Обучение моделей с помощью Ultralytics YOLO

Введение

Обучение модели глубинного обучения включает в себя подачу данных и настройку параметров, чтобы она могла делать точные прогнозы. Режим обучения (Train mode) в Ultralytics YOLO26 создан для эффективного и результативного обучения моделей обнаружения объектов с полным использованием возможностей современного оборудования. Это руководство охватывает все детали, необходимые для того, чтобы начать обучать собственные модели с помощью надежного набора функций YOLO26.

Почему стоит выбрать Ultralytics YOLO для обучения?

Вот несколько веских причин выбрать режим обучения (Train mode) в YOLO26:

• Эффективность: Получи максимум от своего оборудования, работаешь ли ты на системе с одним GPU или масштабируешься на несколько GPU.
• Универсальность: Обучай на собственных наборах данных в дополнение к доступным, таким как COCO, VOC и ImageNet.
• Удобство использования: Простые, но мощные интерфейсы CLI и Python для понятного процесса обучения.
• Гибкость гиперпараметров: Широкий спектр настраиваемых гиперпараметров для тонкой настройки производительности модели. Для более глубокого контроля ты можешь настроить сам трейнер.
• Облачное обучение: Обучай на облачных GPU через Ultralytics Platform с метриками в реальном времени и автоматическими контрольными точками.

Ключевые особенности режима обучения

Ниже приведены некоторые примечательные особенности режима обучения (Train mode) в YOLO26:

• Автоматическая загрузка наборов данных: Стандартные наборы данных, такие как COCO, VOC и ImageNet, загружаются автоматически при первом использовании.
• Поддержка нескольких GPU: Беспрепятственно масштабируй свои усилия по обучению на несколько GPU для ускорения процесса.
• Конфигурация гиперпараметров: Возможность изменять гиперпараметры через YAML-файлы конфигурации или аргументы CLI.
• Визуализация и мониторинг: Отслеживание метрик обучения в реальном времени и визуализация процесса обучения для более глубокого анализа.

Примеры использования

Обучи YOLO26n на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Устройство для обучения можно указать с помощью аргумента device. Если аргумент не передан, будет использован GPU device=0, если он доступен; в противном случае будет использован device='cpu'. См. раздел Аргументы ниже для получения полного списка аргументов обучения.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

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

Обучение на нескольких GPU

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

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Train the model with the two most idle GPUs
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

Обучение на простаивающих GPU

Обучение на простаивающих GPU позволяет автоматически выбирать наименее используемые GPU в системах с несколькими GPU, оптимизируя использование ресурсов без ручного выбора GPU. Эта функция определяет доступные GPU на основе метрик использования и доступности VRAM.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train using the single most idle GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Train using the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

Алгоритм автоматического выбора отдает приоритет GPU с:

1. Более низким текущим процентом использования
2. Более высоким объемом доступной памяти (свободная VRAM)
3. Более низкой температурой и энергопотреблением

Эта функция особенно ценна в общих вычислительных средах или при выполнении нескольких задач обучения для разных моделей. Она автоматически адаптируется к изменяющимся условиям системы, обеспечивая оптимальное распределение ресурсов без ручного вмешательства.

Обучение на Apple Silicon MPS

Благодаря поддержке чипов Apple silicon, интегрированной в модели Ultralytics YOLO, теперь можно обучать свои модели на устройствах, использующих мощный фреймворк Metal Performance Shaders (MPS). MPS предлагает высокопроизводительный способ выполнения вычислений и задач обработки изображений на собственных чипах Apple.

Чтобы включить обучение на чипах Apple silicon, тебе следует указать 'mps' в качестве устройства при инициализации процесса обучения. Ниже приведен пример того, как ты можешь это сделать в Python и через командную строку:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

Использование вычислительной мощности чипов Apple silicon обеспечивает более эффективную обработку задач обучения. Для получения более подробных инструкций и расширенных параметров конфигурации, пожалуйста, обратись к документации PyTorch MPS.

Возобновление прерванного обучения

Возобновление обучения из ранее сохраненного состояния — важная функция при работе с моделями глубинного обучения. Это может пригодиться в различных сценариях, например, когда процесс обучения был неожиданно прерван, или когда ты хочешь продолжить обучение модели с новыми данными или на большее количество эпох.

