01, 1.0)Итоговый коэффициент скорости обучения в виде доли от lr0. Определяет, насколько скорость обучения снижается в ходе обучения
momentumfloat(0.7, 0.98)Коэффициент импульса SGD. Большие значения помогают сохранять стабильное направление градиента и ускоряют сходимость
weight_decayfloat(0.0, 0.001)Коэффициент L2-регуляризации для предотвращения переобучения. Большие значения усиливают регуляризацию
warmup_epochsfloat(0.0, 5.0)Число эпох линейного разогрева скорости обучения. Помогает предотвратить нестабильность в начале обучения
warmup_momentumfloat(0.0, 0.95)Начальный импульс на этапе разогрева. Постепенно увеличивается до итогового значения импульса
boxfloat(1.0, 20.0)Вес функции потерь для ограничивающих рамок в общей функции потерь. Балансирует регрессию рамок и классификацию
clsfloat(0.1, 4.0)Вес функции потерь классификации в общей функции потерь. Большие значения повышают приоритет правильного предсказания класса
cls_pwfloat(0.0, 1.0)Степень взвешивания классов для обработки дисбаланса классов. Большие значения повышают вес редких классов
dflfloat(0.4, 12.0)Вес слагаемого регрессии расстояний до рамок. YOLO26 без DFL применяет этот коэффициент к функции потерь L1 для нормализованных расстояний до рамок; большие значения повышают приоритет точной локализации
hsv_hfloat(0.0, 0.1)Диапазон случайной аугментации оттенка в цветовом пространстве HSV. Помогает модели обобщать данные с разными цветовыми вариациями
hsv_sfloat(0.0, 0.9)Диапазон случайной аугментации насыщенности в пространстве HSV. Имитирует различные условия освещения
hsv_vfloat(0.0, 0.9)Диапазон случайной аугментации значения (яркости). Помогает модели работать с разными уровнями экспозиции
degreesfloat(0.0, 45.0)Максимальный угол поворота при аугментации, в градусах. Помогает модели стать инвариантной к ориентации объектов
translatefloat(0.0, 0.9)Максимальное смещение при аугментации как доля размера изображения. Повышает устойчивость к изменению положения объектов
scalefloat(0.0, 0.95)Диапазон случайного масштабирования при аугментации. Помогает модели обнаруживать объекты разных размеров
shearfloat(0.0, 10.0)Максимальный угол сдвига при аугментации, в градусах. Добавляет обучающим изображениям искажения, похожие на перспективные
perspectivefloat(0.0, 0.001)Диапазон случайной перспективной аугментации. Имитирует разные углы обзора
flipudfloat(0.0, 1.0)Вероятность вертикального отражения изображения при обучении. Полезно для снимков сверху и аэрофотоснимков
fliplrfloat(0.0, 1.0)Вероятность горизонтального отражения изображения. Помогает модели стать инвариантной к направлению объектов
bgrfloat(0.0, 1.0)Вероятность применения аугментации BGR, меняющей местами цветовые каналы. Может повысить инвариантность модели к цвету
mosaicfloat(0.0, 1.0)Вероятность применения мозаичной аугментации, объединяющей 4 изображения. Особенно полезна для обнаружения мелких объектов
mixupfloat(0.0, 1.0)Вероятность применения аугментации mixup, объединяющей два изображения. Может повысить устойчивость модели
cutmixfloat(0.0, 1.0)Вероятность применения аугментации cutmix. Объединяет области изображений, сохраняя локальные признаки
copy_pastefloat(0.0, 1.0)В режиме flip — доля подходящих объектов для копирования; в режиме mixup — также вероятность применения аугментации
close_mosaicint(0.0, 10.0)Отключает мозаику на последних N эпохах, чтобы стабилизировать обучение перед его завершением. Мутирует как число с плавающей точкой, а затем округляется до целого числа эпох

Пример пользовательского пространства поиска#

В приведенном ниже примере задается пространство поиска и вызывается model.tune(), который запускает класс Tuner для настройки YOLO26n на COCO8 в течение 30 эпох с оптимизатором AdamW. Для ускорения настройки отключены построение графиков, сохранение контрольных точек и валидация на всех эпохах, кроме последней.

Предупреждение

Этот пример предназначен только для демонстрации. Гиперпараметры, полученные в ходе коротких или небольших запусков настройки, редко подходят для обучения в реальных условиях. На практике настройку следует проводить в условиях, близких к полноценному обучению, включая сопоставимые наборы данных, число эпох и аугментации, чтобы результаты были надёжными и переносимыми. Быстрая настройка может сместить параметры в сторону более быстрой сходимости или кратковременного улучшения результатов проверки, которые не обобщаются на другие данные.

Пример
from ultralytics import YOLO

# Инициализация модели YOLO
model = YOLO("yolo26n.pt")

# Определение пространства поиска
search_space = {
    "lr0": (1e-5, 1e-2),
    "degrees": (0.0, 45.0),
}

# Настройка гиперпараметров на COCO8 в течение 30 эпох
model.tune(
    data="coco8.yaml",
    epochs=30,
    iterations=300,
    optimizer="AdamW",
    space=search_space,
    plots=False,
    save=False,
    val=False,
)

Возобновление прерванной настройки гиперпараметров#

Ты можешь возобновить прерванную настройку гиперпараметров, передав resume=True. При необходимости передай каталог name, используемый для runs/{task}, чтобы продолжить настройку. Если не указать name, настройка продолжится из каталога с буквальным именем tune — это имя по умолчанию, а не имя последнего запущенного сеанса. Поэтому для любого запуска с пользовательским именем передай name. Также нужно указать все предыдущие аргументы обучения, включая data, epochs, iterations и space.

