YOLO26 Eğitim Reçetesi

Giriş

Bu kılavuz, resmi üretmek için kullanılan tam eğitim tarifi belgeliyor YOLO26 önceden eğitilmiş kontrol noktalarını COCO. Burada gösterilen her hiperparametre yayınlanan ağırlıklara zaten gömülüdür ve programatik olarak incelenebilir. .pt ağırlıklara zaten gömülüdür ve programatik olarak incelenebilir.

Temel modellerin nasıl eğitildiğini anlamak, ince ayar yaparken daha iyi kararlar vermenize yardımcı olur: hangi veri artırmalarını koruyacağınızı, hangi kayıp fonksiyonu ağırlıklarını ayarlayacağınızı ve veri kümenizin boyutu için hangi optimize edici ayarlarının en iyi sonucu verdiğini.

Eğitim Argümanlarını İnceleme

Her Ultralytics kontrol noktası, onu üretmek için kullanılan tüm eğitim yapılandırmasını saklar. Bu ayarları istediğiniz zaman inceleyebilirsiniz:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
print(model.ckpt["train_args"])

import torch

# Load any official checkpoint
ckpt = torch.load("yolo26n.pt", map_location="cpu", weights_only=False)

# Print all training arguments
for k, v in sorted(ckpt["train_args"].items()):
    print(f"{k}: {v}")

Bu, herhangi bir .pt kontrol noktası — hem resmi sürümler hem de kendi ince ayarlı modelleriniz için geçerlidir. Yapılandırılabilir eğitim argümanlarının tam listesi için şuraya bakın: eğitim yapılandırma referansı.

Eğitime Genel Bakış

Tüm YOLO26 temel modelleri, COCO üzerinde 640x640 çözünürlükte, 128'lik yığın boyutu ile MuSGD optimize edici kullanılarak eğitilmiştir. Modeller, ara önceden eğitilmiş ağırlıklardan başlatılmış ve evrimsel arama yoluyla bulunan hiperparametrelerle iyileştirilmiştir. Her model boyutu için tam eğitim günlükleri ve metrikleri Ultralytics Platformu üzerinde mevcuttur:

Tüm boyutlarda temel tasarım seçimleri:

• Uçtan uca eğitim (end2end=True) NMS içermeyen birebir başlık ile
• MuSGD optimize edici, SGD'yi evrişim ağırlıkları için Müon tarzı ortogonalize edilmiş güncellemelerle birleştirir
• Yoğun mozaik artırma (~0.9-1.0 olasılık) son 10 epokta devre dışı bırakıldı (close_mosaic=10)
• Agresif ölçek artırma (0.56-0.95) farklı boyutlardaki nesneleri işlemek için
• Çoğu boyut için minimal döndürme/kaydırma, geometrik bozulmayı düşük tutarak

Model Boyutuna Göre Hiperparametreler

Optimize Edici ve Öğrenme Oranı

Kayıp Ağırlıkları

N modeli DFL kaybına öncelik verirken, S/M/L/X modelleri vurguyu sınırlayıcı kutu regresyonuna kaydırır. Sınıflandırma kaybı tüm boyutlarda nispeten tutarlı kalır.

Artırma Hattı

Her tekniğin ayrıntılı açıklaması için YOLO Veri Artırma kılavuzuna bakın.

Daha büyük modeller genel olarak daha agresif artırma kullanır (daha yüksek MixUp, kopyala-yapıştır ve ölçeklendirme), çünkü daha fazla kapasiteye sahiptirler ve daha güçlü düzenlileştirmeden faydalanırlar. N modeli, anlamlı döndürme, kaydırma ve BGR artırmasına sahip tek boyuttur.

Dahili Eğitim Parametreleri

İnce Ayar Rehberliği

Kendi veri kümenizde YOLO26'ya ince ayar yaparken, tam ön eğitim tarifini tekrarlamanıza gerek yoktur. Önceden eğitilmiş ağırlıklar, COCO eğitiminden elde edilen artırma ve optimizasyon bilgisini zaten kodlamıştır. Daha genel eğitim en iyi uygulamaları için Model Eğitimi İpuçları'na bakın.

