Тренировка модели с Ultralytics YOLO

Введение

Обучение модели глубокого обучения заключается в подаче ей данных и настройке ее параметров таким образом, чтобы она могла делать точные прогнозы. Режим Train в Ultralytics YOLOv8 разработан для эффективного и результативного обучения моделей обнаружения объектов, полностью использующих современные аппаратные возможности. Это руководство призвано рассказать тебе обо всех деталях, необходимых для того, чтобы начать обучение собственных моделей с помощью надежного набора функций YOLOv8.

Смотри: Как обучить модель YOLOv8 на твоем пользовательском наборе данных в Google Colab.

Почему ты выбираешь Ultralytics YOLO для обучения?

Вот несколько убедительных причин, по которым стоит выбрать YOLOv8'Train mode:

Эффективность: Используй максимум возможностей своего оборудования, будь то установка с одним GPU или масштабирование на несколько GPU.
Универсальность: Обучайся на пользовательских наборах данных, а также на легкодоступных, таких как COCO, VOC и ImageNet.
Удобство для пользователя: простые, но мощные интерфейсы CLI и Python обеспечивают простоту обучения.
Гибкость гиперпараметров: Широкий спектр настраиваемых гиперпараметров для тонкой настройки производительности модели.

Ключевые особенности режима поезда

Ниже перечислены некоторые примечательные особенности режима YOLOv8'Train:

Автоматическая загрузка данных: Стандартные наборы данных, такие как COCO, VOC и ImageNet, загружаются автоматически при первом использовании.
Поддержка нескольких GPU: Масштабируй свои тренировочные усилия без проблем на нескольких GPU, чтобы ускорить процесс.
Конфигурация гиперпараметров: Возможность изменять гиперпараметры через конфигурационные файлы YAML или аргументы CLI .
Визуализация и мониторинг: Отслеживание показателей обучения в реальном времени и визуализация процесса обучения для более глубокого понимания.

Наконечник

YOLOv8 Такие наборы данных, как COCO, VOC, ImageNet и многие другие, автоматически загружаются при первом использовании, то есть yolo train data=coco.yaml

Примеры использования

Обучи YOLOv8n на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Устройство для тренировки можно задать с помощью параметра device аргумент. Если ни один аргумент не передан GPU device=0 будет использоваться, если он доступен, в противном случае device='cpu' будет использоваться. Полный список аргументов для тренировки смотри в разделе "Аргументы" ниже.

Пример тренировки на одном GPU и процессоре

Устройство определяется автоматически. Если доступен GPU, то он будет использован, в противном случае тренировка начнется на CPU.

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

Обучение работе с несколькими графическими процессорами

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

Пример тренировки на нескольких процессорах

Чтобы тренироваться с 2 GPU, CUDA-устройствами 0 и 1, используй следующие команды. По мере необходимости расширяйся на дополнительные GPU.

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1

Обучение Apple M1 и M2 MPS

Благодаря поддержке чипов Apple M1 и M2, интегрированных в модели Ultralytics YOLO , теперь можно обучать свои модели на устройствах, использующих мощный фреймворк Metal Performance Shaders (MPS). MPS предлагает высокопроизводительный способ выполнения задач по вычислению и обработке изображений на пользовательском кремнии Apple.

Чтобы включить обучение на чипах Apple M1 и M2, тебе следует указать 'mps' в качестве своего устройства при запуске процесса обучения. Ниже приведен пример того, как это можно сделать в Python и через командную строку:

Пример тренировки MPS

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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='mps')

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

Используя вычислительную мощность чипов M1/M2, это позволяет эффективнее обрабатывать учебные задачи. За более подробным руководством и расширенными возможностями настройки обращайся к документацииPyTorch MPS.

Возобновление прерванных тренировок

Возобновление обучения из ранее сохраненного состояния - важнейшая 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 с новыми данными или в течение большего количества эпох.

Когда обучение возобновляется, 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 прерван.

Ты можешь легко возобновить тренировки в Ultralytics YOLO , установив resume аргумент в пользу True при вызове train и укажи путь к .pt файл, содержащий частично обученные веса модели.

