YOLO26 Eğitim Reçetesi#

Giriş#

Bu kılavuz, resmi YOLO26 önceden eğitilmiş denetim noktalarını COCO üzerinde üretmek için kullanılan tam training tarifini belgeler. Burada gösterilen her hyperparameter, yayınlanan .pt ağırlıklarının içine zaten gömülmüştür ve programatik olarak incelenebilir.

Resmi kontrol noktalarının arkasındakileri bilmek — yalnızca mimariyi değil, performanslarını şekillendiren learning rate programlarını, veri çoğaltma boru hatlarını ve kayıp ağırlıklarını — fine-tuning yaparken daha iyi kararlar vermene yardımcı olur: hangi data augmentations öğelerini saklayacağını, hangi loss function ağırlıklarını ayarlayacağını ve veri kümesi boyutun için hangi optimizatör ayarlarının en iyi sonucu vereceğini belirlemeni sağlar.

Eğitime Genel Bakış#

Tüm YOLO26 temel modelleri 640x640 çözünürlükte COCO üzerinde batch size 128 ile MuSGD optimize edicisi kullanılarak eğitildi. Tek bir çalıştırmada rastgele ağırlıklardan başlamak yerine, modeller ara ön eğitimli ağırlıklardan başlatıldı ve evolutionary search aracılığıyla bulunan hiperparametrelerle iyileştirildi. Her model boyutu için tam eğitim günlükleri ve metrikler Ultralytics Platform üzerinde mevcuttur.

Tüm boyutlardaki temel tasarım tercihleri:

• NMS içermeyen bire bir kafaya sahip uçtan uca eğitim (end2end=True)
• Ağırlık matrisleri için SGD'yi Muon tarzı ortogonalleştirilmiş güncellemelerle birleştiren MuSGD optimizatörü (2D doğrusal ağırlıklar ve 2D'ye yeniden şekillendirilen 4D konvülsiyon filtreleri)
• Son 10 epoch'ta devre dışı bırakılan yoğun mozaik veri çoğaltma (~0.9-1.0 olasılık) (close_mosaic=10)
• Farklı boyutlardaki nesneleri yönetmek için agresif ölçek artırma (0.56-0.95)
• Geometrik bozulmayı düşük tutmak için çoğu boyutta minimal döndürme/kaydırma

YOLO26 Kontrol Noktası Eğitim Argümanlarını İnceleme#

Her Ultralytics kontrol noktası, onu üretmek için kullanılan tam eğitim yapılandırmasını saklar, böylece bu sayfadaki her sayıyı kendin doğrulayabilirsin:

from ultralytics import YOLO

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

Çıktı, bu sayfada belgelenen her tarif değeri dahil olmak üzere 100'den fazla girdinin tam yapılandırmasını listeler. yolo26n.pt için bir alıntı:

batch: 128
...
box: 5.62767
...
close_mosaic: 10
cls: 0.56099
...
dfl: 9.03871
...
epochs: 245
...
lr0: 0.0054
lrf: 0.04952
...
optimizer: MuSGD

Bu, ister resmi sürümler ister kendi ince ayar yapılmış modellerin olsun, herhangi bir .pt kontrol noktası için çalışır. Yapılandırılabilir eğitim argümanlarının tam listesi için training configuration reference sayfasına bakın.

Model Boyutuna Göre YOLO26 Eğitim Hiperparametreleri#

Aşağıdaki tablolar tarifi kategoriye göre gruplandırır — optimizatör ve program, kayıp ağırlıkları ve veri çoğaltma. Her değer doğrudan yayınlanan kontrol noktalarına gömülü olan train_args içinden gelmektedir.