Basit Başlayın

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.train(data="your-dataset.yaml", epochs=100, imgsz=640)

yolo train model=yolo26n.pt data=your-dataset.yaml epochs=100 imgsz=640

Varsayılan ayarlarla ince ayar güçlü bir başlangıç noktasıdır. Hiperparametreleri yalnızca belirli bir nedeniniz varsa ayarlayın.

Ne Zaman Ayarlanmalı

Small datasets (< 1,000 images):

• Artırma gücünü azaltın: mosaic=0.5, mixup=0.0, copy_paste=0.0
• Öğrenme oranını düşürün: lr0=0.001
• Daha az kullanın epok sabırla: epochs=50, patience=20
• backbone katmanlarını dondurmayı düşünün: freeze=10

Büyük veri kümeleri (> 50.000 görüntü):

• Ön eğitim tarifine daha yakından uyun
• Şunu düşünün: optimizer=MuSGD daha uzun süreli çalıştırmalar için
• Artırmayı artırın: mosaic=1.0, mixup=0.3, scale=0.9

Alana özgü görüntüler (havadan, tıbbi, su altı):

• Artırın flipud=0.5 dikey yönelim değişiyorsa
• Artırın degrees nesneler rastgele dönüşlerde görünüyorsa
• Ayarlayın hsv_s ve hsv_v aydınlatma koşulları COCO'dan önemli ölçüde farklıysa

Otomatik hiperparametre optimizasyonu için Hiperparametre Ayarlama kılavuzuna bakın.

Model Boyutu Seçimi

Dışa aktarma ve dağıtım seçenekleri için Dışa Aktarma Kılavuzu ve Model Dağıtım Seçenekleri bölümüne bakınız.

SSS

Herhangi bir kontrol noktası için kullanılan kesin hiperparametreleri nasıl görebilirim?

Kontrol noktasını şununla yükleyin torch.load() ve şuna erişin train_args anahtarını veya şunu kullanın model.ckpt["train_args"] Ultralytics API ile. Bakınız Eğitim Argümanlarını İnceleme eksiksiz örnekler için.

Her model boyutu için epok sayıları neden farklı?

Daha büyük modeller, daha fazla kapasiteye sahip oldukları için COCO üzerinde daha hızlı yakınsar. N modeli 245 epok gerektirirken, X modeli sadece 40 epok gerektirdi. Kendi veri kümeniz üzerinde ince ayar yaparken, optimal epok sayısı, model boyutuna değil, veri kümenizin boyutuna ve karmaşıklığına bağlıdır. Doğru durma noktasını otomatik olarak bulmak için erken durdurmayı (patience) kullanarak doğru durma noktasını otomatik olarak bulun.

İnce ayar için MuSGD kullanmalı mıyım?

Ne zaman optimizer=auto (varsayılan), Ultralytics otomatik olarak şunu seçer MuSGD daha uzun eğitim çalışmaları (>10.000 iterasyon) için ve AdamW daha kısa olanlar için. Açıkça ayarlayabilirsiniz optimizer=MuSGD tercih ederseniz. Optimizasyon seçimi hakkında daha fazla bilgi için şuraya bakınız: eğitim dokümantasyonu.

Nedir muon_w, sgd_w, cls_w, o2mve topk kontrol noktasında?

Bunlar, temel kontrol noktalarını üreten eğitim hattından gelen dahili parametrelerdir. Tekrarlanabilirlik için saklanırlar ancak olmayan kullanıcı tarafından yapılandırılabilir ayarlar default.yaml. İnce ayar yaparken bunları ayarlamanıza gerek yoktur. Bakınız Dahili Eğitim Parametreleri ayrıntılar için.

Tam ön eğitimi sıfırdan yeniden oluşturabilir miyim?

Kontrol noktaları, genel kod tabanında bulunmayan ek özelliklere sahip dahili bir eğitim dalı kullanılarak üretildi (yapılandırılabilir gibi o2m ağırlıklar ve cls_w). Genel Ultralytics paketi ile bu sayfada belgelenen hiperparametreleri kullanarak çok yakın sonuçlar elde edebilirsiniz, ancak tam bir yeniden üretim dahili dalı gerektirir.

📅 6 gün önce oluşturuldu ✏️ 4 gün önce güncellendi

Yorumlar