Обучение моделей с Ultralytics YOLO#

Введение#

Обучение модели глубокого обучения включает подачу ей данных и настройку её параметров, чтобы она могла делать точные прогнозы. Режим Train в Ultralytics YOLO26 разработан для эффективного обучения моделей обнаружения объектов с полноценным использованием возможностей современного оборудования. В этом руководстве рассматриваются все детали, необходимые для начала обучения собственных моделей с использованием широкого набора возможностей YOLO26. Если ты ещё не установил Ultralytics, начни с руководства по быстрому старту.

Ознакомься с невыпущенным предварительным просмотром YOLO27 для запланированных примеров обучения.

Почему стоит выбрать Ultralytics YOLO для обучения?#

Вот несколько веских причин выбрать режим Train в YOLO26:

• Эффективность: Используй оборудование максимально эффективно — как в конфигурации с одним GPU, так и при масштабировании на несколько GPU.
• Универсальность: Обучай модели на пользовательских наборах данных, а также на готовых наборах, таких как COCO, VOC и ImageNet.
• Удобство использования: Простые, но мощные интерфейсы CLI и Python для удобного обучения.
• Гибкость гиперпараметров: Широкий набор настраиваемых гиперпараметров для тонкой настройки производительности модели. Для более глубокого контроля ты можешь настроить тренер самостоятельно.
• Обучение в облаке: Обучай модели на облачных GPU через Ultralytics Platform, отслеживая метрики в реальном времени и автоматически сохраняя контрольные точки.

Ключевые возможности режима Train#

Ниже перечислены некоторые важные возможности режима Train в YOLO26:

• Автоматическая загрузка наборов данных: Конфигурации наборов данных с источником загрузки автоматически загружаются при первом использовании, например yolo train data=coco8.yaml. Поддерживаемые форматы и наборы данных см. в обзоре наборов данных.
• Поддержка нескольких GPU: Плавно масштабируй обучение на несколько GPU, чтобы ускорить процесс.
• Настройка гиперпараметров: Возможность изменять гиперпараметры с помощью конфигурационных файлов YAML или аргументов 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 с размером изображения 640. Устройство для обучения можно указать с помощью аргумента device. Если аргумент не передан, при наличии будет использоваться GPU device=0; в противном случае будет использоваться device='cpu'. Полный список аргументов обучения см. в разделе «Аргументы».

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 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

# 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 GPU AMD использует сборку PyTorch ROCm со стандартным синтаксисом device=0 или device=cuda:0. Инструкции по установке и текущий статус поддержки MIGraphX, DirectML и Ryzen AI NPU см. в руководстве по интеграции с AMD.

Для обучения на GPU Intel используется device=xpu:0 или несколько идентификаторов XPU с помощью сборки PyTorch, предоставляющей XCCL.

Обучение на NPU Huawei Ascend#

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

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Train on one Ascend NPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# Train across two Ascend NPUs with HCCL
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

Стандартные функции обучения, включая AMP, валидацию, сохранение контрольных точек и возобновление, используют активный NPU. Функция AutoBatch доступна для обучения на одном NPU, в то время как несколько идентификаторов NPU запускают распределенное обучение через HCCL. Инструкции по экспорту и развертыванию моделей после обучения см. в руководстве по интеграции с Huawei Ascend.

Обучение на незанятом GPU#

Обучение на незанятом GPU автоматически выбирает наименее загруженные GPU в системах с несколькими GPU, оптимизируя использование ресурсов без ручного выбора GPU. Эта возможность определяет доступные GPU на основе показателей загрузки и доступного объёма 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 отдаёт приоритет GPU со следующими характеристиками:

1. Меньший текущий процент загрузки
2. Больший объём доступной памяти (свободная VRAM)
3. Более низкая температура и меньшее энергопотребление

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

Обучение на Apple Silicon с использованием MPS#

Благодаря интегрированной в модели Ultralytics YOLO поддержке чипов Apple silicon теперь можно обучать модели на устройствах, использующих мощную среду Metal Performance Shaders (MPS). MPS обеспечивает высокопроизводительное выполнение вычислений и задач обработки изображений на специализированном кремнии Apple.

Чтобы включить обучение на чипах Apple silicon, при запуске процесса обучения укажи 'mps' в качестве устройства. Ниже приведён пример того, как это можно 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 позволяет эффективнее выполнять задачи обучения. Более подробные рекомендации и расширенные параметры конфигурации см. в документации PyTorch по MPS.

