Link to this sectionОбучение моделей с помощью Ultralytics YOLO#

Link to this sectionВведение#

Обучение модели глубокого обучения предполагает подачу данных и настройку ее параметров для получения точных предсказаний. Режим Train в Ultralytics YOLO26 разработан для эффективного обучения моделей обнаружения объектов с полным использованием возможностей современного оборудования. Это руководство охватывает все детали, необходимые для начала обучения собственных моделей с помощью широкого набора функций YOLO26.

Link to this sectionПочему стоит выбрать Ultralytics YOLO для обучения?#

Вот несколько веских причин выбрать режим Train в YOLO26:

• Эффективность: Получи максимум от своего оборудования, будь то система с одним GPU или масштабируемое решение на базе нескольких GPU.
• Универсальность: Обучай на собственных наборах данных в дополнение к уже доступным, таким как COCO, VOC и ImageNet.
• Удобство для пользователя: Простые, но мощные интерфейсы CLI и Python для легкого процесса обучения.
• Гибкость гиперпараметров: Широкий спектр настраиваемых гиперпараметров для точной подстройки производительности модели. Для более глубокого контроля ты можешь настроить сам тренер.
• Облачное обучение: Обучай на облачных GPU через Ultralytics Platform с метриками в реальном времени и автоматическим сохранением контрольных точек.

Link to this sectionОсновные функции режима Train#

Ниже представлены некоторые примечательные функции режима Train в YOLO26:

• Автоматическая загрузка датасетов: 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, чтобы ускорить процесс.
• Конфигурация гиперпараметров: Возможность изменять гиперпараметры через YAML-файлы конфигурации или аргументы CLI.
• Визуализация и мониторинг: Отслеживание метрик обучения в реальном времени и визуализация процесса для получения более глубоких данных.

Link to this sectionПримеры использования#

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

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)

Link to this sectionОбучение на нескольких GPU#

Обучение на нескольких GPU позволяет более эффективно использовать доступные аппаратные ресурсы, распределяя нагрузку между ними. Эта функция доступна как через Python API, так и через командную строку. Чтобы включить обучение на нескольких GPU, укажи ID используемых устройств GPU.

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

Link to this sectionОбучение на простаивающем GPU#

Обучение на простаивающем GPU обеспечивает автоматический выбор наименее загруженных GPU в многопроцессорных системах, оптимизируя использование ресурсов без ручного выбора. Эта функция определяет доступные GPU на основе метрик загрузки и доступной видеопамяти (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 автовыбора отдает приоритет GPU с:

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

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

Link to this sectionОбучение 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 специализированных чипах Apple.

Чтобы включить обучение на чипах Apple Silicon, при запуске процесса обучения тебе следует указать 'mps' в качестве устройства. 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 позволяет эффективнее выполнять задачи обучения. Для получения более подробных инструкций и расширенных вариантов конфигурации, пожалуйста, обратись к документации PyTorch MPS.

Link to this sectionВозобновление прерванного обучения#

Возобновление обучения из ранее сохраненного состояния — критически важная функция при работе с моделями глубокого обучения. Это может пригодиться в различных сценариях: например, когда процесс обучения был неожиданно прерван или когда ты хочешь продолжить обучение модели на новых данных или в течение большего количества эпох.

При возобновлении обучения Ultralytics YOLO загружает веса из последней сохраненной модели, а также восстанавливает состояние оптимизатора, планировщика 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 значение True при вызове метода train и указав путь к файлу .pt, содержащему веса частично обученной 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 она остановилась, используя состояние, сохраненное в файле 'path/to/last.pt'. Если аргумент resume опущен 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 запуск обучения.

Link to this sectionНастройки обучения#

Настройки обучения для моделей YOLO включают в себя 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, импульс (momentum) и затухание весов (weight decay). Кроме того, выбор оптимизатора, функции потерь и состав обучающего набора данных могут повлиять на процесс обучения. Тщательная настройка и эксперименты с этими параметрами имеют решающее значение для оптимизации производительности.

Link to this sectionОптимизатор MuSGD#

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

Он рекомендуется для более длительных циклов обучения YOLO26 и больших наборов данных, где ортогонализированные обновления Muon помогают стабилизировать оптимизацию.

