Рецепт обучения YOLO26#

Введение#

В этом руководстве описан точный рецепт обучения, использованный для получения официальных предобученных чекпоинтов YOLO26 на датасете COCO. Каждый показанный здесь гиперпараметр уже встроен в выпущенные веса .pt и может быть проверен программно.

Понимание того, что вошло в официальные чекпоинты (не только архитектура, но и расписания скорости обучения, конвейеры аугментации и веса потерь, которые сформировали их производительность), помогает тебе принимать более правильные решения при тонкой настройке: какие аугментации данных оставить, какие веса функции потерь скорректировать и какие настройки оптимизатора лучше всего подходят под размер твоего датасета.

Обзор обучения#

Все базовые модели YOLO26 были обучены на COCO при разрешении 640x640 с использованием оптимизатора MuSGD и batch size 128. Вместо запуска с нуля со случайными весами в рамках одного прогона модели инициализировались промежуточными предварительно обученными весами и дорабатывались с помощью гиперпараметров, найденных посредством evolutionary search. Полные логи обучения и метрики для каждого размера модели доступны на Ultralytics Platform.

Основные проектные решения для всех размеров:

• Сквозное обучение (end-to-end) (end2end=True) с головой один-к-одному без NMS
• Оптимизатор MuSGD, объединяющий SGD с ортогонализированными обновлениями в стиле Muon для весовых матриц (2D линейные веса и 4D сверточные фильтры, которые изменяются до 2D)
• Интенсивная мозаичная аугментация (mosaic) (вероятность ~0.9–1.0), отключаемая на последних 10 эпохах (close_mosaic=10)
• Агрессивная аугментация масштабирования (0.56-0.95) для обработки объектов разных размеров
• Минимальный поворот/сдвиг для большинства размеров, сохраняющий низкий уровень геометрических искажений

Проверка аргументов обучения чекпоинта YOLO26#

Каждый чекпоинт Ultralytics хранит полную конфигурацию обучения, использованную для его создания, поэтому ты можешь самостоятельно проверить каждое число на этой странице:

from ultralytics import YOLO

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

В выводе перечислена полная конфигурация из более чем 100 элементов, включая каждое значение рецепта, описанное на этой странице. Выдержка для 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

Это работает для любого чекпоинта .pt — как для официальных релизов, так и для твоих собственных дообученных моделей. Полный список настраиваемых аргументов обучения см. в справочнике по конфигурации обучения.

Гиперпараметры обучения YOLO26 по размеру модели#

В таблицах ниже рецепт сгруппирован по категориям: оптимизатор и расписание, веса потерь и аугментация. Каждое значение взято прямо из train_args, встроенного в выпущенные чекпоинты.

Оптимизатор и скорость обучения#

Эти настройки оптимизатора и графика управляли предобучением на COCO для каждого размера; обрати внимание, как модель N выделяется на фоне остальных:

Веса функции потерь#

Веса потерь балансируют три компонента потерь обнаружения: регрессию IoU ограничивающей рамки (box), классификацию (cls) и член регрессии расстояния рамки (dfl). Обрати внимание, что YOLO26 без DFL перепрофилирует усиление dfl для взвешивания потерь L1 на нормализованных расстояниях рамок, а не фокальных потерь распределения:

Модель N отдает приоритет члену регрессии расстояния dfl, в то время как модели S/M/L/X смещают акцент на регрессию рамок на основе IoU. Потери на классификацию остаются относительно стабильными для всех размеров.

Конвейер аугментации#

Подробное объяснение каждого метода см. в руководстве по аугментации данных YOLO.

Значения, указанные как ~0, в реальных чекпоинтах составляют менее 0.01 (например, degrees=0.00012 для модели S) — аугментация фактически отключена.

Более крупные модели используют в целом более агрессивную аугментацию (более высокие mixup, copy-paste и масштаб), так как у них больше емкость и они извлекают пользу из более сильной регуляризации. Модель N — единственный размер со значительной аугментацией вращения, сдвига и BGR.

Внутренние параметры обучения#

Дообучение YOLO26 на собственном наборе данных#

При тонкой настройке YOLO26 на собственном датасете тебе не нужно воспроизводить весь рецепт предобучения. Предобученные веса уже содержат знания об аугментации и оптимизации, полученные при обучении на COCO. Общие рекомендации по обучению см. в разделе Советы по обучению моделей.

Дообучение с настройками по умолчанию#

from ultralytics import YOLO

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

Дообучение с настройками по умолчанию — это надежная отправная точка. Изменяй гиперпараметры, только если у тебя есть конкретная причина для этого.

Когда стоит изменять гиперпараметры YOLO26#

Маленькие наборы данных (< 1 000 изображений):

• Уменьши силу аугментации: mosaic=0.5, mixup=0.0, copy_paste=0.0
• Снизь скорость обучения: lr0=0.001
• Используй меньше эпох с терпением (patience): epochs=50, patience=20
• Рассмотри возможность заморозки слоев бэкбона: freeze=10

Большие наборы данных (> 50 000 изображений):

• Придерживайся рецепта предварительного обучения более точно
• Рассмотри optimizer=MuSGD для более долгих запусков
• Увеличь аугментацию: mosaic=1.0, mixup=0.3, scale=0.9

Специфические предметные области (аэрофотосъемка, медицина, подводная съемка):

• Увеличь flipud=0.5, если вертикальная ориентация различается
• Увеличь degrees, если объекты появляются под произвольными углами поворота
• Настрой hsv_s и hsv_v, если условия освещения существенно отличаются от COCO

Для автоматической оптимизации гиперпараметров см. руководство по настройке гиперпараметров.

Выбор размера модели#

Варианты экспорта и развертывания описаны в руководстве по экспорту и в разделе Варианты развертывания моделей.

Заключение#

Чекпоинты YOLO26 поставляются со встроенным полным рецептом обучения, поэтому точные гиперпараметры для каждого размера модели всегда доступны на расстоянии одного поиска train_args. Начни тонкую настройку с дефолтных значений, целенаправленно вноси изменения, используя таблицы на этой странице, и проверяй каждое изменение на своем валидационном наборе. Если по ходу дела возникают вопросы, задай их сообществу в репозитории Ultralytics на GitHub или на сервере Ultralytics в Discord.

FAQ#