Использование `resume=True` с `model.tune()`
from ultralytics import YOLO

# Определение модели YOLO
model = YOLO("yolo26n.pt")

# Определение пространства поиска
search_space = {
    "lr0": (1e-5, 1e-2),
    "degrees": (0.0, 45.0),
}

# Возобновление предыдущего запуска
results = model.tune(data="coco8.yaml", epochs=50, iterations=300, space=search_space, resume=True)

# Возобновление настройки с именем 'tune_exp'
results = model.tune(data="coco8.yaml", epochs=50, iterations=300, space=search_space, name="tune_exp", resume=True)

Результаты#

После успешного завершения настройки гиперпараметров ты получишь несколько файлов и каталогов с результатами настройки. Ниже описан каждый из них:

Структура файлов#

Вот как будет выглядеть структура каталогов с результатами. Каталоги перебора, например multitrain/ и multitrain-2/, содержат отдельные итерации настройки: в каждой обучается одна модель на каждом наборе данных с одним набором гиперпараметров, в подкаталоге с именем соответствующего набора данных. Для экономии места настройщик удаляет каталоги запусков для каждого набора данных в итерациях, которые не стали лучшими на текущий момент. Каталог tune/ содержит результаты настройки по всем отдельным запускам обучения моделей:

runs/
└── detect/
    ├── multitrain/
    │   └── coco8/
    ├── multitrain-2/
    ├── ...
    └── tune/
        ├── best_hyperparameters.yaml
        ├── tune_fitness.png
        ├── tune_results.ndjson
        ├── tune_scatter_plots.png
        └── weights/
            ├── last.pt
            └── best.pt

Описание файлов#

best_hyperparameters.yaml#

Этот файл YAML содержит гиперпараметры с наилучшими результатами, найденные в ходе настройки. Используй этот файл, чтобы инициализировать будущие запуски обучения оптимизированными параметрами.

  • Формат: YAML

  • Использование: результаты настройки гиперпараметров

  • Пример:

    # 558/900 iterations complete ✅ (45536.81s)
    # Results saved to /usr/src/ultralytics/runs/detect/tune
    # Best fitness=0.64297 observed at iteration 498
    # Best fitness metrics are {'metrics/precision(B)': 0.87247, 'metrics/recall(B)': 0.71387, 'metrics/mAP50(B)': 0.79106, 'metrics/mAP50-95(B)': 0.62651, 'val/box_loss': 2.79884, 'val/cls_loss': 2.72386, 'val/l1_loss': 0.68503, 'fitness': 0.64297}
    # Best fitness model is /usr/src/ultralytics/runs/detect/tune/weights
    # Best fitness hyperparameters are printed below.
    
    lr0: 0.00269
    lrf: 0.00288
    momentum: 0.73375
    weight_decay: 0.00015
    warmup_epochs: 1.22935
    warmup_momentum: 0.1525
    box: 18.27875
    cls: 1.32899
    dfl: 0.56016
    hsv_h: 0.01148
    hsv_s: 0.53554
    hsv_v: 0.13636
    degrees: 0.0
    translate: 0.12431
    scale: 0.07643
    shear: 0.0
    perspective: 0.0
    flipud: 0.0
    fliplr: 0.08631
    mosaic: 0.42551
    mixup: 0.0
    copy_paste: 0.0

tune_fitness.png#

На этом графике показана зависимость приспособленности от числа итераций. Он помогает наглядно оценить работу генетического алгоритма с течением времени.

  • Формат: PNG
  • Использование: визуализация производительности

Hyperparameter Tuning Fitness vs Iteration

На графике показаны:

  • Один маркер на итерацию для каждого набора данных: при запуске на одном наборе данных отображается одна точка на итерацию, а при запуске на нескольких — одна точка для каждого набора данных на каждой итерации.
  • Пунктирная линия «сглаженного среднего», вычисленная с помощью гауссова сглаживания (sigma=3) значений общей приспособленности на каждой итерации.

tune_results.ndjson#

Файл NDJSON с подробными результатами каждой итерации настройки. Каждая строка представляет собой один объект JSON с общей оценкой приспособленности, настроенными гиперпараметрами и метриками по каждому набору данных. При настройке на одном или нескольких наборах данных используется один и тот же формат файла.

  • Формат: NDJSON
  • Использование: отслеживание результатов для каждой итерации.
  • Пример:

Ниже приведён отформатированный для удобства чтения пример; в настоящем файле .ndjson каждый объект записан в одну строку.

{
    "iteration": 1,
    "fitness": 0.48628,
    "hyperparameters": {
        "lr0": 0.01,
        "lrf": 0.01,
        "momentum": 0.937,
        "weight_decay": 0.0005
    },
    "datasets": {
        "coco8": {
            "metrics/precision(B)": 0.65666,
            "metrics/recall(B)": 0.85,
            "metrics/mAP50(B)": 0.85086,
            "metrics/mAP50-95(B)": 0.64104,
            "val/box_loss": 1.57958,
            "val/cls_loss": 1.04986,
            "val/l1_loss": 1.32641,
            "fitness": 0.64104
        },
        "coco8-grayscale": {
            "metrics/precision(B)": 0.6582,
            "metrics/recall(B)": 0.51667,
            "metrics/mAP50(B)": 0.59106,
            "metrics/mAP50-95(B)": 0.33152,
            "val/box_loss": 1.95424,
            "val/cls_loss": 1.64059,
            "val/l1_loss": 1.70226,
            "fitness": 0.33152
        }
    },
    "save_dirs": {
        "coco8": "runs/detect/multitrain/coco8",
        "coco8-grayscale": "runs/detect/multitrain/coco8-grayscale"
    }
}

Значение верхнего уровня fitness — это среднее арифметическое значений fitness для каждого набора данных. При настройке на одном наборе данных словарь datasets содержит одну запись, где fitness равно значению fitness верхнего уровня. Для каждой завершённой итерации записывается один объект JSON. В действительности пути save_dirs являются абсолютными; выше они сокращены для удобства чтения.

tune_scatter_plots.png#

Этот файл содержит диаграммы рассеяния, построенные на основе tune_results.ndjson, которые помогают наглядно увидеть взаимосвязи между разными гиперпараметрами и метриками производительности. При мутации используются заданные диапазоны каждого гиперпараметра, поэтому значения могут изменяться даже от нулевых значений по умолчанию, например degrees и shear.

  • Формат: PNG
  • Использование: исследовательский анализ данных

Hyperparameter tuning results scatter plot analysis

weights/#

Этот каталог содержит сохранённые модели PyTorch из итерации настройки с наилучшей оценкой приспособленности. Оба файла относятся к одной и той же итерации:

  • last.pt: веса модели с последней эпохи обучения в этом запуске.
  • best.pt: веса модели с эпохи обучения, на которой в этом запуске было достигнуто наилучшее значение целевой метрики.