Ниже приведен пример того, как возобновить прерванную тренировку с помощью Python и через командную строку:

Пример подготовки резюме

PythonCLI

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)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

По настройке resume=True, the train Функция продолжит тренировку с того места, где она остановилась, используя состояние, сохраненное в файле 'path/to/last.pt'. Если в процессе тренировки не было достигнуто resume аргумент опущен или установлен в значение False, the train Функция начнет новую тренировку.

Помни, что контрольные точки сохраняются в конце каждой эпохи по умолчанию или с фиксированным интервалом с помощью команды save_period аргумент, поэтому для возобновления тренировочного забега ты должен завершить хотя бы 1 эпоху.

Настройки поезда

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. К ключевым настройкам обучения относятся размер партии, скорость обучения, импульс и затухание веса. Кроме того, выбор оптимизатора, функции потерь и состава тренировочного набора данных может повлиять на процесс обучения. Тщательная настройка и эксперименты с этими настройками очень важны для оптимизации производительности.

Аргумент	По умолчанию	Описание
`model`	`None`	Указывает файл модели для обучения. Принимает путь либо к `.pt` предварительно обученная модель или `.yaml` файл конфигурации. Необходим для определения структуры модели или инициализации весов.
`data`	`None`	Путь к файлу конфигурации набора данных (например, `coco8.yaml`). Этот файл содержит специфические для набора данных параметры, включая пути к тренировочным и проверочным данным, названия классов и их количество.
`epochs`	`100`	Общее количество тренировочных эпох. Каждая эпоха представляет собой полный проход по всему набору данных. Настройка этого значения может повлиять на продолжительность обучения и производительность модели.
`time`	`None`	Максимальное время тренировки в часах. Если установлено, то оно отменяет значение `epochs` аргумент, позволяющий автоматически прекратить тренировку по истечении указанной продолжительности. Полезно для сценариев тренировок с ограниченным временем.
`patience`	`100`	Количество эпох, которое нужно подождать, пока не улучшатся показатели валидации, чтобы досрочно прекратить обучение. Помогает предотвратить чрезмерную подгонку, останавливая обучение, когда производительность достигает плато.
`batch`	`16`	Размер партии для обучения, указывающий, сколько изображений обрабатывается перед обновлением внутренних параметров модели. AutoBatch (`batch=-1`) динамически регулирует размер партии в зависимости от доступности памяти GPU.
`imgsz`	`640`	Целевой размер изображения для обучения. Перед подачей в модель все изображения изменяются до этого размера. Влияет на точность модели и вычислительную сложность.
`save`	`True`	Включает сохранение контрольных точек тренировки и финальных весов модели. Полезно для возобновления тренировки или развертывания модели.
`save_period`	`-1`	Частота сохранения контрольных точек модели, указывается в эпохах. Значение -1 отключает эту функцию. Полезно для сохранения промежуточных моделей во время длительных тренировок.
`cache`	`False`	Включает кэширование изображений наборов данных в памяти (`True`/`ram`), на диске (`disk`), или отключить его (`False`). Повышает скорость тренировок за счет снижения дискового ввода-вывода ценой увеличения использования памяти.
`device`	`None`	Указывается вычислительное устройство (устройства) для обучения: один GPU (`device=0`), несколько графических процессоров (`device=0,1`), ПРОЦЕССОР (`device=cpu`), или MPS для кремния Apple (`device=mps`).
`workers`	`8`	Количество рабочих потоков для загрузки данных (на `RANK` если тренировка на нескольких процессорах). Влияет на скорость предварительной обработки данных и подачи их в модель, особенно полезно при работе на нескольких GPU.
`project`	`None`	Имя директории проекта, в которой сохраняются результаты тренировок. Позволяет организовать хранение различных экспериментов.
`name`	`None`	Название тренировочного прогона. Используется для создания подкаталога в папке проекта, где будут храниться журналы тренировок и результаты.
`exist_ok`	`False`	Если значение True, это позволяет перезаписать существующий каталог с проектом/именем. Полезно для итеративных экспериментов без необходимости вручную очищать предыдущие результаты.
`pretrained`	`True`	Определяет, начинать ли обучение с предварительно обученной модели. Может быть булевым значением или строковым путем к конкретной модели, из которой загружаются веса. Повышает эффективность обучения и производительность модели.
`optimizer`	`'auto'`	Выбери оптимизатор для тренировки. Варианты включают в себя `SGD`, `Adam`, `AdamW`, `NAdam`, `RAdam`, `RMSProp` и т.д., или `auto` для автоматического выбора на основе конфигурации модели. Влияет на скорость сходимости и стабильность.
