Рецепт обучения YOLO26#

Введение#

В этом руководстве задокументирован точный рецепт обучения, использованный для создания официальных предварительно обученных контрольных точек YOLO26 на COCO. Каждый показанный здесь гиперпараметр уже встроен в выпущенные веса .pt вместе с журналом обучения по эпохам и ревизией кода запуска, причём всё это можно проверить программно.

Понимание того, что вошло в официальные контрольные точки, — не только архитектура, но и расписания скорости обучения, конвейеры аугментации и веса функции потерь, определившие их эффективность, — помогает принимать более обоснованные решения при дообучении: какие аугментации данных оставить, веса какой функции потерь изменить и какие настройки оптимизатора лучше всего подходят для твоего объёма данных.

Обзор обучения#

Все базовые модели YOLO26 обучались в два этапа: предварительное обучение на Objects365v1 в течение 150 эпох, за которым следовало дообучение на COCO. Оба этапа выполнялись при разрешении 640x640 с оптимизатором MuSGD и размером пакета 128. Ни одна контрольная точка YOLO26 не обучалась на COCO со случайных весов, поэтому этап COCO короткий для большинства размеров, а его гиперпараметры были найдены с помощью эволюционного поиска. Полные журналы обучения и метрики для каждого размера модели хранятся внутри выпущенных контрольных точек и отображаются в виде графиков на Ultralytics Platform.

Ключевые особенности для всех размеров:

• Предварительное обучение на Objects365 для каждого размера перед этапом COCO
• Обучение с двумя «головами» с надзором «один ко многим» и «один к одному»; во время инференса по умолчанию используется NMS, а nms=False выбирает голову без NMS
• Оптимизатор MuSGD, объединяющий SGD с ортогонализованными обновлениями в стиле Muon для матриц весов (двумерных линейных весов и четырёхмерных свёрточных фильтров, преобразуемых в двумерные)
• Интенсивная мозаичная аугментация (вероятность ~0.9-1.0), отключаемая на последних эпохах (close_mosaic=8 при предварительном обучении, close_mosaic=10 на COCO)
• Агрессивная аугментация масштаба (0.5-0.95) для обработки объектов разных размеров
• Минимальные повороты и сдвиги для большинства размеров, чтобы геометрические искажения оставались небольшими

Этап 1: предварительное обучение на Objects365#

Каждая контрольная точка YOLO26 для COCO была дообучена из контрольной точки Objects365v1 того же размера. Эти предварительно обученные веса также опубликованы и задокументированы на странице датасета Objects365. Каждая контрольная точка COCO указывает начальные веса в конфигурации обучения, встроенной в файл .pt; в разделе Проверка аргументов обучения контрольной точки YOLO26 ниже показано, как их прочитать:

При предварительном обучении использовались в основном настройки по умолчанию, а не найденные значения. lr0, lrf, momentum, weight_decay, box и cls соответствуют default.yaml, а warmup_epochs, close_mosaic и dfl были переопределены. Настройки общие для всех размеров, за исключением warmup_epochs для X, силы аугментаций и внутренних весов MuSGD и головы, перечисленных после таблиц:

Эти таблицы охватывают настройки, определяющие предварительное обучение, но не всю конфигурацию. В контрольных точках записано более 100 аргументов, поэтому выведи train_args, как показано ниже, чтобы получить полный авторитетный список.

from ultralytics import YOLO

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

Проверка аргументов обучения контрольной точки YOLO26#

Каждая контрольная точка Ultralytics хранит полную конфигурацию обучения, использованную для её 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 перечисляется полная конфигурация из более чем 100 записей, включая каждое значение рецепта, задокументированное на этой странице. Пример 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 с любой контрольной точкой .pt — как с официальными выпусками, так и с твоими собственными дообученными моделями. Полный список настраиваемых аргументов обучения см. в справочнике по конфигурации обучения.

Просмотр кривых обучения#

train_args — не единственное, что хранится в контрольной точке. Каждая контрольная точка также содержит полный results.csv запуска по эпохам, который привёл к её созданию, вместе с итоговыми метриками валидации. Кривые для официальных контрольных точек YOLO26 опубликованы на Ultralytics Platform, а любой файл .pt можно перетащить в проект, чтобы построить график тех же данных; метаданные будут автоматически извлечены из файла.

Каждая контрольная точка охватывает этап, на котором она была создана, поэтому кривые COCO находятся в yolo26s.pt, а кривые Objects365 за 150 эпох — в yolo26s-objv1-150.pt.