Используя эти результаты, ты сможешь принимать более обоснованные решения при дальнейшем обучении моделей и проведении анализа.

Заключение#

Настройку гиперпараметров Ultralytics YOLO легко запустить, а её внутренняя логика очень эффективна: генетический алгоритм использует отбор с учётом fitness и мутации с нормализацией диапазона. Следуя циклу, описанному в этом руководстве, ты сможешь систематически настроить модель для повышения производительности, а затем повторно использовать полученный best_hyperparameters.yaml для инициализации будущих запусков обучения. Чтобы масштабировать настройку на параллельные испытания и более продвинутые алгоритмы поиска, ознакомься с руководством по интеграции Ray Tune или запускай управляемые задания с настраиваемыми гиперпараметрами и отслеживанием метрик в реальном времени на Ultralytics Platform с помощью облачного обучения.

Если нужную настройку нельзя задать ни одним аргументом, например скорость обучения для каждого слоя или пользовательскую метрику fitness, вместо этого создай подкласс trainer. Чтобы разобраться глубже, изучи исходный код класса Tuner. Если у тебя есть вопросы или предложения по функциям, напиши нам на GitHub или Discord.

Часто задаваемые вопросы#

  • Задай начальное значение параметром lr0 — обычно значения находятся в диапазоне от 0.001 до 0.01, — а затем позволь настройке изменять его, чтобы найти оптимальное значение. Автоматизировать этот процесс можно с помощью метода model.tune(). Например:

    Пример
    from ultralytics import YOLO
    
    # Инициализация модели YOLO
    model = YOLO("yolo26n.pt")
    
    # Настройка гиперпараметров на COCO8 в течение 30 эпох
    model.tune(data="coco8.yaml", epochs=30, iterations=300, optimizer="AdamW", plots=False, save=False, val=False)

    Подробнее см. на странице конфигурации Ultralytics YOLO.

  • Генетические алгоритмы позволяют Ultralytics YOLO26 надежно исследовать пространство гиперпараметров без ручного перебора. Вот их основные преимущества:

    • Эффективный поиск: отбор с учётом fitness сохраняет удачные конфигурации, а мутации с нормализацией диапазона исследуют новые варианты.
    • Избежание локальных минимумов: случайные мутации помогают поиску выйти из локальных минимумов, в которых мог бы застрять исключительно жадный алгоритм.
    • Метрики производительности: они адаптируются на основе целевой метрики для конкретной задачи (для обнаружения объектов — mAP50-95).

    Чтобы узнать, как генетические алгоритмы помогают оптимизировать гиперпараметры, ознакомься с руководством по эволюции гиперпараметров.

  • Продолжительность настройки гиперпараметров Ultralytics YOLO в основном зависит от нескольких факторов: размера набора данных, сложности архитектуры модели, количества итераций и доступных вычислительных ресурсов. Например, настройка YOLO26n на таком наборе данных, как COCO8, в течение 30 эпох может занять от нескольких часов до нескольких дней — в зависимости от оборудования.

    Чтобы эффективно управлять временем настройки, заранее определи бюджет на неё, как описано в разделе «Подготовка к настройке гиперпараметров». Это поможет сбалансировать распределение ресурсов и цели оптимизации.

  • При оценке производительности модели во время настройки гиперпараметров YOLO можно использовать несколько основных метрик:

    • AP50: средняя точность при пороге IoU 0.50.
    • F1-мера: гармоническое среднее точности и полноты.
    • Точность и полнота: отдельные метрики, показывающие точность модели при определении истинно положительных результатов в сравнении с ложноположительными и ложноотрицательными результатами.

    Эти метрики помогают понять разные аспекты качества модели.

  • Да, Ultralytics YOLO26 интегрируется с Ray Tune для расширенной оптимизации гиперпараметров. Ray Tune предлагает алгоритмы поиска, такие как байесовская оптимизация и Hyperband, а также параллельное выполнение, которое ускоряет настройку.

    Чтобы использовать Ray Tune с YOLO26, задай параметр use_ray=True при вызове метода model.tune().

Комментарии152

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. GengBin414GitHub(изменено)

    I tuned my defect detection dataset ,which are composed of 8000+ images, this is my tune code: model.tune( data="../data/data20260420_line_scan_merged_6ch.yaml", epochs=300, iterations=300, #space=search_space, #optimizer="AdamW", optimizer="MuSGD", lr0=0.01, momentum=0.9, shear=1, degrees=1, perspective=0.0001, mixup=0.1, cutmix=0.1, batch=20 )

    I got the best mAP 0.586 at iteration 5 after tuned 30+ iterations, then I retrain the dataset with the following code: model.train( data="../data/data20260420_line_scan_merged_6ch.yaml", epochs=300, batch=20, imgsz=640, device=0, workers=16, optimizer="MuSGD", lr0=0.00721, lrf=0.01267, momentum=0.81816, weight_decay=0.00077, warmup_epochs=3.31429, warmup_momentum=0.95, box=7.11682, cls=0.48318, dfl=0.9397, hsv_h=0.00364, hsv_s=0.9, hsv_v=0.29751, degrees=0.99922, translate=0.07662, scale=0.51303, shear=0.76723, perspective=0.0, flipud=0.00019, fliplr=0.57639, bgr=0.00634, mosaic=0.62424, mixup=0.11307, cutmix=0.13007, copy_paste=0.00583, close_mosaic=10 #cfg="best_hyperparameters_map0.586.yaml" )

    I copied the hyperparameters from best_hyperparameters_map0.586.yaml, but I got the best mAP 0.568, what cause the discrepancy?Can sb help me out? Thanks.

    1. Glenn JocherUltralytics

      A small gap like 0.586 -> 0.568 is usually expected because tune() saves the best single stochastic run, while your later train() is a fresh run with different randomness and augmentation order; please first validate the tuning checkpoint runs/detect/tune/weights/best.pt, then retrain with the exact same args plus seed=0 and deterministic=True, and make sure you are comparing the same metric (fitness/mAP50-95) described in the Hyperparameter Tuning guide. If the gap still looks too large, please share the text output from validating that checkpoint and the matching row from tune_results.ndjson here in Discussions so the team can compare them directly.