`verbose`	`False`	Включает подробный вывод информации во время тренировки, предоставляя подробные журналы и обновления прогресса. Полезно для отладки и тщательного контроля процесса тренировки.
`seed`	`0`	Задает случайное зерно для тренировки, обеспечивая воспроизводимость результатов в прогонах с одинаковыми конфигурациями.
`deterministic`	`True`	Принуждает использовать детерминированные алгоритмы, что обеспечивает воспроизводимость, но может повлиять на производительность и скорость из-за ограничения на недетерминированные алгоритмы.
`single_cls`	`False`	Во время обучения все классы в многоклассовых наборах данных рассматриваются как один класс. Полезно для задач бинарной классификации или когда внимание сосредоточено на присутствии объекта, а не на классификации.
`rect`	`False`	Включает прямоугольную тренировку, оптимизируя состав партии для минимальной набивки. Это может повысить эффективность и скорость, но может повлиять на точность модели.
`cos_lr`	`False`	Использует косинусный планировщик скорости обучения, настраивая скорость обучения по косинусной кривой в течение эпох. Помогает управлять скоростью обучения для лучшей сходимости.
`close_mosaic`	`10`	Отключает увеличение мозаичных данных в последние N эпох, чтобы стабилизировать тренировку перед завершением. Установка значения 0 отключает эту функцию.
`resume`	`False`	Возобнови тренировку с последней сохраненной контрольной точки. Автоматически загружает веса модели, состояние оптимизатора и количество эпох, продолжая тренировку без проблем.
`amp`	`True`	Включает автоматическое обучение со смешанной точностью (AMP), что уменьшает расход памяти и, возможно, ускоряет обучение с минимальным влиянием на точность.
`fraction`	`1.0`	Указывает, какую часть набора данных использовать для обучения. Позволяет тренироваться на подмножестве полного набора данных, что полезно для экспериментов или при ограниченных ресурсах.
`profile`	`False`	Позволяет профилировать скорости ONNX и TensorRT во время тренировки, что полезно для оптимизации развертывания модели.
`freeze`	`None`	Замораживай первые N слоев модели или указанные слои по индексу, уменьшая количество обучаемых параметров. Полезно для тонкой настройки или трансферного обучения.
`lr0`	`0.01`	Начальная скорость обучения (т.е. `SGD=1E-2`, `Adam=1E-3`) . Настройка этого значения имеет решающее значение для процесса оптимизации, влияя на то, как быстро обновляются веса моделей.
`lrf`	`0.01`	Конечная скорость обучения как доля от начальной скорости = (`lr0 * lrf`), используемые вместе с планировщиками для регулировки скорости обучения с течением времени.
`momentum`	`0.937`	Момент-фактор для SGD или beta1 для оптимизаторов Адама, влияющий на включение прошлых градиентов в текущее обновление.
`weight_decay`	`0.0005`	Член регуляризации L2, штрафующий большие веса, чтобы предотвратить перебор.
`warmup_epochs`	`3.0`	Количество эпох для разогрева скорости обучения, постепенно увеличивая скорость обучения от низкого значения до начальной скорости обучения, чтобы стабилизировать обучение на ранних этапах.
`warmup_momentum`	`0.8`	Начальный импульс для фазы разминки, постепенно подстраиваясь под заданный импульс в течение всего периода разминки.
`warmup_bias_lr`	`0.1`	Скорость обучения параметров смещения во время фазы разминки, помогающая стабилизировать обучение модели в начальных эпохах.
`box`	`7.5`	Вес компонента box loss в функции потерь, влияющий на то, насколько большое внимание уделяется точному предсказанию координат bounding box.
`cls`	`0.5`	Вес классификационных потерь в общей функции потерь, влияющий на важность правильного предсказания класса относительно других компонентов.
`dfl`	`1.5`	Вес фокусной потери распределения, используемый в некоторых версиях YOLO для более тонкой классификации.
`pose`	`12.0`	Вес потери позы в моделях, обученных для оценки позы, влияет на акцент на точное предсказание ключевых точек позы.
`kobj`	`2.0`	Вес потери объектности ключевой точки в моделях оценки позы, балансирующий между уверенностью в обнаружении и точностью позы.
`label_smoothing`	`0.0`	Применяет сглаживание меток, смягчая жесткие метки до смеси целевой метки и равномерного распределения по меткам, что может улучшить обобщение.
`nbs`	`64`	Номинальный размер партии для нормализации потерь.
`overlap_mask`	`True`	Определяет, должны ли маски сегментации перекрываться во время обучения, что применимо в задачах сегментации экземпляров.
`mask_ratio`	`4`	Коэффициент понижения дискретизации для масок сегментации, влияющий на разрешение масок, используемых во время обучения.
`dropout`	`0.0`	Показатель отсева для регуляризации в задачах классификации, предотвращающий перебор с помощью случайного исключения единиц во время обучения.
`val`	`True`	Включает валидацию во время обучения, позволяя периодически оценивать производительность модели на отдельном наборе данных.
`plots`	`False`	Генерирует и сохраняет графики метрик обучения и проверки, а также примеры предсказаний, обеспечивая визуальное представление о производительности модели и прогрессе обучения.

