Обучение модели с Ultralytics YOLO

Q: What are the key features of Ultralytics YOLO11's Train mode?

Ключевые особенности режима "Тренировка" Ultralytics YOLO11 включают в себя: Эти функции делают тренировки эффективными и настраиваются под ваши нужды. Более подробную информацию см. в разделе "Ключевые особенности режима "Тренировка"".

Ultralytics YOLO Экосистема и интеграции

Введение

Обучение модели глубокого обучения заключается в подаче ей данных и настройке ее параметров таким образом, чтобы она могла делать точные прогнозы. Режим обучения в Ultralytics YOLO11 разработан для эффективного и результативного обучения моделей обнаружения объектов, полностью использующих возможности современного оборудования. Это руководство призвано рассказать обо всех деталях, необходимых для начала обучения собственных моделей с использованием надежного набора функций YOLO11.

Смотреть: Как обучить модель YOLO на вашем пользовательском наборе данных в Google Colab.

Почему стоит выбрать Ultralytics YOLO для обучения?

Вот несколько веских причин выбрать режим "Поезд" на сайте YOLO11:

Эффективность: Максимально используйте возможности своего оборудования, будь то установка с однимGPU или масштабирование на несколько GPU.
Универсальность: Обучение на пользовательских наборах данных в дополнение к легкодоступным, таким как COCO, VOC и ImageNet.
Удобство для пользователя: простые, но мощные интерфейсы CLI и Python обеспечивают простоту обучения.
Гибкость гиперпараметров: Широкий диапазон настраиваемых гиперпараметров для точной настройки производительности модели.

Ключевые особенности режима поезда

Ниже перечислены некоторые особенности режима "Поезд" на сайте YOLO11:

Автоматическая загрузка наборов данных: Стандартные наборы данных, такие как COCO, VOC и ImageNet, загружаются автоматически при первом использовании.
Поддержка несколькихGPU : Масштабируйте свои усилия по обучению, используя несколько графических процессоров, чтобы ускорить процесс.
Конфигурация гиперпараметров: Возможность изменять гиперпараметры с помощью конфигурационных файлов YAML или аргументов CLI .
Визуализация и мониторинг: Отслеживание показателей обучения в режиме реального времени и визуализация процесса обучения для более глубокого понимания.

Наконечник

YOLO11 Такие наборы данных, как COCO, VOC, ImageNet и многие другие, автоматически загружаются при первом использовании, т.е. yolo train data=coco.yaml

Примеры использования

Обучение YOLO11n на наборе данных COCO8 для 100 эпохи при размере изображения 640. Устройство для обучения можно указать с помощью device аргумент. Если аргумент не передан GPU device=0 будет использоваться, если он доступен, в противном случае device='cpu' будет использоваться. Полный список аргументов для обучения см. в разделе Аргументы ниже.

ОдиночныйGPU и CPU пример обучения

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

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.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=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.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=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

МультиGPU Обучение

Обучение с использованием несколькихGPU позволяет более эффективно использовать доступные аппаратные ресурсы, распределяя обучающую нагрузку между несколькими графическими процессорами. Эта функция доступна как через API Python , так и через интерфейс командной строки. Чтобы включить мультиGPU обучение, укажите идентификаторы устройств GPU , которые вы хотите использовать.

МультиGPU Пример обучения

Для обучения на 2 GPU, CUDA устройства 0 и 1, используйте следующие команды. При необходимости расширьте систему на дополнительные GPU.

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640 device=0,1

Apple Silicon MPS Обучение

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

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

MPS Пример обучения

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Используя вычислительную мощность кремниевых чипов Apple, это позволяет эффективнее обрабатывать учебные задачи. За более подробными инструкциями и расширенными возможностями настройки обращайтесь к документацииPyTorch MPS .

Возобновление прерванных тренировок

Возобновление обучения из ранее сохраненного состояния - важнейшая функция при работе с моделями глубокого обучения. Она может пригодиться в различных ситуациях, например, когда процесс обучения был неожиданно прерван, или когда вы хотите 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 число эпох. Это позволяет продолжить процесс обучения с того места, где он был прерван.

Вы можете легко возобновить обучение на сайте Ultralytics YOLO , установив resume аргумент в пользу True при вызове train и указать путь к методу .pt файл, содержащий веса частично обученной модели.

Ниже приведен пример возобновления прерванной тренировки с помощью Python и командной строки:

Резюме Пример обучения

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 файле resume аргумент опущен или установлен на False, the train функция начнет новую тренировку.