    2. GengBin414GitHub(изменено)

      Thank you for your timely reply, I validated the tuning checkpoint, here is the text output from validating that checkpoint: (yolo26) ps@ps:~/Desktop/GB/ultralytics$ python val.py Ultralytics 8.4.26 🚀 Python-3.11.15 torch-2.5.1 CUDA:0 (NVIDIA GeForce RTX 4090 D, 24208MiB) YOLO26x summary (fused): 190 layers, 55,645,380 parameters, 0 gradients, 193.9 GFLOPs val: Fast image access ✅ (ping: 0.0±0.0 ms, read: 10744.4±1424.6 MB/s, size: 734.1 KB) val: Scanning /home/ps/Desktop/GB/ultralytics/datasets/Merged_6Chanel_20260420/imagesH/val.cache... 786 images, 47 backgrounds, 0 corrupt: 100% ━━━━━━━━━━━━ 786/786 412.1Mit/s 0.0s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 50/50 6.9it/s 7.2s all 786 1363 0.843 0.69 0.765 0.585 black 45 47 0.914 0.677 0.828 0.648 crack 120 145 0.681 0.517 0.55 0.334 edge 184 195 0.916 0.899 0.94 0.833 line 116 147 0.809 0.646 0.736 0.544 pit 73 89 0.775 0.543 0.642 0.447 raw 279 318 0.861 0.745 0.81 0.644 white 95 106 0.9 0.623 0.712 0.46 yellow 299 316 0.884 0.873 0.9 0.773 Speed: 0.9ms preprocess, 7.3ms inference, 0.0ms loss, 0.0ms postprocess per image Results saved to /home/ps/Desktop/GB/ultralytics/runs/detect/val81

      I checked my retrain args, it show that seed=0 and deterministic=True already set: python train.py New https://pypi.org/project/ultralytics/8.4.53 available 😃 Update with 'pip install -U ultralytics' Ultralytics 8.4.26 🚀 Python-3.11.15 torch-2.5.1 CUDA:0 (NVIDIA GeForce RTX 4090 D, 24208MiB) engine/trainer: agnostic_nms=False, amp=True, angle=1.0, augment=False, auto_augment=randaugment, batch=20, bgr=0.00634, box=7.11682, cache=False, cfg=None, classes=None, close_mosaic=10, cls=0.48318, compile=False, conf=None, copy_paste=0.00583, copy_paste_mode=flip, cos_lr=False, cutmix=0.13007, data=../data/data20260420_line_scan_merged_6ch.yaml, degrees=0.99922, deterministic=True, device=0, dfl=0.9397, dnn=False, dropout=0.0, dynamic=False, embed=None, end2end=None, epochs=500, erasing=0.4, exist_ok=False, fliplr=0.57639, flipud=0.00019, format=torchscript, fraction=1.0, freeze=None, half=False, hsv_h=0.00364, hsv_s=0.9, hsv_v=0.29751, imgsz=640, int8=False, iou=0.7, keras=False, kobj=1.0, line_width=None, lr0=0.00721, lrf=0.01267, mask_ratio=4, max_det=300, mixup=0.11307, mode=train, model=yolo26x.pt, momentum=0.81816, mosaic=0.62424, multi_scale=0.0, name=train137, nbs=64, nms=False, opset=None, optimize=False, optimizer=MuSGD, overlap_mask=True, patience=100, perspective=0.0, plots=True, pose=12.0, pretrained=True, profile=False, project=None, rect=False, resume=False, retina_masks=False, rle=1.0, save=True, save_conf=False, save_crop=False, save_dir=/home/ps/Desktop/GB/ultralytics/runs/detect/train137, save_frames=False, save_json=False, save_period=-1, save_txt=False, scale=0.51303, seed=0, shear=0.76723, show=False, show_boxes=True, show_conf=True, show_labels=True, simplify=True, single_cls=False, source=None, split=val, stream_buffer=False, task=detect, time=None, tracker=botsort.yaml, translate=0.07662, val=True, verbose=True, vid_stride=1, visualize=False, warmup_bias_lr=0.1, warmup_epochs=3.31429, warmup_momentum=0.95, weight_decay=0.00077, workers=16, workspace=None

      And here is the train output: Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 260/300 20.8G 0.4503 0.4947 0.004246 50 640: 100% ━━━━━━━━━━━━ 354/354 2.7it/s 2:10 Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 20/20 4.5it/s 4.4s all 786 1363 0.841 0.682 0.751 0.564 EarlyStopping: Training stopped early as no improvement observed in last 100 epochs. Best results observed at epoch 160, best model saved as best.pt. To update EarlyStopping(patience=100) pass a new patience value, i.e. patience=300 or use patience=0 to disable EarlyStopping.

      260 epochs completed in 9.792 hours. Optimizer stripped from /home/ps/Desktop/GB/ultralytics/runs/detect/train138/weights/last.pt, 118.4MB Optimizer stripped from /home/ps/Desktop/GB/ultralytics/runs/detect/train138/weights/best.pt, 118.4MB

      Validating /home/ps/Desktop/GB/ultralytics/runs/detect/train138/weights/best.pt... Ultralytics 8.4.26 🚀 Python-3.11.15 torch-2.5.1 CUDA:0 (NVIDIA GeForce RTX 4090 D, 24208MiB) YOLO26x summary (fused): 190 layers, 55,645,380 parameters, 0 gradients, 193.9 GFLOPs Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 20/20 4.9it/s 4.1s all 786 1363 0.826 0.685 0.758 0.568 black 45 47 0.882 0.634 0.773 0.579 crack 120 145 0.675 0.559 0.577 0.314 edge 184 195 0.925 0.885 0.949 0.824 line 116 147 0.785 0.667 0.714 0.52 pit 73 89 0.84 0.528 0.662 0.447 raw 279 318 0.812 0.72 0.804 0.638 white 95 106 0.802 0.611 0.674 0.434 yellow 299 316 0.888 0.877 0.911 0.787 Speed: 0.1ms preprocess, 4.4ms inference, 0.0ms loss, 0.0ms postprocess per image Results saved to /home/ps/Desktop/GB/ultralytics/runs/detect/train138