İyileştirici ve Öğrenme Oranı#

Bu iyileştirici ve program ayarları, her boyut için COCO ön eğitimini yönlendirdi; N modelinin diğerlerinden nasıl ayrıldığına dikkat et:

Kayıp Ağırlıkları#

Kayıp ağırlıkları, algılama kaybının üç bileşenini dengeler — bounding box IoU regresyonu (box), sınıflandırma (cls) ve bir kutu mesafesi regresyon terimi (dfl). DFL içermeyen YOLO26'nın, dağılım odak kaybı yerine normalleştirilmiş kutu mesafeleri üzerindeki bir L1 kaydına ağırlık vermek için dfl kazancını yeniden amaçlandığına dikkat edin:

N modeli dfl mesafe regresyon terimine öncelik verirken, S/M/L/X modelleri vurguyu IoU tabanlı kutu regresyonuna kaydırır. Sınıflandırma kaybı tüm boyutlarda nispeten tutarlı kalır.

Veri Artırma Boru Hattı#

Her bir tekniğin ayrıntılı açıklaması için YOLO Data Augmentation guide kılavuzuna bakın.

~0 olarak gösterilen değerler gerçek kontrol noktalarında 0.01'in altındadır (örneğin S modeli için degrees=0.00012) — veri çoğaltma etkili bir şekilde devre dışı bırakılmıştır.

Daha büyük modeller, daha fazla kapasiteye sahip oldukları ve daha güçlü regularization avantajından yararlandıkları için genel olarak daha agresif veri çoğaltma kullanır (daha yüksek mixup, copy-paste ve ölçek). N modeli, anlamlı döndürme, kaydırma (shear) ve BGR veri çoğaltmasına sahip tek boyuttur.

Dahili Eğitim Parametreleri#

YOLO26'ya Kendi Veri Setinde İnce Ayar Yapma#

YOLO26'yı kendi veri kümenize göre ince ayar yaparken, tam ön eğitim tarifini kopyalamanıza gerek yoktur. Önceden eğitilmiş ağırlıklar zaten COCO eğitiminden elde edilen veri çoğaltma ve optimizasyon bilgisini kodlamıştır. Daha genel eğitim en iyi uygulamaları için Tips for Model Training bölümüne bakın.

Varsayılan Ayarlarla İnce Ayar Yap#

from ultralytics import YOLO

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

Varsayılan ayarlarla ince ayar yapmak güçlü bir temel oluşturur. Sadece özel bir nedenin varsa hiperparametreleri değiştir.

YOLO26 Hiperparametreleri Ne Zaman Ayarlanmalı?#

Küçük veri setleri (< 1.000 görsel):

• Veri çoğaltma gücünü azaltın: mosaic=0.5, mixup=0.0, copy_paste=0.0
• Öğrenme hızını düşürün: lr0=0.001
• Sabırla daha az epochs kullanın: epochs=50, patience=20
• Omurga (backbone) katmanlarını dondurmayı düşünün: freeze=10

Büyük veri setleri (> 50.000 görsel):

• Ön eğitim tarifine daha yakın kal
• Daha uzun çalıştırmalar için optimizer=MuSGD seçeneğini değerlendirin
• Veri çoğaltmayı artırın: mosaic=1.0, mixup=0.3, scale=0.9

Alana özgü görseller (hava, tıbbi, su altı):

• Dikey yönelim değişiyorsa flipud=0.5 değerini artırın
• Nesneler rastgele açılarda görünüyorsa degrees değerini artırın
• Aydınlatma koşulları COCO'dan önemli ölçüde farklıysa hsv_s ve hsv_v değerlerini ayarlayın

Otomatik hiperparametre optimizasyonu için Hyperparameter Tuning guide kılavuzuna bakın.

Bir Model Boyutu Seç#

Dışa aktarma ve dağıtım seçenekleri için Export guide ve Model Deployment Options belgelerine bakın.

Sonuç#

YOLO26 kontrol noktaları tam eğitim tarifleri gömülü olarak gelir, bu nedenle her model boyutunun arkasındaki kesin hiperparametreler her zaman yalnızca bir train_args araması uzaklıktadır. Varsayılanlardan ince ayara başlayın, bu sayfadaki tabloları kullanarak bilinçli bir şekilde ayarlayın ve her değişikliği kendi doğrulama kümenize karşı doğrulayın. Yol boyunca sorular ortaya çıkarsa, topluluğa Ultralytics GitHub repository veya Ultralytics Discord server üzerinden sorun.

SSS#