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

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

Пример использования:

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

Смотри реализацию в ultralytics/optim/muon.py и логику автовыбора оптимизатора в BaseTrainer.build_optimizer.

Link to this sectionНастройки аугментации и гиперпараметры#

Методы аугментации необходимы для повышения устойчивости и производительности моделей YOLO путем внесения вариативности в training data, что помогает модели лучше обобщать данные на ранее не виденных примерах. В следующей таблице описаны цель и эффект каждого аргумента аугментации:

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

Link to this sectionЛогирование#

При обучении модели YOLO26 тебе может быть полезно отслеживать производительность модели с течением времени. Здесь на помощь приходит логирование. Ultralytics YOLO обеспечивает поддержку трех типов логгеров: Comet, ClearML и TensorBoard.

Чтобы воспользоваться логгером, выбери его в выпадающем меню в приведенном выше фрагменте кода и запусти его. Выбранный логгер будет установлен и инициализирован.

Link to this sectionComet#

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

Чтобы использовать Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

Не забудь войти в свою учетную запись Comet на их сайте и получить свой API ключ. Тебе нужно будет добавить его в переменные окружения или в свой скрипт для логирования экспериментов.

Link to this sectionClearML#

ClearML — это платформа с открытым исходным кодом, которая автоматизирует отслеживание экспериментов и помогает эффективно распределять ресурсы. Она создана для того, 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 свою учетную запись ClearML в браузере и аутентифицировать свой сеанс.

Link to this sectionTensorBoard#

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

Чтобы использовать TensorBoard в Google Colab:

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

Чтобы использовать TensorBoard локально, выполни команду ниже и просмотри результаты по адресу localhost:6006.

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

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

После настройки логгера ты можешь продолжить обучение своей модели. Все метрики обучения будут автоматически записываться на выбранную платформу, и ты сможешь получить доступ к этим логам, чтобы следить за производительностью модели с течением времени, сравнивать разные модели и определять области для улучшения.

Link to this sectionFAQ#

Link to this sectionМожно ли обучаться без локального GPU?#

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

Link to this sectionКак 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 способов:

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.

Link to this sectionКаковы ключевые особенности режима обучения Ultralytics YOLO26?#

Ключевые особенности режима обучения Ultralytics YOLO26 включают:

• Автоматическая загрузка наборов данных: Автоматически загружает стандартные наборы данных, такие как COCO, VOC и ImageNet.
• Поддержка нескольких GPU: Масштабируй обучение на несколько GPU для более быстрой обработки.
• Конфигурация гиперпараметров: Настраивай гиперпараметры с помощью YAML-файлов или аргументов CLI.
• Визуализация и мониторинг: Отслеживание метрик обучения в реальном времени для более глубокого анализа.

Эти функции делают обучение эффективным и адаптируемым под твои нужды. Для получения более подробной информации см. раздел Ключевые особенности режима обучения.

Link to this sectionКак возобновить обучение после прерванного сеанса в Ultralytics YOLO26?#

Чтобы возобновить обучение после прерванного сеанса, установи аргумент resume в значение True и укажи путь к последней сохраненной контрольной точке (checkpoint).

from ultralytics import YOLO

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

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

Ознакомься с разделом Возобновление прерванного обучения для получения дополнительной информации.

Link to this sectionКак обучить модель на несбалансированном наборе данных?#

Дисбаланс классов возникает, когда некоторые классы имеют значительно меньше примеров, чем другие в твоих обучающих данных. Это может привести к плохой работе модели на редких классах. Ultralytics YOLO поддерживает взвешивание классов с помощью аргумента 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)

Link to this sectionМожно ли обучать модели YOLO26 на чипах Apple silicon?#

Да, Ultralytics YOLO26 поддерживает обучение на чипах Apple silicon, используя фреймворк Metal Performance Shaders (MPS). Укажи 'mps' в качестве устройства для обучения.

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.

Link to this sectionКаковы распространенные настройки обучения и как мне их сконфигурировать?#

Ultralytics YOLO26 позволяет конфигурировать различные параметры обучения, такие как размер пакета (batch size), скорость обучения (learning rate), количество эпох и многое другое с помощью аргументов. Вот краткий обзор:

Для получения подробного руководства по настройкам обучения ознакомься с разделом Настройки обучения.