      And I don't know where to find tune_results.ndjson mentioned in your reply. I guess you mean the matching row from tune_results.csv then here is: fitness lr0 lrf momentum weight_decay warmup_epochs warmup_momentum box cls dfl hsv_h hsv_s hsv_v degrees translate scale shear perspective flipud fliplr bgr mosaic mixup cutmix copy_paste close_mosaic 0.58582 0.00721 0.01267 0.81816 0.00077 3.31429 0.95 7.11682 0.48318 0.9397 0.00364 0.9 0.29751 0.99922 0.07662 0.51303 0.76723 0 0.00019 0.57639 0.00634 0.62424 0.11307 0.13007 0.00583 10

    3. Glenn JocherUltralytics

      The main issue I see is that your retrain is not matching the tuned trial: the runtime log shows epochs=500 rather than 300, so the schedule driven by lr0 and lrf is different and that alone can explain 0.585 -> 0.568; the current Hyperparameter Tuning guide writes tune_results.ndjson under runs/detect/tune/, but in your older 8.4.26 install the equivalent may be tune_results.csv, so please rerun with the exact runtime args from the best trial, especially epochs=300 and the same patience, and if it still prints epochs=500 then another override is being applied.

    4. GengBin414GitHub(изменено)

      Sorry, after hyperparameter tuning, I retrained first with epochs=500, observed mAP=0.57, then I changed epochs=300, observed mAP=0.568. In the previous reply, I mistakenly copied the retrain args from the epochs=500 run. But the train output is correctly copied from the epochs=300 run, you can tell this out from the EarlyStopping output: Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 260/300 20.8G 0.4503 0.4947 0.004246 50 640: 100% ━━━━━━━━━━━━ 354/354 2.7it/s 2:10 Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 20/20 4.5it/s 4.4s all 786 1363 0.841 0.682 0.751 0.564 EarlyStopping: Training stopped early as no improvement observed in last 100 epochs. Best results observed at epoch 160, best model saved as best.pt. To update EarlyStopping(patience=100) pass a new patience value, i.e. patience=300 or use patience=0 to disable EarlyStopping.

      And the retrain args of the epochs=300 run, it shows that seed=0 and deterministic=True already set: python train.py New https://pypi.org/project/ultralytics/8.4.53 available 😃 Update with 'pip install -U ultralytics' Ultralytics 8.4.26 🚀 Python-3.11.15 torch-2.5.1 CUDA:0 (NVIDIA GeForce RTX 4090 D, 24208MiB) engine/trainer: agnostic_nms=False, amp=True, angle=1.0, augment=False, auto_augment=randaugment, batch=20, bgr=0.00634, box=7.11682, cache=False, cfg=None, classes=None, close_mosaic=10, cls=0.48318, compile=False, conf=None, copy_paste=0.00583, copy_paste_mode=flip, cos_lr=False, cutmix=0.13007, data=../data/data20260420_line_scan_merged_6ch.yaml, degrees=0.99922, deterministic=True, device=0, dfl=0.9397, dnn=False, dropout=0.0, dynamic=False, embed=None, end2end=None, epochs=300, erasing=0.4, exist_ok=False, fliplr=0.57639, flipud=0.00019, format=torchscript, fraction=1.0, freeze=None, half=False, hsv_h=0.00364, hsv_s=0.9, hsv_v=0.29751, imgsz=640, int8=False, iou=0.7, keras=False, kobj=1.0, line_width=None, lr0=0.00721, lrf=0.01267, mask_ratio=4, max_det=300, mixup=0.11307, mode=train, model=yolo26x.pt, momentum=0.81816, mosaic=0.62424, multi_scale=0.0, name=train138, nbs=64, nms=False, opset=None, optimize=False, optimizer=MuSGD, overlap_mask=True, patience=100, perspective=0.0, plots=True, pose=12.0, pretrained=True, profile=False, project=None, rect=False, resume=False, retina_masks=False, rle=1.0, save=True, save_conf=False, save_crop=False, save_dir=/home/ps/Desktop/GB/ultralytics/runs/detect/train138, save_frames=False, save_json=False, save_period=-1, save_txt=False, scale=0.51303, seed=0, shear=0.76723, show=False, show_boxes=True, show_conf=True, show_labels=True, simplify=True, single_cls=False, source=None, split=val, stream_buffer=False, task=detect, time=None, tracker=botsort.yaml, translate=0.07662, val=True, verbose=True, vid_stride=1, visualize=False, warmup_bias_lr=0.1, warmup_epochs=3.31429, warmup_momentum=0.95, weight_decay=0.00077, workers=16, workspace=None

    5. Murat Raimbekov

      quick check on what is likely going on, framed generally: tune saves the best of N stochastic trials, and a single retrain is one new stochastic draw with the same hyperparameters. bit-exact reproduction between the two is not guaranteed even with seed=0, deterministic=True. our init_seeds(deterministic=True) sets torch.use_deterministic_algorithms(True, warn_only=True) in ultralytics/utils/torch_utils.py, matching the pytorch reproducibility notes - cuda ops without a deterministic alternative still run non-deterministically with just a warning. over many epochs on a real dataset that variance can compound.

      a few practical takeaways before assuming the gap is a tuning bug:

      • your trial weights at runs/detect/tune/weights/best.pt already validate to 0.585, so the trial result is real and reusable - if you need exactly that performance for deployment, use that checkpoint directly.
      • the recommended way to reuse tuned hyperparameters in a fresh train run is cfg="runs/detect/tune/best_hyperparameters.yaml" (the commented-out line in your script). that file contains the exact values the trial used and matches the workflow described in the hyperparameter tuning guide.
      • to bound run-to-run variance, retrain a few times with seed=0, seed=1, seed=2 and compare the mean against the tune's reported best, not a single retrain.

      unrelated, you are on ultralytics 8.4.26 and the current release is 8.4.53; for new tuning runs it is worth updating.

  2. User

    Hi, I have a question about Hyperparameter Tuning. What value of epochs and iterations should I pass to model.tune(). Default value of epochs is 100, and iterations is 10. Are the default values OK, or should I change them ? My dataset is about 10,000 images.