Проверка ревизии кода#

ckpt["git"] содержит коммит, создавший контрольную точку, а эти коммиты находятся в общедоступных экспериментальных ветках репозитория Ultralytics, поэтому ты можешь проверить точный код обучения:

from ultralytics import YOLO

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

git fetch origin cb13d5f9cfbd6f299da3620c625f81d721dc2849
git checkout cb13d5f9cfbd6f299da3620c625f81d721dc2849

В экспериментальных ветках содержатся изменения, которые никогда не вошли в main, например настраиваемые o2m и cls_w. Обучение на main с гиперпараметрами, задокументированными ниже, не даст побитово идентичный результат, но итог будет находиться на пренебрежимо малом расстоянии от опубликованных метрик.

Гиперпараметры обучения YOLO26 для каждого размера модели#

Это значения этапа 2, применяемые поверх приведённых выше весов Objects365. В таблицах ниже рецепт сгруппирован по категориям: оптимизатор и расписание, веса функции потерь и аугментация. Каждое значение взято непосредственно из train_args, встроенного в выпущенные контрольные точки.

Оптимизатор и скорость обучения#

Эти настройки оптимизатора и расписания использовались при дообучении на COCO для каждого размера; обрати внимание, насколько модель N отличается от остальных:

Веса функции потерь#

Веса функции потерь балансируют три компонента функции потерь обнаружения — регрессию IoU ограничивающей рамки (box), классификацию (cls) и компонент регрессии расстояния до рамки (dfl). Обрати внимание: YOLO26 без DFL переиспользует коэффициент dfl для взвешивания потерь L1 по нормализованным расстояниям до рамок вместо distribution focal loss:

Модель N отдаёт приоритет компоненту регрессии расстояния dfl, тогда как модели S/M/L/X смещают акцент на регрессию рамки на основе IoU. Потери классификации остаются относительно стабильными для всех размеров.

Конвейер аугментации#

Подробное объяснение каждой техники см. в руководстве по аугментации данных YOLO.

Значения ~0, указанные ниже, в фактических контрольных точках меньше 0.01 (например, degrees=0.00012 для модели S), то есть аугментация практически отключена.

Для больших моделей в целом используются более агрессивные аугментации (более высокие mixup и масштабирование), поскольку у них больше ёмкость и они получают пользу от более сильной регуляризации. Модель N — единственный размер со значимыми аугментациями поворота, сдвига и BGR.

Внутренние параметры обучения#

Дообучение YOLO26 на собственном датасете#

При дообучении YOLO26 на собственном датасете тебе не нужно воспроизводить весь рецепт предварительного обучения. Предварительно обученные веса уже содержат знания об аугментации и оптимизации, полученные при обучении на COCO. Дополнительные 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 со значениями по умолчанию — надёжная базовая линия. Изменяй гиперпараметры только при наличии конкретной причины.

Когда изменять гиперпараметры YOLO26#

Небольшие датасеты (< 1 000 изображений):

• Уменьши силу аугментации: mosaic=0.5, mixup=0.0, copy_paste=0.0
• Уменьши скорость обучения и явно задай оптимизатор: optimizer=AdamW, lr0=0.001
• Используй меньше эпох с параметром patience: epochs=50, patience=20
• Рассмотри возможность заморозить слои backbone: freeze=10

Большие датасеты (> 50 000 изображений):

• Точнее воспроизведи рецепт предварительного обучения
• Рассмотри optimizer=MuSGD для более длительных запусков
• Увеличь аугментацию: mosaic=1.0, mixup=0.3, scale=0.9

Изображения из специализированных областей (аэрофотосъёмка, медицина, подводная съёмка):

• Увеличь flipud=0.5, если вертикальная ориентация меняется
• Увеличь degrees, если объекты могут иметь произвольный угол поворота
• Измени hsv_s и hsv_v, если условия освещения значительно отличаются от COCO

Для автоматизированной оптимизации гиперпараметров см. руководство по подбору гиперпараметров.

Выбор размера модели#

Варианты экспорта и развёртывания см. в руководстве по экспорту и разделе Варианты развёртывания моделей.

Заключение#

Чекпоинты YOLO26 поставляются со встроенным полным рецептом обучения, поэтому точные гиперпараметры для каждого размера модели всегда доступны всего за один поиск train_args. Начни дообучение со значений по умолчанию, осознанно корректируй их с помощью таблиц на этой странице и проверяй каждое изменение на собственной валидационной выборке. Если по ходу работы возникнут вопросы, обратись к сообществу в репозитории Ultralytics на GitHub или на сервере Ultralytics в Discord.

Часто задаваемые вопросы#