Помните, что контрольные точки сохраняются в конце каждой эпохи по умолчанию или через фиксированные промежутки времени с помощью параметра save_period аргумент, поэтому для возобновления тренировки необходимо завершить как минимум 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. Основные параметры обучения включают размер партии, скорость обучения, импульс и затухание веса. Кроме того, на процесс обучения влияют выбор оптимизатора, функции потерь и состав наборов данных для обучения. Тщательная настройка и эксперименты с этими параметрами имеют решающее значение 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 данные проверки, названия классов и их количество.
`epochs`	`100`	Общее количество эпох обучения. 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 обучения в часах. Если задано, оно отменяет значение `epochs` аргумент, позволяющий автоматически прекратить обучение по истечении указанной продолжительности. Полезно для сценариев обучения с ограниченным временем.
`patience`	`100`	Количество эпох, которое необходимо выждать при отсутствии улучшений в метриках проверки перед досрочным прекращением обучения. Помогает предотвратить чрезмерную подгонку, останавливая обучение, когда производительность достигает плато.
`batch`	`16`	Размер партии, с тремя режимами: задается как целое число (например, `batch=16`), автоматический режим для 60 % использования памяти GPU (`batch=-1`), или автоматический режим с заданной долей использования (`batch=0.70`).
`imgsz`	`640`	Целевой размер изображения для обучения. Перед подачей в модель все изображения изменяются до этого размера. Влияет на точность модели и сложность вычислений.
`save`	`True`	Позволяет сохранить контрольные точки обучения и окончательные веса модели. Полезно для возобновления обучения или развертывания модели.
`save_period`	`-1`	Частота сохранения контрольных точек модели, задается 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 обучения за счет снижения дискового ввода-вывода ценой увеличения использования памяти.
`device`	`None`	Указание вычислительного устройства (устройств) для обучения: один GPU (`device=0`), несколько графических процессоров (`device=0,1`), CPU (`device=cpu`), или MPS для кремния Apple (`device=mps`).
`workers`	`8`	Количество рабочих потоков для загрузки данных (на `RANK` если обучение многоGPU ). Влияет на скорость предварительной обработки данных и подачи их в модель, особенно полезно при использовании несколькихGPU установок.
`project`	`None`	Имя директории проекта, в которой сохраняются результаты обучения. Позволяет организовать хранение различных экспериментов.
`name`	`None`	Имя тренировочного прогона. Используется для создания подкаталога в папке проекта, в котором хранятся журналы тренировок и выходные данные.
`exist_ok`	`False`	Если значение True, позволяет перезаписать существующий каталог проекта/имени. 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'`	Выбор оптимизатора для обучения. Варианты включают `SGD`, `Adam`, `AdamW`, `NAdam`, `RAdam`, `RMSProp` и т.д., или `auto` для автоматического выбора на основе конфигурации модели. Влияет на скорость и стабильность сходимости.
`seed`	`0`	Устанавливает случайное зерно для обучения, 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 недетерминированных алгоритмов.
`single_cls`	`False`	При обучении рассматривает все классы в многоклассовых наборах данных как один класс. Полезно для задач бинарной классификации или когда внимание сосредоточено на присутствии объекта, а не на классификации.
`classes`	`None`	Указывает список идентификаторов классов для обучения. Полезно для фильтрации и фокусировки только на определенных классах во время обучения.
`rect`	`False`	Позволяет проводить прямоугольное обучение, оптимизируя состав партии для минимального наполнения. Это может повысить эффективность и скорость, но может повлиять на точность модели.
`cos_lr`	`False`	Использует косинусный планировщик скорости обучения, регулируя 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 для стабилизации обучения перед завершением. Установка значения 0 отключает эту функцию.
`resume`	`False`	Возобновление обучения с последней сохраненной контрольной точки. Автоматическая загрузка весов модели, состояния оптимизатора и количества эпох, что позволяет беспрепятственно продолжить обучение.
`amp`	`True`	Включает автоматическое обучение со смешанной точностью (AMP), что позволяет сократить расход памяти и, возможно, ускорить обучение с минимальным влиянием на точность.
`fraction`	`1.0`	Указывает долю набора данных, которую следует использовать для обучения. Позволяет проводить обучение на подмножестве полного набора данных, что полезно для экспериментов или при ограниченных ресурсах.
`profile`	`False`	Позволяет профилировать скорости ONNX и TensorRT во время обучения, что полезно для оптимизации развертывания модели.
`freeze`	`None`	Замораживает 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 скорость обновления весов модели.
`lrf`	`0.01`	Конечная скорость обучения как доля от начальной скорости = (`lr0 * lrf`), используемые совместно с планировщиками для регулировки скорости обучения с течением времени.
`momentum`	`0.937`	Фактор момента 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 для предотвращения перебора.
`warmup_epochs`	`3.0`	Количество эпох для разминки 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, постепенная адаптация к заданному импульсу в течение периода разминки.
`warmup_bias_lr`	`0.1`	Скорость обучения параметров смещения на этапе разминки, помогающая стабилизировать обучение модели в начальные эпохи.
`box`	`7.5`	Вес компонента box loss в функции потерь, влияющий на то, насколько большое внимание уделяется точному предсказанию координат ограничительной рамки.
`cls`	`0.5`	Вес классификационных потерь в общей функции потерь, влияющий на важность правильного предсказания класса по сравнению с другими компонентами.
`dfl`	`1.5`	Вес фокусных потерь 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 объективности ключевой точки в моделях оценки позы, балансирующий между уверенностью в обнаружении и точностью позы.
`nbs`	`64`	Номинальный размер партии для нормализации потерь.
`overlap_mask`	`True`	Определяет, следует ли объединить маски объектов в одну маску для обучения или оставить отдельные для каждого объекта. В случае перекрытия меньшая маска накладывается поверх большей при слиянии.
`mask_ratio`	`4`	Коэффициент понижения дискретизации для масок сегментации, влияющий на разрешение масок, используемых при обучении.
`dropout`	`0.0`	Показатель отсева для регуляризации в задачах классификации, предотвращающий перебор путем случайного исключения единиц в процессе обучения.
`val`	`True`	Включает проверку во время обучения, позволяя периодически оценивать производительность модели на отдельном наборе данных.
`plots`	`False`	Генерирует и сохраняет графики показателей обучения и проверки, а также примеры предсказаний, обеспечивая визуальное представление о производительности модели и прогрессе обучения.

