Обучение моделей с Ultralytics YOLO#

Введение#

Обучение модели глубокого обучения предполагает передачу ей данных и настройку параметров, чтобы модель могла делать точные предсказания. Режим обучения в Ultralytics YOLO26 разработан для эффективного обучения моделей обнаружения объектов с максимальным использованием возможностей современного оборудования. В этом руководстве собрана вся необходимая информация, чтобы ты мог начать обучать собственные модели с помощью широкого набора возможностей YOLO26. Если ты еще не установил Ultralytics, начни с краткого руководства.

См. предварительную версию YOLO27, пока не выпущенную официально, где представлены запланированные примеры обучения.

Почему стоит выбрать Ultralytics YOLO для обучения?#

Вот несколько веских причин выбрать режим обучения YOLO26:

• Эффективность: Используй оборудование по максимуму — как при работе с одной GPU, так и при масштабировании на несколько GPU.
• Универсальность: Обучай модели на собственных датасетах, а также на общедоступных, таких как COCO, VOC и ImageNet.
• Простота использования: Удобные интерфейсы CLI и Python обеспечивают простой процесс обучения.
• Гибкая настройка гиперпараметров: Широкий набор настраиваемых гиперпараметров позволяет точно регулировать производительность модели. Для более тонкой настройки можно изменить сам класс Trainer.
• Обучение в облаке: Обучай модели на облачных GPU через платформу Ultralytics, отслеживая метрики в реальном времени и автоматически сохраняя контрольные точки.

Ключевые возможности режима обучения#

Вот некоторые примечательные возможности режима обучения YOLO26:

• Автоматическая загрузка датасетов: Конфигурации датасетов с источником для загрузки автоматически загружаются при первом использовании, например yolo train data=coco8.yaml. Поддерживаемые форматы и датасеты см. в обзоре датасетов.
• Поддержка нескольких GPU: Легко масштабируй обучение на несколько GPU, чтобы ускорить процесс.
• Настройка гиперпараметров: Гиперпараметры можно изменять с помощью конфигурационных файлов YAML или аргументов CLI.
• Визуализация и мониторинг: Отслеживай метрики обучения в реальном времени и визуализируй процесс обучения, чтобы лучше понимать его ход.

Примеры использования#

Обучи YOLO26n на датасете COCO8 в течение 100 эпох с размером изображения 640. Устройство для обучения можно указать с помощью аргумента device. Если аргумент не задан, при наличии будет использоваться GPU device=0; в противном случае будет использоваться device='cpu'. Полный список аргументов обучения см. в разделе «Аргументы» ниже.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.yaml")  # создать новую модель из YAML
model = YOLO("yolo26n.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # создать модель из YAML и перенести веса

# Обучить модель
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Обучение на нескольких GPU#

Обучение на нескольких GPU позволяет эффективнее использовать доступные аппаратные ресурсы, распределяя нагрузку между несколькими GPU. Эта возможность доступна как через API Python, так и через интерфейс командной строки. Чтобы включить обучение на нескольких GPU, укажи идентификаторы GPU, которые хочешь использовать.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучи модель на двух GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Обучи модель на двух наименее загруженных GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

python -m torch.distributed.run --nproc_per_node 2 your_training_script.py

Для обучения на GPU AMD используется сборка PyTorch с ROCm и стандартный синтаксис device=0 или device=cuda:0. Инструкции по установке ROCm, обучению на нескольких GPU, AMP и инференсу MIGraphX для экспортированных моделей см. в руководстве по интеграции с AMD.

Для обучения на GPU Intel используй device=xpu:0 или несколько идентификаторов XPU со сборкой PyTorch, поддерживающей XCCL.

Обучение на NPU Huawei Ascend#

Ultralytics поддерживает обучение и валидацию на NPU Huawei Ascend с помощью torch_npu. Установи совместимые версии CANN, PyTorch и torch_npu, следуя руководству по установке Ascend Extension for PyTorch, а затем подключи среду CANN перед запуском Ultralytics:

source /usr/local/Ascend/ascend-toolkit/set_env.sh

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Обучай модель на одном NPU Ascend
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# Обучай модель на двух NPU Ascend с помощью HCCL
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

Стандартные возможности обучения, включая AMP, валидацию, сохранение контрольных точек и возобновление обучения, используют активный NPU. AutoBatch доступен при обучении на одном NPU, а указание нескольких идентификаторов NPU запускает распределенное обучение через HCCL. Информацию об экспорте моделей и их развертывании после обучения см. в руководстве по интеграции с Huawei Ascend.

