Рецепт обучения YOLO26#

Введение#

В этом руководстве описан точный рецепт обучения, использованный для создания официальных предобученных весов YOLO26 на COCO. Все приведённые здесь гиперпараметры уже сохранены в выпущенных весах .pt вместе с журналом обучения по эпохам и ревизией кода, использованной при запуске; всё это можно программно изучить.

Знание того, что легло в основу официальных контрольных точек — не только архитектуры, но и расписаний скорости обучения, конвейеров аугментации и весов функции потерь, повлиявших на качество, — поможет принимать более взвешенные решения при дообучении: какие аугментации данных оставить, веса какой функции потерь изменить и какие настройки оптимизатора лучше подходят для размера твоего набора данных.

Обзор обучения#

Все базовые модели YOLO26 обучались в два этапа: предобучение на Objects365v1 в течение 150 эпох, а затем дообучение на COCO. На обоих этапах использовалось разрешение 640x640, оптимизатор MuSGD и размер батча 128. Ни одна контрольная точка YOLO26 не обучалась на COCO со случайных весов, поэтому этап COCO для большинства размеров был коротким; гиперпараметры этого этапа подбирались с помощью эволюционного поиска. Полные журналы обучения и метрики для моделей каждого размера хранятся в выпущенных контрольных точках и отображаются в виде графиков на платформе Ultralytics.

Ключевые решения, общие для моделей всех размеров:

• Предобучение на Objects365 для моделей каждого размера до этапа COCO
• Обучение с двумя головами с обучением по one-to-many и one-to-one; по умолчанию при инференсе используется NMS, а nms=False выбирает голову без NMS
• Оптимизатор MuSGD сочетает SGD с ортогонализированными обновлениями в стиле Muon для матриц весов (линейные веса 2D и свёрточные фильтры 4D, которые преобразуются в 2D)
• Сильная мозаичная аугментация (вероятность ~0.9-1.0), отключаемая в последних эпохах (close_mosaic=8 при предобучении, close_mosaic=10 на COCO)
• Агрессивная аугментация масштаба (0.5-0.95) для работы с объектами разного размера
• Минимальный поворот и сдвиг для большинства размеров, чтобы снизить геометрические искажения

Этап 1: предобучение на Objects365#

Каждая контрольная точка YOLO26 для COCO была дообучена на контрольной точке Objects365v1 того же размера. Эти предобученные веса также опубликованы и описаны на странице набора данных Objects365. Начальные веса для каждой контрольной точки COCO указаны в конфигурации обучения, встроенной в файл .pt. Как прочитать эту конфигурацию, показано ниже в разделе Изучение параметров обучения контрольной точки YOLO26:

При предобучении использовались преимущественно настройки по умолчанию, а не подобранные значения. lr0, lrf, momentum, weight_decay, box и cls соответствуют default.yaml, а значения warmup_epochs, close_mosaic и dfl были переопределены. Для всех размеров настройки одинаковы, за исключением warmup_epochs у X, силы аугментации, а также внутренних весов MuSGD и head, перечисленных после таблиц:

В этих таблицах приведены настройки, влияющие на предобучение, а не полная конфигурация. В контрольных точках записано более 100 аргументов, поэтому для получения авторитетного списка выведи train_args, как показано ниже.

from ultralytics import YOLO

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

Проверка аргументов обучения в контрольной точке YOLO26#

В каждой контрольной точке Ultralytics хранится полная конфигурация обучения, использованная для её создания, поэтому ты можешь самостоятельно проверить каждое значение 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 параметров, включая все значения рецепта, описанные на этой странице. Например, фрагмент 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 релизами, так и с твоими собственными дообученными моделями. Полный список настраиваемых аргументов обучения см. в справочнике по конфигурации обучения.

Просмотр графиков обучения#

В контрольной точке хранится не только train_args. В каждой контрольной точке также содержится полный results.csv по эпохам для запуска, в ходе которого она была создана, а также итоговые метрики валидации. Графики для официальных контрольных точек YOLO26 опубликованы на платформе Ultralytics, а любой файл .pt можно перетащить в проект, чтобы построить графики по тем же данным: метаданные автоматически извлекаются из файла.

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

Проверка ревизии кода#

В ckpt["git"] записан коммит, с которым была создана контрольная точка. Эти коммиты доступны в публичных экспериментальных ветках репозитория Ultralytics, поэтому ты можешь получить 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 есть код, который так и не попал в main, например настраиваемые o2m и cls_w. Обучение на main с приведёнными ниже гиперпараметрами не даст побитово идентичный результат, но метрики будут отличаться от опубликованных лишь незначительно.

Гиперпараметры обучения YOLO26 для каждого размера модели#

Это значения этапа 2, которые применяются к указанным выше весам Objects365. В таблицах ниже рецепт разбит на категории: оптимизатор и расписание, веса функции потерь и аугментация. Все значения взяты непосредственно из train_args, встроенного в выпущенные контрольные точки.

Оптимизатор и скорость обучения#

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

Веса функции потерь#

Веса функции потерь балансируют три компонента функции потерь детектора: регрессию IoU для ограничивающих рамок (box), классификацию (cls) и компонент регрессии расстояний до рамки (dfl). Учти, что в YOLO26 без DFL коэффициент dfl используется для взвешивания функции потерь L1 по нормализованным расстояниям до рамки, а не функции потерь distribution focal:

В модели N приоритет отдаётся компоненту регрессии расстояний dfl, а в моделях S/M/L/X больший вес получает регрессия рамок на основе IoU. Вес функции потерь классификации остаётся примерно одинаковым для всех размеров.

Конвейер аугментации#

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

Значения, указанные как ~0, в контрольных точках фактически меньше 0.01 (например, degrees=0.00012 для модели S), поэтому аугментация практически отключена.

В целом для крупных моделей используется более интенсивная аугментация (более высокие значения mixup и scale), поскольку у них выше вычислительная ёмкость и они лучше используют усиленную регуляризацию. Модель N — единственная, для которой применяются значимые значения поворота, сдвига и аугментации BGR.

Внутренние параметры обучения#

Дообучение YOLO26 на собственном наборе данных#

При дообучении YOLO26 на собственном наборе данных не нужно в точности повторять весь рецепт предварительного обучения. Предварительно обученные 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 — хорошая отправная точка. Меняй гиперпараметры, только если для этого есть конкретная причина.

Когда менять гиперпараметры YOLO26#

Небольшие наборы данных (< 1 000 изображений):

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

Большие наборы данных (> 50 000 изображений):

• Точнее следуй рецепту предварительного обучения
• Рассмотри optimizer=MuSGD для более длительного обучения
• Усиль аугментацию: mosaic=1.0, mixup=0.3, scale=0.9

Изображения из специфичных предметных областей (съёмка с воздуха, медицинские изображения, подводная съёмка):

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

Об автоматической оптимизации гиперпараметров см. в руководстве по подбору гиперпараметров.

Выбор размера модели#

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

Заключение#

В контрольных точках YOLO26 встроен полный рецепт обучения, поэтому точные гиперпараметры для модели любого размера всегда можно узнать, выполнив один запрос train_args. Начинай дообучение с настроек по умолчанию, осознанно меняй их с помощью таблиц на этой странице и проверяй каждое изменение на собственном валидационном наборе. Если у тебя возникнут вопросы, обратись к сообществу в репозитории Ultralytics на GitHub или на сервере Ultralytics в Discord.

Часто задаваемые вопросы#