Ultralytics YOLO ile Model Eğitimi
Giriş#
Bir derin öğrenme modelini eğitmek, doğru tahminler yapabilmesi için modele veri vermeyi ve parametrelerini ayarlamayı içerir. Ultralytics YOLO26'nın Train modu, nesne algılama ve diğer görüntü işleme görevleri için modelleri modern donanımlarda verimli şekilde eğitir. Bu kılavuz, YOLO26 ile kendi modellerini eğitmeye başlamak için ihtiyacın olan ayrıntıları içerir. Ultralytics'i henüz yüklemediysen Hızlı başlangıç kılavuzuyla başla.
Planlanan eğitim örnekleri için yayımlanmamış YOLO27 önizlemesine göz at.
İzle: Google Colab'de Özel Veri Kümenle YOLO Modeli Nasıl Eğitilir.
Eğitim için neden Ultralytics YOLO'yu seçmelisin?#
YOLO26'nın Train modunu kullanma nedenleri:
- Verimlilik: Tek GPU'lu bir kurulum kullanıyor veya birden fazla GPU ile ölçeklendiriyor ol; donanımından en iyi şekilde yararlan.
- Çok yönlülük: COCO, VOC ve ImageNet gibi hazır veri kümelerine ek olarak özel veri kümeleriyle de eğitim yap.
- Kullanım kolaylığı: Sorunsuz bir eğitim deneyimi için basit ama güçlü CLI ve Python arayüzleri.
- Hiperparametre Esnekliği: Model performansını ince ayarlamak için geniş bir özelleştirilebilir hiperparametre yelpazesi. Daha kapsamlı kontrol için eğitici sınıfını da özelleştirebilirsin.
- Bulut Eğitimi: Gerçek zamanlı ölçümler ve otomatik kontrol noktası kaydıyla Ultralytics Platform üzerinden bulut GPU'larında eğitim yap.
Train Modunun Temel Özellikleri#
YOLO26'nın Train modunun öne çıkan bazı özellikleri şunlardır:
- Otomatik Veri Kümesi İndirme: İndirme kaynağı belirtilmiş veri kümesi yapılandırmaları ilk kullanımda otomatik olarak indirilir; örneğin
yolo train data=coco8.yaml. Desteklenen biçimler ve veri kümeleri için Veri kümelerine genel bakış sayfasına göz at. - Çoklu GPU Desteği: Eğitim süresini kısaltmak için eğitimi birden fazla GPU'ya ölçeklendir.
- Hiperparametre Yapılandırması: Hiperparametreleri YAML yapılandırma dosyaları veya CLI bağımsız değişkenleri üzerinden değiştirme seçeneği.
- Görselleştirme ve İzleme: Daha iyi içgörüler elde etmek için eğitim ölçümlerini gerçek zamanlı takip et ve öğrenme sürecini görselleştir.
Kullanım Örnekleri#
Görüntü boyutunu 640 olarak ayarlayıp YOLO26n modelini COCO8 veri kümesinde 100 epoch boyunca eğit. Eğitim cihazını device argümanını kullanarak belirtebilirsin. Herhangi bir argüman iletilmezse GPU device=0 kullanılabiliyorsa kullanılır; aksi hâlde device='cpu' kullanılır.
Windows'ta eğitimi betik olarak başlatırken RuntimeError hatası alabilirsin. Sorunu çözmek için eğitim kodundan önce bir if __name__ == "__main__": bloğu ekle.
Aygıt otomatik olarak belirlenir. Bir GPU varsa kullanılır (varsayılan CUDA aygıtı 0); aksi takdirde eğitim CPU'da başlar.
from ultralytics import YOLO
# Bir model yükle
model = YOLO("yolo26n.yaml") # YAML'den yeni bir model oluştur
model = YOLO("yolo26n.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
model = YOLO("yolo26n.yaml").load("yolo26n.pt") # YAML'den oluştur ve ağırlıkları aktar
# Modeli eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Çoklu GPU Eğitimi#
Çoklu GPU eğitimi, eğitim yükünü birden fazla GPU'ya dağıtarak kullanılabilir donanımdan daha iyi yararlanır. Bu özellik hem Python API'si hem de komut satırı arayüzü üzerinden kullanılabilir. Çoklu GPU eğitimini etkinleştirmek için kullanmak istediğin GPU cihaz kimliklerini belirt.
2 GPU ile (CUDA cihazları 0 ve 1) eğitim yapmak için aşağıdaki komutları kullan. Gerektikçe komutları daha fazla GPU'ya genişlet.
from ultralytics import YOLO
# Bir model yükle
model = YOLO("yolo26n.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
# Modeli 2 GPU ile eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])
# Modeli en az meşgul olan iki GPU ile eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])torch>=2.4 için resmi PyTorch wheel paketleriyle Windows'ta çoklu GPU eğitimi çalışmaz. Ultralytics, DDP'yi torch.distributed.run üzerinden başlatır; bu aracın buluşma adımı, PyTorch 2.4'ten beri varsayılan olarak libuv arka ucunu kullanan bir TCPStore oluşturur ve resmi Windows wheel paketleri libuv olmadan derlenmiştir. Eğitim hemen şu hatayla sonlanır:
RuntimeError: use_libuv was requested but PyTorch was built without libuv support
USE_LIBUV=0 ayarını yapmak sorunu çözmez; çünkü buluşma işlemi TCPStore öğesini doğrudan oluşturur ve bu kod yolu değişkeni hiç okumaz. Birden fazla GPU kullanmak için Linux'ta veya WSL2 üzerinde eğitim yap ya da Windows'ta device=0 ile tek GPU'da eğitim yap.