Примечание по настройкам размера партии

Сайт batch аргумент может быть настроен тремя способами:

Фиксированный размер партии: Установите целочисленное значение (например, batch=16), напрямую указывая количество изображений в партии.
Автоматический режим (60% GPU Memory): Используйте batch=-1 для автоматической настройки размера партии для использования памяти примерно на 60 % CUDA .
Автоматический режим с фракцией использования: Установите дробное значение (например, batch=0.70), чтобы настроить размер партии на основе указанной доли использования памяти GPU .

Параметры дополнения и гиперпараметры

Методы дополнения необходимы для повышения устойчивости и производительности моделей YOLO за счет внесения изменчивости в обучающие данные, что помогает модели лучше обобщать данные, не встречающиеся в поле зрения. В следующей таблице описаны цель и эффект каждого аргумента дополнения:

Аргумент	Тип	По умолчанию	Диапазон	Описание
`hsv_h`	`float`	`0.015`	`0.0 - 1.0`	Корректирует оттенок изображения на долю цветового круга, внося разнообразие в цвет. Помогает модели обобщать данные при различных условиях освещения.
`hsv_s`	`float`	`0.7`	`0.0 - 1.0`	Изменяет насыщенность изображения на долю, 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 определенную долю, помогая модели хорошо работать 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`	Масштабирует изображение по коэффициенту усиления, имитируя объекты на разных расстояниях от камеры.
`shear`	`float`	`0.0`	`-180 - +180`	Обрезает изображение на определенный градус, имитируя эффект просмотра объектов 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`	Переворачивает изображение слева направо с заданной вероятностью, что полезно для изучения симметричных объектов и увеличения разнообразия наборов данных.
`bgr`	`float`	`0.0`	`0.0 - 1.0`	Переключает каналы изображения с RGB на BGR с заданной вероятностью, что полезно для повышения устойчивости к неправильному упорядочиванию каналов.
`mosaic`	`float`	`1.0`	`0.0 - 1.0`	Объединяет четыре учебных изображения в одно, имитируя различные композиции сцены и взаимодействие объектов. Высокоэффективно для понимания сложных сцен.
`mixup`	`float`	`0.0`	`0.0 - 1.0`	Смешивает два изображения и их метки, создавая составное изображение. Усиливает способность модели к обобщению, внося шум от меток и визуальную изменчивость.
`copy_paste`	`float`	`0.0`	`0.0 - 1.0`	Копирует и вставляет объекты между изображениями, что полезно для увеличения количества экземпляров объектов и изучения окклюзии объектов. Требуются метки сегментации.
`copy_paste_mode`	`str`	`flip`	-	Выбор метода наращивания Copy-Paste среди вариантов (`"flip"`, `"mixup"`).
`auto_augment`	`str`	`randaugment`	-	Автоматическое применение предопределенной политики дополнения (`randaugment`, `autoaugment`, `augmix`), оптимизируя задачи 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 масштабу объекта, уменьшая отвлекающий фон.

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

Более подробную информацию об обучении операциям дополнения см. в разделе "Справочная информация".

Ведение журнала

При обучении модели YOLO11 вам может показаться полезным отслеживать ее работу в течение определенного времени. Именно здесь на помощь приходит протоколирование. Ultralytics' YOLO обеспечивает поддержку трех типов логгеров - Comet, ClearML и TensorBoard.

Чтобы использовать логгер, выберите его из выпадающего меню в приведенном выше фрагменте кода и запустите его. Выбранный логгер будет установлен и инициализирован.