Обучение на наименее загруженных GPU#

Функция обучения на наименее загруженных GPU автоматически выбирает GPU с наименьшей загрузкой в системах с несколькими GPU, помогая оптимизировать использование ресурсов без ручного выбора. Она определяет доступные GPU по показателям загрузки и доступности видеопамяти.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучай модель на одной наименее загруженной GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Обучай модель на двух наименее загруженных GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

Алгоритм автоматического выбора отдает предпочтение GPU со следующими характеристиками:

1. Более низкий текущий процент загрузки
2. Больше доступной памяти (свободной видеопамяти)

Эта функция особенно полезна в общих вычислительных средах и при одновременном запуске нескольких задач обучения для разных моделей. Она автоматически адаптируется к меняющимся условиям системы и обеспечивает оптимальное распределение ресурсов без вмешательства пользователя.

Обучение на Apple Silicon с MPS#

Благодаря встроенной в модели Ultralytics YOLO поддержке чипов Apple Silicon теперь можно обучать модели на устройствах с использованием высокопроизводительной платформы Metal Performance Shaders (MPS). MPS позволяет эффективно выполнять вычисления и обработку изображений на фирменных чипах Apple.

Чтобы включить обучение на чипах Apple Silicon, укажи 'mps' в качестве устройства при запуске обучения. Ниже приведен пример для Python и командной строки:

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучи модель с помощью MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

Использование вычислительных возможностей чипов Apple Silicon позволяет эффективнее выполнять задачи обучения. Более подробные инструкции и расширенные параметры настройки см. в документации PyTorch по MPS.

Возобновление прерванного обучения#

Возможность возобновить обучение с ранее сохранённого состояния крайне важна при работе с моделями глубокого обучения. Она пригодится в разных ситуациях: например, если процесс обучения неожиданно прервался или ты хочешь продолжить обучение модели на новых данных или в течение большего числа эпох.

При возобновлении обучения Ultralytics YOLO загружает веса последней сохранённой модели, а также восстанавливает состояние оптимизатора, планировщик скорости обучения, номер эпохи и набор данных. Это позволяет без проблем продолжить обучение с того места, на котором оно остановилось. Чтобы продолжить обучение на другом наборе данных, а не на наборе данных из контрольной точки, передай явный data= вместе с resume.

В Ultralytics YOLO легко возобновить обучение: при вызове метода train установи для аргумента resume значение True и укажи путь к файлу .pt, содержащему веса частично обученной модели.

Ниже приведён пример возобновления прерванного обучения с помощью Python и командной строки:

from ultralytics import YOLO

# Загрузить модель
model = YOLO("path/to/last.pt")  # загрузи частично обученную модель

# возобнови обучение
results = model.train(resume=True)

Если задать resume=True, функция train продолжит обучение с того места, на котором оно остановилось, используя состояние, сохранённое в файле 'path/to/last.pt'. Если аргумент resume не указан или задан как False, функция train начнёт новый сеанс обучения.

По умолчанию контрольные точки сохраняются в конце каждой эпохи или через заданные интервалы с помощью аргумента save_period. Поэтому для возобновления обучения нужно завершить как минимум 1 эпоху.

Параметры обучения#

Настройки обучения моделей YOLO включают различные гиперпараметры и конфигурации, используемые в процессе обучения. Эти настройки влияют на производительность, скорость и точность модели. К ключевым настройкам обучения относятся размер пакета, скорость обучения, моментум и затухание весов. На процесс обучения также влияют выбор оптимизатора, функции потерь и состав обучающего набора данных. Тщательная настройка этих параметров и эксперименты с ними крайне важны для оптимизации производительности.

Оптимизатор MuSGD#

В YOLO26 MuSGD — гибридный оптимизатор, сочетающий стандартные обновления SGD с ортогонализованными обновлениями в стиле Muon.