Настройки дополнения и гиперпараметры

Методы дополнения важны для повышения робастности и производительности моделей YOLO за счет внесения изменчивости в обучающие данные, что помогает модели лучше обобщаться на невидимые данные. В следующей таблице описаны цель и эффект каждого аргумента аугментации:

Аргумент	Тип	По умолчанию	Диапазон	Описание
`hsv_h`	`float`	`0.015`	`0.0 - 1.0`	Корректирует оттенок изображения на долю цветового круга, внося вариативность цвета. Помогает модели обобщать различные условия освещения.
`hsv_s`	`float`	`0.7`	`0.0 - 1.0`	Изменяет насыщенность изображения на доли, влияя на интенсивность цветов. Полезно для имитации различных условий окружающей среды.
`hsv_v`	`float`	`0.4`	`0.0 - 1.0`	Изменяет значение (яркость) изображения на долю, помогая модели хорошо проявить себя при различных условиях освещения.
`degrees`	`float`	`0.0`	`-180 - +180`	Произвольно поворачивает изображение в заданном диапазоне градусов, улучшая способность модели распознавать объекты с различной ориентацией.
`translate`	`float`	`0.1`	`0.0 - 1.0`	Переводит изображение по горизонтали и вертикали на долю размера изображения, помогая научиться обнаруживать частично видимые объекты.
`scale`	`float`	`0.5`	`>=0.0`	Масштабируй изображение по коэффициенту усиления, имитируя объекты на разных расстояниях от камеры.
`shear`	`float`	`0.0`	`-180 - +180`	Обрезай изображение на заданный градус, имитируя эффект предметов, рассматриваемых под разными углами.
`perspective`	`float`	`0.0`	`0.0 - 0.001`	Применяет к изображению случайное преобразование перспективы, улучшая способность модели понимать объекты в трехмерном пространстве.
`flipud`	`float`	`0.0`	`0.0 - 1.0`	Переворачивает изображение с заданной вероятностью, увеличивая вариативность данных без ущерба для характеристик объекта.
`fliplr`	`float`	`0.5`	`0.0 - 1.0`	Переворачивай изображение слева направо с заданной вероятностью, что полезно для изучения симметричных объектов и увеличения разнообразия датасетов.
`bgr`	`float`	`0.0`	`0.0 - 1.0`	Переворачивай каналы изображения из RGB в BGR с заданной вероятностью, что полезно для повышения устойчивости к неправильному упорядочиванию каналов.
`mosaic`	`float`	`1.0`	`0.0 - 1.0`	Объединяет четыре тренировочных изображения в одно, имитируя различные композиции сцены и взаимодействие объектов. Высокоэффективно для понимания сложных сцен.
`mixup`	`float`	`0.0`	`0.0 - 1.0`	Смешивай два изображения и их метки, создавая составное изображение. Усиливает способность модели к обобщению, вводя шум от меток и визуальную изменчивость.
`copy_paste`	`float`	`0.0`	`0.0 - 1.0`	Копирует объекты с одного изображения и вставляет их на другое, что полезно для увеличения количества экземпляров объектов и изучения окклюзии объектов.
`auto_augment`	`str`	`randaugment`	-	Автоматическое применение предопределенной политики аугментации (`randaugment`, `autoaugment`, `augmix`), оптимизируя для задач классификации за счет разнообразия визуальных признаков.
`erasing`	`float`	`0.4`	`0.0 - 0.9`	Случайно стирает часть изображения во время обучения классификации, побуждая модель сосредоточиться на менее очевидных признаках для распознавания.
`crop_fraction`	`float`	`1.0`	`0.1 - 1.0`	Обрезает классификационное изображение до меньшего размера, чтобы подчеркнуть центральные особенности и адаптироваться к масштабам объектов, уменьшая фоновые отвлекающие факторы.