Comet

Comet это платформа, позволяющая ученым, изучающим данные, и разработчикам отслеживать, сравнивать, объяснять и оптимизировать эксперименты и модели. Она предоставляет такие функции, 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 забудьте войти в свою учетную запись Comet на их сайте и получить ключ API. Вам нужно будет добавить его в переменные окружения или в 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 вам нужно будет войти в свой аккаунт ClearML в браузере и аутентифицировать свою сессию.

TensorBoard

TensorBoard - это набор инструментов визуализации для TensorFlow. Он позволяет визуализировать график TensorFlow , строить количественные метрики о выполнении графика 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, выполните приведенную ниже команду и просмотрите результаты на сайте http://localhost:6006/.

Пример

CLI

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

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

После настройки регистратора вы можете приступить к обучению модели. Все показатели обучения будут автоматически регистрироваться в выбранной вами платформе, и вы сможете получить доступ к этим журналам, чтобы отслеживать работу модели с течением времени, сравнивать различные модели и выявлять области для улучшения.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как обучить модель обнаружения объектов с помощью Ultralytics YOLO11 ?

Для обучения модели обнаружения объектов с помощью Ultralytics YOLO11 можно использовать либо API Python , либо CLI. Ниже приведен пример для обоих вариантов:

ОдиночныйGPU и CPU пример обучения

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Более подробную информацию см. в разделе "Настройки поезда ".

Каковы ключевые особенности режима "Поезд" на сайте Ultralytics YOLO11 ?

Ключевые особенности режима "Поезд" на сайте Ultralytics YOLO11 включают в себя:

Автоматическая загрузка наборов данных: Автоматическая загрузка стандартных наборов данных, таких как COCO, VOC и ImageNet.
Поддержка несколькихGPU : Масштабируйте обучение на нескольких графических процессорах для ускорения обработки.
Конфигурация гиперпараметров: Настройка гиперпараметров с помощью файлов YAML или аргументов CLI .
Визуализация и мониторинг: Отслеживание показателей обучения в режиме реального времени для более глубокого понимания.

Эти функции делают тренировки эффективными и настраиваются в соответствии с вашими потребностями. Более подробную информацию см. в разделе "Ключевые особенности режима тренировки".

Как возобновить прерванное занятие на сайте Ultralytics YOLO11 ?

Чтобы возобновить обучение после прерванного сеанса, установите resume аргумент в пользу True и укажите путь к последней сохраненной контрольной точке.

Резюме Пример обучения

PythonCLI

from ultralytics import YOLO

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

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

yolo train resume model=path/to/last.pt

Дополнительную информацию можно найти в разделе " Возобновление прерванных тренировок".

Можно ли обучать модели YOLO11 на кремниевых чипах Apple?

Да, Ultralytics YOLO11 поддерживает обучение на кремниевых чипах Apple, использующих фреймворк Metal Performance Shaders (MPS). Укажите 'mps' в качестве устройства для обучения.

MPS Пример обучения

PythonCLI

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Более подробную информацию вы найдете в разделе Обучение Apple Silicon MPS .

Каковы общие параметры обучения и как их настроить?

Ultralytics YOLO11 позволяет настраивать различные параметры обучения, такие как размер партии, скорость обучения, эпохи и многое другое с помощью аргументов. Вот краткий обзор:

Аргумент	По умолчанию	Описание
`model`	`None`	Путь к файлу модели для обучения.
`data`	`None`	Путь к файлу конфигурации набора данных (например, `coco8.yaml`).
`epochs`	`100`	Общее количество эпох обучения.
`batch`	`16`	Размер партии, регулируемый как целое число или в автоматическом режиме.
`imgsz`	`640`	Целевой размер изображения для обучения.
`device`	`None`	Вычислительное устройство (устройства) для обучения, например `cpu`, `0`, `0,1`, или `mps`.
`save`	`True`	Включает сохранение контрольных точек обучения и окончательных весов модели.

Подробное руководство по настройкам тренировок можно найти в разделе " Настройки тренировок ".

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Обучение модели с Ultralytics YOLO

Введение

Почему стоит выбрать Ultralytics YOLO для обучения?

Ключевые особенности режима поезда

Примеры использования

МультиGPU Обучение

Apple Silicon MPS Обучение

Возобновление прерванных тренировок

Настройки поезда

Параметры дополнения и гиперпараметры

Ведение журнала

Comet

ClearML

TensorBoard

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как обучить модель обнаружения объектов с помощью Ultralytics YOLO11 ?

Каковы ключевые особенности режима "Поезд" на сайте Ultralytics YOLO11 ?

Как возобновить прерванное занятие на сайте Ultralytics YOLO11 ?

Можно ли обучать модели YOLO11 на кремниевых чипах Apple?

Каковы общие параметры обучения и как их настроить?

Комментарии