Его рекомендуется использовать для длительного обучения YOLO26 и больших наборов данных, где ортогонализованные обновления Muon помогают стабилизировать оптимизацию.

Обновления в стиле Muon вместе с SGD применяются только к линейным весам размерности 2D и свёрточным фильтрам размерности 4D (преобразованным в 2D). Все остальные параметры, например веса пакетной нормализации и члены смещения, остаются на стандартном SGD.

Если используется optimizer=auto, Ultralytics автоматически выбирает MuSGD для длительного обучения (обычно при количестве итераций > 10000). Для коротких запусков тренер переключается на AdamW. В режиме auto тренер также выбирает скорость обучения, поэтому заданное пользователем значение lr0 игнорируется. Чтобы управлять этими настройками вручную, явно выбери оптимизатор, например optimizer=AdamW lr0=0.001.

Пример использования:

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

См. реализацию в ultralytics/optim/muon.py и логику автоматического выбора оптимизатора в BaseTrainer.build_optimizer.

Настройки аугментации и гиперпараметры#

Методы аугментации необходимы для повышения устойчивости и производительности моделей YOLO: они вносят разнообразие в обучающие данные и помогают модели лучше обобщать на ранее не встречавшиеся данные. В таблице ниже описано назначение и влияние каждого аргумента аугментации:

Эти настройки можно адаптировать под конкретные требования набора данных и решаемой задачи. Эксперименты с разными значениями помогут найти оптимальную стратегию аугментации, обеспечивающую наилучшую производительность модели.

Журналирование#

Метрики обучения, графики и контрольные точки всегда записываются в каталог запуска. Кроме того, Ultralytics передаёт их в любой установленный и включённый трекер экспериментов: Comet, ClearML, TensorBoard, MLflow, Weights & Biases и DVCLive. Каждый журналатор можно включить или отключить через настройки Ultralytics, например с помощью yolo settings tensorboard=True. Ниже описаны три наиболее распространённых конфигурации.

Comet#

Comet — это платформа, позволяющая специалистам по данным и разработчикам отслеживать, сравнивать, объяснять и оптимизировать эксперименты и модели. Она предоставляет такие возможности, как метрики в реальном времени, сравнение изменений в коде и отслеживание гиперпараметров.

Чтобы использовать Comet:

# pip install comet_ml
import comet_ml

comet_ml.login()

Не забудь войти в свою учётную запись Comet на сайте и получить API-ключ. Чтобы журналировать эксперименты, добавь этот ключ в переменные окружения или в скрипт.

ClearML#

ClearML — это платформа с открытым исходным кодом, которая автоматизирует отслеживание экспериментов и помогает эффективно совместно использовать ресурсы. Она помогает командам эффективнее управлять работой в области машинного обучения, выполнять её и воспроизводить результаты.

Чтобы использовать ClearML:

# pip install clearml
import clearml

clearml.browser_login()

После запуска этого скрипта войди в свою учётную запись ClearML в браузере и авторизуй сеанс.

TensorBoard#

TensorBoard — это набор инструментов визуализации для TensorFlow. Он позволяет визуализировать граф вычислений TensorFlow, строить графики количественных метрик его выполнения и отображать дополнительные данные, например изображения, проходящие через граф.

Чтобы использовать TensorBoard в Google Colab:

%load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directory

Чтобы использовать TensorBoard локально, выполни приведённую ниже команду и просматривай результаты в localhost:6006.

tensorboard --logdir ultralytics/runs # replace with 'runs' directory

TensorBoard запустится и откроет каталог, в котором сохранены журналы обучения.

Настроив журналатор, можно приступать к обучению модели. Все метрики обучения будут автоматически записываться на выбранной платформе. Ты сможешь просматривать журналы, чтобы отслеживать производительность модели с течением времени, сравнивать разные модели и находить возможности для улучшения.

Что дальше#

Проверь обученную модель на отложенных данных, чтобы оценить её точность в реальных условиях, а затем экспортируй её в ONNX, TensorRT или другой формат для развёртывания. Обучаешь модель на собственных данных, а не на COCO8? Сначала подготовь их, воспользовавшись руководством по наборам данных.

Часто задаваемые вопросы#