Обучение моделей с помощью Ultralytics YOLO

Введение

Обучение глубокой нейросети предполагает подачу данных и настройку ее параметров для получения точных предсказаний. Режим обучения (Train mode) в Ultralytics YOLO26 разработан для эффективного и продуктивного 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.

Почему стоит выбрать Ultralytics YOLO для обучения?

Вот несколько убедительных причин выбрать режим обучения YOLO26:

• Эффективность: Используй возможности оборудования по максимуму, будь то конфигурация с одним GPU или масштабирование на несколько GPU.
• Универсальность: Обучай на собственных наборах данных, а также на общедоступных, таких как COCO, VOC и ImageNet.
• Удобство для пользователя: Простые, но мощные интерфейсы CLI и Python для понятного процесса обучения.
• Гибкость гиперпараметров: Широкий спектр настраиваемых гиперпараметров для точной подстройки производительности модели. Для более глубокого контроля ты можешь настроить сам процесс обучения.
• Облачное обучение: Обучай на облачных GPU через Ultralytics Platform с отслеживанием метрик в реальном времени и автоматическим сохранением чекпоинтов.

Основные возможности режима обучения (Train Mode)

Ниже приведены некоторые примечательные функции режима обучения YOLO26:

• Автоматическая загрузка датасетов: Стандартные наборы данных, такие как COCO, VOC и ImageNet, загружаются автоматически при первом использовании.
• Поддержка нескольких GPU: Беспрепятственно масштабируй процесс обучения на несколько GPU для его ускорения.
• 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 получения наглядных результатов.

Примеры использования

Обучи YOLO26n на датасете COCO8 на протяжении 100 эпох при размере изображения 640. Устройство для обучения можно указать с помощью аргумента device. Если аргумент не задан, будет использован GPU device=0 (если он доступен), в противном случае будет использован device='cpu'. Полный список аргументов обучения см. в разделе 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)

Обучение 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 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 загруженные GPU в многопроцессорных системах, оптимизируя использование ресурсов без ручного выбора устройств. Эта функция определяет доступные GPU на основе метрик загрузки и объема доступной 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 (свободной VRAM)
3. Более низкой температурой и энергопотреблением

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

Обучение с использованием Apple Silicon MPS

Благодаря поддержке чипов Apple Silicon, интегрированной в модели Ultralytics YOLO, теперь можно обучать модели на устройствах с использованием мощного фреймворка 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, при инициализации процесса обучения укажи 'mps' в качестве устройства. Ниже приведен 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 обрабатывать задачи обучения. Для получения более подробных инструкций и расширенных параметров конфигурации обратись к документации PyTorch MPS.

Возобновление прерванного обучения

Возобновление обучения с ранее сохраненного состояния — важная функция при работе с моделями глубокого обучения. Это пригодится в различных ситуациях, например, если процесс обучения был неожиданно прерван или ты хочешь продолжить обучение модели на новых данных или в течение большего количества эпох.

При возобновлении обучения Ultralytics YOLO загружает веса последней сохраненной модели, а также восстанавливает состояние оптимизатора, планировщик скорости обучения и номер эпохи. Это позволяет плавно 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 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 оно было остановлено, используя состояние, сохраненное в файле 'path/to/last.pt'. Если аргумент resume опущен или установлен в False, функция train начнет новую сессию обучения.

Помни, что чекпоинты 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 параметры обучения включают размер батча (batch size), скорость обучения, импульс (momentum) и коэффициент затухания весов (weight decay). Кроме того, выбор оптимизатора, функции потерь и состава обучающего набора данных могут влиять на процесс обучения. Тщательная настройка и эксперименты с этими параметрами критически важны для оптимизации производительности.

Оптимизатор MuSGD

В YOLO26 MuSGD — это гибридный оптимизатор, объединяющий стандартные обновления SGD с ортогональными обновлениями в стиле Muon.

Он рекомендуется для длительных сессий обучения YOLO26 и больших наборов данных, где ортогональные обновления Muon помогают стабилизировать процесс оптимизации.

Только параметры с param.ndim >= 2 (например, веса сверточных слоев) получают обновления в стиле Muon вместе с SGD, в то время как низкоразмерные параметры, такие как слои пакетной нормализации и коэффициенты смещения (bias), остаются на стандартном SGD.

Когда используется optimizer=auto, Ultralytics автоматически выбирает MuSGD для длительных сессий обучения (обычно при итерациях > 10000). Для коротких сессий 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 автовыбора оптимизатора в BaseTrainer.build_optimizer.

Настройки аугментации и гиперпараметры

Методы аугментации важны для повышения устойчивости и производительности моделей YOLO путем внесения вариативности в обучающие данные, что помогает модели лучше обобщать на незнакомые данные. В следующей таблице описаны цель и эффект каждого аргумента аугментации:

Эти настройки можно регулировать в соответствии с конкретными требованиями датасета и задачи. Эксперименты с различными значениями помогут найти оптимальную стратегию аугментации, которая приведет к лучшей производительности модели.

Логирование

При обучении модели YOLO26 может быть полезно отслеживать ее производительность во времени. Здесь на помощь приходит логирование. Ultralytics YOLO поддерживает три типа логгеров: Comet, ClearML и TensorBoard.

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

Comet

Comet — это платформа, которая позволяет дата-сайентистам и разработчикам отслеживать, сравнивать, объяснять и оптимизировать эксперименты и модели. Она предоставляет такие функциональные возможности, 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 свою учетную запись Comet на их сайте и получить API-ключ. Тебе нужно будет добавить его в свои переменные окружения или скрипт для логирования экспериментов.

ClearML

ClearML — это платформа с открытым исходным кодом, которая автоматизирует отслеживание экспериментов и помогает эффективно распределять ресурсы. Она создана для того, чтобы помочь командам эффективнее 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 авторизовать сессию.

TensorBoard

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

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 переходить к обучению модели. Все метрики обучения будут автоматически записываться на выбранную платформу, и ты сможешь получить доступ к этим логам, чтобы отслеживать производительность модели с течением времени, сравнивать разные модели и находить области для улучшения.

Часто задаваемые вопросы (FAQ)

Могу ли я обучать без локального GPU?

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

Как обучить модель обнаружения объектов с помощью Ultralytics YOLO26?

Для обучения модели обнаружения объектов с помощью Ultralytics YOLO26 ты можешь использовать Python API или 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.

Каковы ключевые особенности режима обучения Ultralytics YOLO26?

К ключевым 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 более быстрой обработки.
• Конфигурация гиперпараметров: Настраивай гиперпараметры через YAML-файлы или аргументы CLI.
• Визуализация и мониторинг: Отслеживание метрик обучения в реальном времени для лучшего понимания процесса.

Эти функции делают обучение эффективным и настраиваемым под твои нужды. Для получения дополнительной информации см. раздел Ключевые особенности режима обучения.

Как возобновить обучение после прерванной сессии в Ultralytics YOLO26?

Чтобы возобновить обучение после прерванной сессии, 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.

Как обучить модель на несбалансированном наборе данных?

Дисбаланс классов возникает, когда в твоих обучающих данных для одних классов примеров значительно меньше, 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 обучать 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 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 дополнительной информации обратись к разделу Обучение на Apple Silicon MPS.

Каковы общие настройки обучения и как их сконфигурировать?

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

Для подробного руководства по настройкам обучения изучи раздел Настройки обучения.