Обучение моделей с помощью Ultralytics YOLO#

Введение#

Обучение модели deep learning заключается в подаче в нее данных и настройке ее параметров для получения точных предсказаний. Режим тренировки в Ultralytics YOLO26 разработан для эффективного и результативного обучения моделей обнаружения объектов с полным задействованием возможностей современного оборудования. Это руководство призвано охватить все детали, необходимые для начала обучения собственных моделей с использованием надежного набора функций YOLO26. Если ты еще не установил Ultralytics, начни с руководства по быстрому старту.

Почему 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 настройки производительности модели. Для более глубокого контроля ты можешь настроить сам модуль обучения (trainer).
• Облачное обучение: Обучайся на облачных GPU с помощью платформы Ultralytics Platform с метриками в реальном времени и автоматическим сохранением чекпоинтов.

Основные функции режима Train#

Ниже представлены некоторые примечательные функции режима Train в YOLO26:

• Автоматическая загрузка датасетов: Конфигурации датасетов с источником загрузки скачиваются автоматически при первом использовании, например, yolo train data=coco8.yaml. См. обзор датасетов для ознакомления с поддерживаемыми форматами и наборами данных.
• 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.

Примеры 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 использоваться GPU device=0, в противном случае — 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)

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 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

Обучение на AMD GPU использует сборку PyTorch ROCm со стандартным синтаксисом device=0 или device=cuda:0. См. руководство по интеграции с AMD для получения информации об установке и текущем статусе поддержки MIGraphX, DirectML и Ryzen AI NPU.

Обучение на Intel GPU использует device=xpu:0 или несколько идентификаторов XPU со сборкой PyTorch, предоставляющей XCCL.

Обучение на NPU Huawei Ascend#

Ultralytics поддерживает обучение и валидацию на Huawei Ascend NPU через torch_npu. Установи взаимосовместимые версии CANN, PyTorch и torch_npu, следуя руководству по установке расширения Ascend для PyTorch, а затем инициализируй 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, создание чекпоинтов и возобновление, используют активный NPU. AutoBatch доступен для обучения на одном NPU, в то время как несколько идентификаторов NPU запускают распределенное обучение через HCCL. См. руководство по интеграции с Huawei Ascend для экспорта модели и ее развертывания после обучения.

Обучение 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.

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 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 обрабатывать задачи обучения. Более подробные инструкции и расширенные параметры конфигурации см. в документации PyTorch MPS.

Возобновление 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 последней сохраненной модели, а также восстанавливает состояние оптимизатора, планировщик скорости обучения и номер эпохи. Это позволяет продолжить процесс обучения с того места, где он был прерван.

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 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 новый сеанс обучения.

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

Настройки обучения#

Настройки обучения для моделей YOLO включают в себя различные гиперпараметры и конфигурации, используемые в процессе обучения. Эти параметры влияют на производительность, скорость и точность модели. К ключевым настройкам обучения относятся размер батча (batch size), скорость обучения (learning rate), моментум и затухание веса (weight decay). Кроме того, выбор оптимизатора, функции потерь и состава обучающего набора данных может 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 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 двумерные линейные веса и четырехмерные сверточные фильтры (приведенные к двумерному виду) получают обновление в стиле Muon совместно с SGD, в то время как все остальные параметры, такие как веса пакетной нормализации и члены смещения, остаются на стандартном SGD.

Когда используется optimizer=auto, Ultralytics автоматически выбирает MuSGD для более длительных циклов обучения (обычно при количестве итераций > 10000). Для более коротких циклов 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 играют ключевую роль в повышении надежности и производительности моделей YOLO за счет внесения вариативности в обучающие данные, помогая модели лучше обобщать данные, с которыми она не сталкивалась ранее. В следующей таблице описаны назначение 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.

Логирование#

При обучении модели YOLO26 вам может оказаться полезным отслеживать производительность модели с течением времени. Именно здесь в дело вступает логирование. Ultralytics YOLO поддерживает три типа 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.

Comet#

Comet — это платформа, которая позволяет специалистам по работе с данными 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 свой API ключ. Тебе нужно будет добавить его в переменные окружения или в свой скрипт для логирования экспериментов.

ClearML#

ClearML — это платформа с открытым исходным кодом, которая автоматизирует отслеживание экспериментов и помогает эффективно делиться ресурсами. Она создана для того, чтобы помочь командам более эффективно управлять своими задачами в области машинно обучения, выполнять их и воспроизводить.

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.

TensorBoard#

TensorBoard — это набор инструментов визуализации для TensorFlow. Он позволяет визуализировать ваш граф TensorFlow, строить графики количественных метрик выполнения вашего графа и отображать дополнительные данные, такие как 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, выполните следующую команду и посмотрите 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.

Что дальше#

Проверь (выполни валидацию) свою обученную модель на отложенных данных, чтобы оценить ее точность в реальных условиях, а затем экспортируй ее в ONNX, TensorRT или другой формат развертывания. Обучаешься на собственных данных вместо COCO8? Сначала отформатируй их с помощью руководства по датасетам.

FAQ#

Можно ли обучаться без локального GPU?#

Да. Облачное обучение на платформе Ultralytics Platform включает бесплатные кредиты для начала работы. Загрузи свой датасет, выбери модель и GPU и запускай обучение прямо из браузера.

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 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 обратитесь к разделу Настройки обучения.

Каковы 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 настраиваемым под твои нужды. Для получения более подробной информации см. раздел Ключевые особенности режима тренировки.

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 ознакомьтесь с разделом Возобновление прерванного обучения.

Как обучить модель на несбалансированном наборе данных?#

Дисбаланс классов возникает, когда в обучающих данных для некоторых классов примеров значительно меньше, чем для других. Это может привести к тому, что модель будет плохо работать с редкими классами. Для решения этой проблемы Ultralytics YOLO поддерживает взвешивание классов с помощью аргумента cls_pw.

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 между 0.0 и 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)

Можно 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 обратитесь к разделу Обучение на Apple Silicon MPS.

Каковы 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 ознакомьтесь с разделом Настройки обучения.