Эти параметры могут быть изменены в соответствии с конкретными требованиями набора данных и поставленной задачи. Экспериментирование с различными значениями поможет найти оптимальную стратегию дополнения, которая приведет к наилучшей производительности модели.

Информация

Подробнее о тренировочных операциях с аугментацией читай в справочном разделе.

Запись в журнале

При обучении модели YOLOv8 тебе может показаться ценным отслеживать ее работу в течение определенного времени. Вот тут-то и вступает в игру логирование. Ultralytics' YOLO обеспечивает поддержку трех типов 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 ученым, изучающим данные, и разработчикам отслеживать, сравнивать, объяснять и оптимизировать эксперименты и модели. Она предоставляет такие функциональные возможности, как метрики в реальном времени, различия в коде и отслеживание гиперпараметров.

Чтобы использовать Comet:

Пример

Python

# pip install comet_ml
import comet_ml

comet_ml.init()

Не забудь войти в свой аккаунт Comet на их сайте и получить свой API-ключ. Тебе нужно будет добавить его в переменные окружения или в свой скрипт для регистрации экспериментов.

ClearML

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

Чтобы использовать ClearML:

Пример

Python

# 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 TensorFlow -граф, строить количественные метрики о выполнении твоего графа и показывать дополнительные данные, например изображения, которые проходят через него.

Чтобы использовать TensorBoard в Google Colab:

Пример

CLI

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

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

Пример

CLI

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

Это загрузит TensorBoard и направит его в директорию, где сохранены твои журналы тренировок.

После настройки логгера ты можешь приступать к тренировке модели. Все показатели тренировки будут автоматически регистрироваться в выбранной тобой платформе, и ты сможешь обращаться к этим логам, чтобы отслеживать эффективность своей модели с течением времени, сравнивать разные модели и выявлять области для улучшения.

Создано 2023-11-12, Обновлено 2024-04-23
Авторы: dependabot[bot] (1), glenn-jocher (10), fcakyon (1), Laughing-q (2), Burhan-Q (1)

Тренировка модели с Ultralytics YOLO

Введение

Почему ты выбираешь Ultralytics YOLO для обучения?

Ключевые особенности режима поезда

Примеры использования

Обучение работе с несколькими графическими процессорами

Обучение Apple M1 и M2 MPS

Возобновление прерванных тренировок

Настройки поезда

Настройки дополнения и гиперпараметры

Запись в журнале

Comet

ClearML

TensorBoard

Комментарии