Возобновление прерванного обучения#

Возобновление обучения из ранее сохранённого состояния — важная возможность при работе с моделями глубокого обучения. Она полезна в различных ситуациях: например, если процесс обучения неожиданно прервался или ты хочешь продолжить обучение модели на новых данных либо в течение большего числа эпох.

Когда обучение возобновляется, Ultralytics YOLO загружает веса из последней сохраненной модели, а также восстанавливает состояние оптимизатора, планировщик learning rate, номер эпохи и датасет. Это позволяет беспрепятственно продолжить процесс обучения с того места, где он был прерван. Передай явный data= вместе с resume, чтобы продолжить работу на другом датасете вместо чекпоинта.

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

Ниже приведён пример возобновления прерванного обучения с использованием 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)

При установке resume=True функция train продолжит обучение с места остановки, используя состояние, сохранённое в файле 'path/to/last.pt'. Если аргумент resume не указан или установлен в значение False, функция train начнёт новый сеанс обучения.

Помни, что по умолчанию контрольные точки сохраняются в конце каждой эпохи, а через фиксированные интервалы — с помощью аргумента save_period, поэтому для возобновления запуска обучения необходимо завершить как минимум 1 эпоху.

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. К ключевым настройкам обучения относятся размер пакета, скорость обучения, момент и затухание весов. Кроме того, выбор оптимизатора, функции потерь и состава обучающего набора данных может влиять на процесс обучения. Тщательная настройка и экспериментирование с этими параметрами крайне важны для оптимизации производительности.

Оптимизатор MuSGD#

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

Он рекомендуется для длительных запусков обучения YOLO26 и больших наборов данных, где ортогонализованные обновления Muon могут помочь стабилизировать оптимизацию.

Только двумерные линейные веса и четырёхмерные свёрточные фильтры (изменённые до двумерной формы) получают обновление в стиле Muon вместе с SGD, тогда как все остальные параметры, например веса пакетной нормализации и смещения, остаются на стандартном SGD.

При использовании optimizer=auto Ultralytics автоматически выбирает MuSGD для длительных запусков обучения (обычно при числе итераций > 10000). Для коротких запусков тренер переключается на 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 повышения устойчивости и производительности моделей YOLO за счёт внесения разнообразия в обучающие данные, что помогает модели лучше обобщать на невиданные данные. В следующей таблице описаны назначение и эффект каждого аргумента аугментации:

Эти настройки можно изменять в соответствии с конкретными требованиями набора данных и текущей задачи. Эксперименты с различными значениями помогут найти оптимальную стратегию аугментации, обеспечивающую наилучшую производительность модели.

Журналирование#

Метрики обучения, графики и контрольные точки всегда записываются в каталог запуска, а Ultralytics также передает их в потоковом режиме в любой установленный и включенный трекер экспериментов: Comet, ClearML, TensorBoard, MLflow, Weights & Biases и DVCLive. Каждый ведение логов переключается через настройки Ultralytics, например yolo settings tensorboard=True. Ниже показаны три наиболее распространенные настройки.

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 изменений кода и отслеживание гиперпараметров.

Чтобы использовать Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

Не забудь войти в свою учётную запись Comet на сайте и получить ключ API. Его нужно добавить в переменные окружения или скрипт, чтобы журналировать эксперименты.

ClearML#

ClearML — это платформа с открытым исходным кодом, автоматизирующая отслеживание экспериментов и помогающая эффективно обмениваться ресурсами. Она предназначена для более эффективного управления, выполнения и воспроизведения рабочих процессов ML командами.

Чтобы использовать ClearML:

# pip install clearml
import clearml

clearml.browser_login()

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

TensorBoard#

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

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

Это загрузит TensorBoard и укажет ему каталог, в котором сохранены журналы обучения.

Настроив журналирование, можно продолжить обучение модели. Все метрики обучения будут автоматически записываться на выбранной платформе, и ты сможешь обращаться к этим журналам для отслеживания производительности модели с течением времени, сравнения разных моделей и выявления областей 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 развёртывания. Обучаешь модель на собственных данных, а не на COCO8? Сначала приведи их к нужному формату с помощью руководства по датасетам.

Часто задаваемые вопросы#