При возобновлении обучения Ultralytics YOLO загружает веса из последней сохраненной модели, а также восстанавливает состояние оптимизатора, планировщик скорости обучения и номер эпохи. Это позволяет тебе беспрепятственно продолжить процесс обучения с того места, где он был остановлен.

Ты можешь легко возобновить обучение в Ultralytics YOLO, установив аргумент resume в True при вызове метода train и указав путь к файлу .pt, содержащему частично обученные веса модели.

Ниже приведен пример того, как возобновить прерванное обучение с помощью Python и через командную строку:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

Установив resume=True, функция train продолжит обучение с того места, где оно остановилось, используя состояние, сохраненное в файле 'path/to/last.pt'. Если аргумент resume пропущен или установлен в False, функция train начнет новый сеанс обучения.

Помни, что контрольные точки сохраняются в конце каждой эпохи по умолчанию или через фиксированные интервалы с помощью аргумента save_period, поэтому ты должен завершить как минимум 1 эпоху, чтобы возобновить обучение.

Настройки обучения

Настройки обучения для моделей YOLO включают различные гиперпараметры и конфигурации, используемые в процессе обучения. Эти настройки влияют на производительность, скорость и точность модели. Ключевые настройки обучения включают размер пакета (batch size), скорость обучения (learning rate), импульс (momentum) и затухание веса (weight decay). Кроме того, выбор оптимизатора, функции потерь и состав набора данных для обучения могут повлиять на процесс обучения. Тщательная настройка и эксперименты с этими параметрами имеют решающее значение для оптимизации производительности.

Оптимизатор MuSGD

В YOLO26 MuSGD — это гибридный оптимизатор, который сочетает стандартные обновления SGD с ортогонализированными обновлениями в стиле Muon.

Он рекомендуется для более длительных прогонов обучения YOLO26 и больших наборов данных, где ортогонализированные обновления Muon могут помочь стабилизировать оптимизацию.

Только параметры с param.ndim >= 2 (например, сверточные веса) получают обновление в стиле Muon вместе с SGD, в то время как параметры с меньшей размерностью, такие как слои пакетной нормализации и члены смещения, остаются на стандартном SGD.

Когда используется optimizer=auto, Ultralytics автоматически выбирает MuSGD для более длительных прогонов обучения (обычно когда итераций > 10000). Для более коротких прогонов трейнер возвращается к AdamW.

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 улучшения надежности и производительности моделей YOLO путем внесения вариативности в обучающие данные, помогая модели лучше обобщать новые данные. В следующей таблице указаны цель и эффект каждого аргумента аугментации:

Эти настройки можно регулировать в соответствии с конкретными требованиями набора данных и выполняемой задачи. Эксперименты с различными значениями помогут найти оптимальную стратегию аугментации, которая обеспечит наилучшую производительность модели.

Логирование

При обучении модели YOLO26 тебе может быть полезно отслеживать производительность модели во времени. Именно здесь на помощь приходит логирование. Ultralytics YOLO поддерживает три типа логгеров - Comet, ClearML и TensorBoard.

Чтобы использовать логгер, выбери его из выпадающего меню в приведенном выше фрагменте кода и запусти его. Выбранный логгер будет установлен и инициализирован.

Comet

Comet — это платформа, которая позволяет специалистам по данным и разработчикам отслеживать, сравнивать, объяснять и оптимизировать эксперименты и модели. Она предоставляет такие функции, как метрики в реальном времени, сравнение кода (diffs) и отслеживание гиперпараметров.

Чтобы использовать Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

Не забудь войти в свой аккаунт Comet на их веб-сайте и получить свой API ключ. Тебе нужно будет добавить его в переменные окружения или в свой скрипт, чтобы логировать свои эксперименты.

ClearML

ClearML — это платформа с открытым исходным кодом, которая автоматизирует отслеживание экспериментов и помогает эффективно распределять ресурсы. Она разработана, чтобы помочь командам более эффективно управлять, выполнять и воспроизводить свою работу в области ML.

Чтобы использовать ClearML:

# pip install clearml
import clearml

clearml.browser_login()

После запуска этого скрипта тебе нужно будет войти в свой аккаунт ClearML в браузере и аутентифицировать свою сессию.