    1. Glenn JocherUltralytics

      For a 10k-image dataset, the defaults are fine for a quick sanity check, but for useful tuning you should set epochs close to your real training length because epochs is per trial, while iterations is how many different trials are tested; a practical starting point is epochs=50 to 100 with iterations=30 to 100 depending on your compute budget, then retrain once with the best settings from best_hyperparameters.yaml as shown in the Hyperparameter Tuning guide.

      1
    2. Glenn JocherUltralytics

      You're welcome — sounds good; if anything looks off during tuning, please share your model.tune() call plus the resulting best_hyperparameters.yaml or tune_results.ndjson here, and we can help compare it against the expected outputs in the Hyperparameter Tuning guide.

  3. harunemrekiran61GitHub

    You’ve shown the box range as 0.02 to 0.2, but the default value appears to be 7.5. Is there a mistake here? Could you please check?

  4. Larry-zhaiGitHub

    How can I directly apply the optimized best_hyperparameters.yaml to my training? In fact, when I use code similar to the following: from ultralytics import YOLO model = YOLO("yolov8n.pt") model.train(data="data.yaml", hyp="hyp.yaml") an error occurs: SyntaxError: 'hyp' is not a valid YOLO argument.

  5. J.Q. Pan

    Hi I have used the above code to apply the tuning but neither the diagram nor the models will be saved. I only get a single tune folder with all tuning details. I may ask if someone else has also the same problem.

  6. BrianNieuwenhuisGitHub

    When running the code below the model.tune() call does not recognize my model specification. Could someone explain to me what I am doing wrong. I am using model.overrides so that I can also tune the shear and perspective parameters that are otherwise initialized at 0.

    from ultralytics import YOLO import wandb from ultralytics import settings settings.update({"wandb": True})

    import argparse

    def main(): # parse command-line args if needed parser = argparse.ArgumentParser() parser.add_argument("--gpus", type=int, default=1) parser.add_argument("--workers", type=int, default=4) args = parser.parse_args()

    # Define a YOLO model
    model = YOLO("yolo11x.pt")
    
    # Dynamically assign GPUs based on --gpus argument
    device = list(range(args.gpus))  # e.g., [0, 1, 2, 3] if args.gpus = 4
    
    # Define search space
    search_space = {
        "lr0": (1e-5, 1e-1),
        "lrf": (0.01, 1.0),
        "momentum": (0.6, 0.98),
        "weight_decay": (0.0, 0.001),
        "warmup_epochs": (0, 5),
        "warmup_momentum": (0.0,0.95),
        "box": (0.02, 0.2),
        "cls": (0.2, 4.0),
        "hsv_h": (0.0, 0.1),
        "hsv_s": (0.0, 0.9),
        "hsv_v": (0.0, 0.9),
        "translate":(0.0, 0.9),
        "scale": (0.0, 0.9),
        "shear": (0.0, 10.0),
        "perspective": (0.0, 0.001),
        "mosaic": (0.0,1.0),
        "mixup": (0.0, 1.0),
        "copy_paste": (0.0, 1.0)
    }
    
    # Manually initialize certain hperparameters that would not be tuned otherwise
    model.overrides = {
        'shear': 1,
        'perspective': 0.001,
        'mixup': 0.01,
        'copy_paste' : 0.01,
    
    }
    
    # tune the model
    results = model.tune(project='./tune/crop1344',name="tune_default_batch16_v100", use_ray = False,
        data="data.yaml", 
        #hyp="custom_hyp.yaml", # this does not seem to work work for tune scripts!!
        batch = 16,
        imgsz = 1344,    
        device = device,
        workers = args.workers,
    
        degrees = 180, #these parameters are fixed in the model tune
        flipud = 0.5,
        fliplr = 0.5,
        bgr = 0,
        auto_augment = None,
        #erasing = 0,
        
        epochs = 100,
        iterations=10, 
        space=search_space,
        optimizer="AdamW", 
        resume=False,  #start over or resume previous checkpoint
        plots=False,  # don't make plots etc to save time until last timepoint
        save=False,
        val=False,
        verbose=False)

    if name == "main": main()

  7. yyagmurkyaaGitHub

    Hello again, I have trained new models using the parameters you provided and by organizing my datasets. However, a common issue across all of them is that the models mistakenly classify objects like myself or nearby computer screens as the traffic sign "turn right ahead" (which is one of the labeled classes in my dataset). I have checked my dataset and confirmed that there are no such unrelated objects in the background.

    Additionally, the models sometimes confuse left and right directional signs.

    Why might these errors be occurring, and how can I fix them? Thank you in advance for your help.

    1. Glenn JocherUltralytics(изменено)

      @Fatima-khanjar to balance precision and recall in your over-predicting model, try these adjustments:

      1. Increase confidence threshold during inference (not training) to filter out low-confidence predictions
      2. Adjust IoU threshold in NMS to reduce duplicate detections
      3. Increase classification loss weight with cls=1.0 or higher to improve class discrimination
      4. Check annotation quality in your dataset, especially for small or ambiguous objects
      5. Add hard negative examples to your dataset - images with objects similar to your classes but not actually part of them

      These changes should help improve precision without significantly sacrificing your excellent recall. For implementation details, see our NMS documentation for confidence thresholding examples.

      @yyagmurkyaa for your traffic sign confusion issues:

      1. For the model detecting unrelated objects as "turn right ahead" signs:

        • Add "hard negative" examples to your training set (images with computers, people, but no traffic signs)
        • Increase cls=1.0 or higher to improve classification accuracy
        • Check if the "turn right ahead" sign has visual similarities to these false positives
      2. For left/right confusion:

        • Create specific augmentations for directional signs without flipping (as you noted)
        • Ensure balanced examples of both directional types
        • Consider using a slightly larger model like YOLO26m for better feature discrimination

      These targeted adjustments should help address the specific confusion patterns you're seeing.

    2. Fatima-khanjarGitHub

      Hello again!!

      First of all, thank you so much for your help @glenn-jocher __ you've truly helped me a lot, and I really appreciate it!

      I have a question regarding fine-tuning a pre-trained YOLO model (e.g., trained on the COCO dataset) for my custom use case. My dataset includes a combination of both new classes (not present in COCO) and some of the existing COCO classes , but with different layouts or contexts.

      What I’d like to do is the following:

      Add my new classes starting from index 80, while still leveraging the pre-trained weights for the existing COCO classes.

      Ideally, I want to preserve the learned knowledge for the COCO classes (especially the ones shared with my dataset), and only train the model further on the new classes.

      Is it possible to:

      Fine-tune the model in such a way that it uses the pre-trained weights for the common classes, and only learns new classes from scratch starting from a different index?

      Retain and benefit from the original COCO knowledge while introducing and training on new class definitions?

      Also, I’ve noticed that when I fine-tune a pre-trained model and define my own data.yaml file — completely different from coco.yaml — I redefine the class names and indexes based on my custom dataset, completely removing the COCO classes not present in my data. In this case, what really happens during fine-tuning or transfer learning under the hood? Is the model discarding unused class weights? Are shared class weights still used effectively?

      I'd greatly appreciate any clarification or guidance on how to approach this setup properly.

      Best regards,

    3. Glenn JocherUltralytics

      @Fatima-khanjar great question about fine-tuning with mixed COCO and custom classes!

      Yes, you can leverage pre-trained COCO weights while adding new classes. Here's how:

      1. When fine-tuning a YOLO model, the model's detection head is automatically resized to accommodate your new class count. The weights for existing classes are preserved where possible.

      2. For classes that overlap with COCO, the model will leverage transfer learning from those pre-trained weights, while new classes will be initialized with random weights.

      3. You don't need to explicitly start from index 80 - just define your classes in your data.yaml file, and the model will handle the mapping automatically.

      4. During fine-tuning, the model doesn't discard unused class weights but rather reshapes the classification head to match your class count. Weights for classes that exist in both datasets are transferred and further optimized for your specific data.

      For best results with mixed classes, I recommend using a smaller learning rate initially (e.g., lr0=0.001) to preserve the knowledge in the pre-trained weights while allowing the model to adapt to your new classes.

    4. Fatima-khanjarGitHub

      Hello! @glenn-jocher thank you so much for your explanation!

      I have a follow-up question regarding class index matching. Let's say the person class in the COCO dataset is indexed as 0, but in my data.yaml file, I assign person to index 5. In this case, the model will not treat the person at index 5 as the same class as COCO’s index 0, correct?

      So, to benefit from the pretrained weights of shared classes, do the class indices in my custom dataset need to match the COCO indices exactly?

      Best regards,

    5. Glenn JocherUltralytics(изменено)

      @Fatima-khanjar you're asking a crucial question about class mapping during transfer learning!

      You no longer need to keep COCO's class indices. With cls_remap=True (the default), training copies the pretrained classification-head rows by class name, so a class such as person keeps its pretrained weights at whatever index it has in your dataset, while new classes such as traffic_sign start from fresh weights. Training prints Remapped N/M cls head rows from pretrained weights by class name when rows are copied, and cls_remap=False disables it. For example, this data.yaml works:

      names:
        0: person
        1: car
        2: traffic_sign

      Just make sure the shared classes use the same names as in COCO. See the Fine-Tuning Guide for details.

    6. Fatima-khanjarGitHub

      @glenn-jocher Hello again!!!

      Thank you so much for your clarification! I have a quick follow-up question.

      Let’s say the COCO dataset defines the following class indices in its YAML file: 0: person, 2: car, 3: cat.

      In my own dataset, I share only the person and car classes with COCO — I don’t want to include cat. If I define my shared classes using the same indices as COCO (i.e., 0: person, 2: car), but then replace the COCO class cat at index 3 with a new class (e.g., 3: animal), will I still benefit from the pretrained weights for the shared classes (person and car)?

      Or will assigning a new class at an index previously used by COCO (like 3) cause any issues?

      best regards,

    7. Glenn JocherUltralytics(изменено)

      @Fatima-khanjar great question about reusing COCO indices for new classes!

      With cls_remap=True (the default), pretrained classification-head rows are matched by class name, not by index. Shared classes such as person and car keep their pretrained weights wherever they sit in your dataset. A new class like "animal" at index 3 does not inherit the pretrained "cat" row, because the names do not match, so it starts from fresh weights. Reusing a COCO index therefore neither helps nor hurts the shared classes.

      If a new class is close to a pretrained one, give it that class's name so its row is copied. Using a lower learning rate initially (e.g., lr0=0.001) also helps preserve the pretrained features while the model adapts to your new classes.

      1
  8. yyagmurkyaaGitHub

    Thank you for your feedback. I trained my dataset using YOLOv11s. Although I didn’t experience severe overfitting with the current parameters, I couldn’t achieve optimal performance either. Some traffic signs were misclassified or not detected at all.

    While searching for the best hyperparameters, I realized that I hadn't applied data augmentation—except for the flip parameter. I have an example parameter file, and I plan to include all relevant augmentation options except for flipping.

    I would really appreciate your help in finding the most suitable parameters for my dataset, as I’m planning to participate in a competition soon. I need to enhance my model by adjusting the parameters properly to achieve the best possible performance.

    Thank you in advance for your support.

    On Sun, Apr 20, 2025 at 1:51 PM phatima khanjar @.***> wrote:

    Hello,

    I hope this message finds you well.

    image.png (view on web) https://github.com/user-attachments/assets/be6db84b-fe0d-4356-ba77-9b4426c253ee

    I fine-tuned YOLOv11s on my custom dataset, which is relatively small (1,156 images split into 75% training, 15% validation, and 10% test). The dataset consists of 41 classes, with each class containing between 200 and 300 images. I experimented with three different sets of hyperparameters: the default values, those optimized using Ray Tune, and others obtained through a Genetic Algorithm. In all cases, I observed oscillations in the validation dfl and box losses, which may indicate signs of overfitting. I would appreciate any suggestions or insights on how to address this issue, particularly given the small size of the dataset, and how to improve model generalization.

    best regards,

    — Reply to this email directly, view it on GitHub https://github.com/orgs/ultralytics/discussions/9536#discussioncomment-12889695, or unsubscribe https://github.com/notifications/unsubscribe-auth/BPQ7ZLAQ2G7ZL434FN3WFYD22N345AVCNFSM6AAAAABFVXPSL2VHI2DSMVQWIX3LMV43URDJONRXK43TNFXW4Q3PNVWWK3TUHMYTEOBYHE3DSNI . You are receiving this because you were mentioned.Message ID: @.*** com>