TensorBoard

TensorBoard — это набор инструментов визуализации для TensorFlow. Он позволяет визуализировать твой граф TensorFlow, строить количественные метрики выполнения графа и отображать дополнительные данные, такие как изображения, которые через него проходят.

Чтобы использовать TensorBoard в Google Colab:

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

Чтобы использовать TensorBoard локально, выполни приведенную ниже команду и просмотри результаты на localhost:6006.

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

Это загрузит TensorBoard и направит его в директорию, где сохранены твои логи обучения.

После настройки логгера ты можешь приступать к обучению модели. Все метрики обучения будут автоматически логироваться на выбранной тобой платформе, и ты сможешь получить доступ к этим логам, чтобы отслеживать производительность своей модели во времени, сравнивать разные модели и определять области для улучшения.

Часто задаваемые вопросы (FAQ)

Могу ли я тренироваться без локального GPU?

Да. Платформа Ultralytics поддерживает облачное обучение с бесплатными кредитами для начала работы. Загрузи свой набор данных, выбери модель и GPU и тренируйся прямо из браузера. Подробности см. в руководстве по облачному обучению.

Как обучить модель обнаружения объектов с помощью Ultralytics YOLO26?

Чтобы обучить модель обнаружения объектов с помощью Ultralytics YOLO26, ты можешь использовать либо Python API, либо CLI. Ниже приведен пример для обоих вариантов:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

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

Для получения более подробной информации обратись к разделу Настройки обучения.

Каковы основные особенности режима обучения Ultralytics YOLO26?

К основным особенностям режима обучения Ultralytics YOLO26 относятся:

• Автоматическая загрузка наборов данных: Автоматически скачивает стандартные наборы данных, такие как COCO, VOC и ImageNet.
• Поддержка нескольких GPU: Масштабируй обучение на несколько GPU для ускорения процесса.
• Конфигурация гиперпараметров: Настраивай гиперпараметры через YAML-файлы или аргументы CLI.
• Визуализация и мониторинг: Отслеживание метрик обучения в реальном времени для получения более глубоких данных.

Эти функции делают обучение эффективным и адаптируемым к твоим потребностям. Более подробную информацию см. в разделе Ключевые особенности режима обучения.

Как возобновить обучение после прерванного сеанса в Ultralytics YOLO26?

Чтобы возобновить обучение после прерванного сеанса, установи аргумент resume в значение True и укажи путь к последнему сохраненному чекпоинту.

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

# Resume training
results = model.train(resume=True)

Для получения дополнительной информации ознакомься с разделом Возобновление прерванного обучения.

Как обучить модель на несбалансированном наборе данных?

Дисбаланс классов возникает, когда в твоих тренировочных данных для некоторых классов значительно меньше примеров, чем для других. Это может привести к тому, что модель будет плохо работать на редких классах. Ultralytics YOLO поддерживает взвешивание классов через аргумент cls_pw для решения этой проблемы.

Аргумент cls_pw управляет силой взвешивания классов на основе обратной частоты классов:

• cls_pw=0.0 (по умолчанию): отключает взвешивание классов
• cls_pw=1.0: применяет полное взвешивание по обратной частоте
• Значения от 0.0 до 1.0: обеспечивают частичное взвешивание для умеренного дисбаланса

Веса классов вычисляются как (1.0 / class_counts) ^ cls_pw и нормализуются так, чтобы их среднее значение было равно 1.0.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train with full class weighting for severely imbalanced data
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=1.0)

# Or use partial weighting (0.25) for moderate imbalance
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=0.25)

Могу ли я тренировать модели YOLO26 на чипах Apple silicon?

Да, Ultralytics YOLO26 поддерживает обучение на чипах Apple silicon с использованием фреймворка Metal Performance Shaders (MPS). Укажи 'mps' в качестве своего тренировочного устройства.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

Для получения более подробной информации обратись к разделу Обучение на Apple Silicon через MPS.

Какие существуют общие настройки обучения и как их сконфигурировать?

Ultralytics YOLO26 позволяет конфигурировать множество параметров обучения, таких как размер батча (batch size), скорость обучения (learning rate), эпохи и многое другое с помощью аргументов. Вот краткий обзор:

Для получения подробного руководства по настройкам обучения изучи раздел Настройки обучения.