    1. Glenn JocherUltralytics(изменено)

      @yyagmurkyaa for traffic sign detection and classification with YOLO26s, I recommend focusing on these specific augmentation and training parameters:

      from ultralytics import YOLO
      
      model = YOLO("yolo26s.pt")
      model.train(
          data="your_traffic_signs.yaml",
          epochs=100,
          patience=25,
          batch=16,
          imgsz=640,  # Consider 800+ for small traffic signs
          hsv_h=0.015,  # Color augmentation helps with varying lighting conditions
          hsv_s=0.7,
          hsv_v=0.4,
          scale=0.5,  # Scale augmentation critical for varying distances
          translate=0.1,  # Helps with signs at different positions
          mosaic=1.0,  # Excellent for object detection tasks
          mixup=0.1,  # Light mixup can help with generalization
          perspective=0.0005,  # Slight perspective change for different viewing angles
          weight_decay=0.0005,  # Regularization to reduce overfitting
          optimizer="AdamW",
          lr0=0.001,
          lrf=0.01,
          cos_lr=True  # Cosine learning rate scheduler
      )

      For traffic sign detection specifically:

      1. Increase image size to better detect small signs
      2. Focus on color-preserving augmentations as colors are critical for traffic signs
      3. Use perspective transformations to simulate different viewing angles
      4. Enable strong scale/translate augmentations to handle varying distances

      Consider running model.tune() with these parameters as starting points to find the optimal configuration for your competition. You might also need to address class imbalance if some signs appear less frequently in your dataset.

    2. yyagmurkyaaGitHub

      You're very welcome! I wasn't expecting such a quick response either. I'm excited to hear that you'll be training with these parameters and look forward to seeing the results as soon as possible. Thank you again for your support!

    3. Glenn JocherUltralytics(изменено)

      @Fatima-khanjar for a small dataset (1,156 images) with 41 classes, oscillations in validation losses often indicate overfitting. Here are specific recommendations to improve generalization:

      1. Strengthen regularization:

        • Increase weight_decay to 0.001-0.003
        • Add dropout with dropout=0.1 to reduce co-adaptation
      2. Enhance data augmentation:

        • Maximize augmentations: mosaic=1.0, mixup=0.2, copy_paste=0.1
        • Use strong geometric transforms: translate=0.2, scale=0.5
      3. Training modifications:

        • Reduce model complexity by using YOLO26n instead of YOLO26s
        • Implement gradual unfreezing (freeze layers at first)
        • Enable cos_lr=True for smoother learning rate decay
      4. Consider transfer learning modifications:

        • Start with a model pre-trained on a domain similar to yours
        • Use fewer epochs with higher patience for early stopping

      With 41 classes and limited samples per class, these techniques should help stabilize training and improve generalization. You might also benefit from training ensembles of multiple models if computational resources allow. For more details, refer to our Model Training Tips.

    4. Fatima-khanjarGitHub(изменено)

      Hello,

      Thank you for your advice! Your instructions have improved my model’s performance compared to before. I have now achieved the following metrics:

      Mean Precision: 0.794 Mean Recall: 0.99 Mean F1 Score: 0.881 mAP@0.5: 0.938 mAP@0.5-0.95: 0.827

      After analyzing these results, it seems that the model is over-predicting. Do you have any suggestions on how I can better balance precision and recall?

      best regards,

  9. Fatima-khanjarGitHub

    Hello,

    I hope this message finds you well.

    image

    I fine-tuned YOLOv11s on my custom dataset, which is relatively small (1,156 images split into 75% training, 15% validation, and 10% test). The dataset consists of 41 classes, with each class containing between 200 and 300 images. I experimented with three different sets of hyperparameters: the default values, those optimized using Ray Tune, and others obtained through a Genetic Algorithm. In all cases, I observed oscillations in the validation dfl and box losses, which may indicate signs of overfitting. I would appreciate any suggestions or insights on how to address this issue, particularly given the small size of the dataset, and how to improve model generalization.

    best regards,

  10. yyagmurkyaaGitHub

    Hello, I am training a model using YOLOv11, and the dataset consists of traffic signs. There are 22 classes, and each class has 400 labeled images. I’m not sure what parameters I should use for training. What parameters should I set to prevent overfitting, and what are the correct values? Could you help me with this?

    1. Glenn JocherUltralytics(изменено)

      @yyagmurkyaa your dataset of 22 classes with 400 images per class should provide a good foundation for traffic sign detection. To prevent overfitting with YOLO26, I'd recommend:

      1. Start with hyperparameter tuning using the model.tune() method to find optimal values:
      from ultralytics import YOLO
      
      model = YOLO("yolo26n.pt")  # Start with a smaller model for faster tuning
      model.tune(
          data="your_traffic_signs.yaml",
          epochs=30,
          iterations=100,
          weight_decay=0.0005,  # Try higher values like 0.001-0.005 to increase regularization
          patience=15,  # Early stopping
          val=True
      )
      1. Key hyperparameters to prevent overfitting:

        • Increase weight_decay (0.001-0.005)
        • Enable strong data augmentation (hsv_h, hsv_s, translate, scale, fliplr, mosaic)
        • Use early stopping with reasonable patience
        • Consider reducing model capacity (use n or s model variants)
      2. Monitor validation metrics to detect overfitting (when training accuracy continues improving but validation metrics plateau or decline)

      The automated tuning process should help identify the optimal parameter values for your specific dataset. For more details, check out our Hyperparameter Tuning Guide.

    2. yyagmurkyaaGitHub

      Thank you for your feedback. I trained my dataset using YOLOv11s. Although I didn’t experience severe overfitting with the current parameters, I couldn’t achieve optimal performance either. Some traffic signs were misclassified or not detected at all.

      While searching for the best hyperparameters, I realized that I hadn't applied data augmentation—except for the flip parameter. I have an example parameter file, and I plan to include all relevant augmentation options except for flipping.

      I would really appreciate your help in finding the most suitable parameters for my dataset, as I’m planning to participate in a competition soon. I need to enhance my model by adjusting the parameters properly to achieve the best possible performance.

      Thank you in advance for your support.