Birden fazla cihaz belirttiğinde (ör. device=[0, 1]), Ultralytics kendi içinde yeni bir eğitici örneği başlatır ve arka planda torch.distributed.run komutunu çalıştırır. Bu, standart CLI kullanımı ve değiştirilmemiş Python betikleriyle çalışır.
Ancak betiğinde özel eğitim aracı, doğrulayıcı, veri kümesi veya artırma hattı gibi özel bileşenler varsa bu nesneler otomatik olarak serileştirilip DDP alt süreçlerine aktarılamaz. Bu durumda betiğini doğrudan torch.distributed.run ile başlatmalısın:
python -m torch.distributed.run --nproc_per_node 2 your_training_script.pyAMD GPU eğitimi, standart device=0 veya device=cuda:0 söz dizimiyle PyTorch ROCm derlemesini kullanır. ROCm kurulumu, çoklu GPU eğitimi, AMP notları ve dışa aktarılan modellerde MIGraphX çıkarımı hakkında bilgi için AMD entegrasyon kılavuzuna göz at.
Intel GPU eğitimi device=xpu:0 kullanır; birden fazla XPU kimliği içinse XCCL sağlayan bir PyTorch derlemesi gerekir.
Huawei Ascend NPU Eğitimi#
Ultralytics, Huawei Ascend NPU'larda eğitim ve doğrulamayı torch_npu üzerinden destekler. PyTorch için Ascend Extension kurulum kılavuzunu izleyerek CANN, PyTorch ve torch_npu sürümlerinin birbiriyle uyumlu olanlarını yükle; ardından Ultralytics'i başlatmadan önce CANN ortamını kaynakla:
source /usr/local/Ascend/ascend-toolkit/set_env.shfrom ultralytics import YOLO
model = YOLO("yolo26n.pt")
# Tek Ascend NPU'da eğitim yap
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")
# HCCL ile iki Ascend NPU'da eğitim yap
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")AMP, doğrulama, kontrol noktası kaydı ve sürdürme dahil standart eğitim özellikleri etkin NPU'yu kullanır. AutoBatch tek NPU ile eğitimde kullanılabilirken birden fazla NPU kimliği HCCL üzerinden dağıtılmış eğitimi başlatır. Eğitim sonrasında model dışa aktarma ve dağıtım hakkında bilgi için Huawei Ascend entegrasyon kılavuzuna bak.
Boştaki GPU ile Eğitim#
Boşta GPU ile Eğitim, çoklu GPU sistemlerinde kullanımı en düşük GPU'ları otomatik olarak seçer; böylece cihazları elle seçmen gerekmez. Kullanılabilir GPU'ları kullanım oranına ve boş VRAM miktarına göre sıralar.
Eğitim için en az meşgul GPU'ları otomatik olarak seçip kullanmak üzere -1 aygıt parametresini kullan. Bu özellik, paylaşımlı bilgi işlem ortamlarında veya birden fazla kullanıcının bulunduğu sunucularda özellikle kullanışlıdır.
from ultralytics import YOLO
# Bir model yükle
model = YOLO("yolo26n.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
# En az meşgul tek GPU'yu kullanarak eğitim yap
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)
# En az meşgul iki GPU'yu kullanarak eğitim yap
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])Otomatik seçim algoritması şu özelliklere sahip GPU'lara öncelik verir:
- Daha düşük mevcut kullanım yüzdeleri
- Daha fazla kullanılabilir bellek (boş VRAM)
Bu özellik, paylaşımlı bilgi işlem ortamlarında veya aynı anda birden fazla eğitim işi yürütürken özellikle kullanışlıdır; çünkü cihazlar her çalıştırma başladığında o anki koşullara göre seçilir.
Apple Silicon MPS Eğitimi#
Ultralytics YOLO modelleri, hesaplama ve görüntü işleme görevlerini Apple'ın özel GPU'larında yürüten Metal Performans Gölgelendiricileri (MPS) çerçevesi üzerinden Apple silicon üzerinde eğitilebilir.
Apple silicon üzerinde eğitim yapmak için Python'da veya komut satırında eğitimi başlatırken cihaz olarak mps belirt:
from ultralytics import YOLO
# Bir model yükle
model = YOLO("yolo26n.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
# Modeli MPS ile eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")Kesintiye Uğrayan Eğitimleri Sürdürme#
Kaydedilmiş bir kontrol noktasından eğitime devam etmek, çalıştırma beklenmedik şekilde kesintiye uğradığında veya bir modeli yeni verilerle ya da daha fazla epoch boyunca eğitmek istediğinde kullanışlıdır.
Eğitime devam edildiğinde Ultralytics YOLO, ağırlıkları en son kaydedilen modelden yükler ve ayrıca iyileştirici durumunu, öğrenme oranı çizelgeleyicisini, epoch numarasını ve veri kümesini geri yükler. Ardından eğitim kaldığı yerden devam eder. Kontrol noktasının veri kümesi yerine farklı bir veri kümesiyle devam etmek için resume ile birlikte açıkça data= ilet.
Ultralytics YOLO'da eğitime devam etmek için train yöntemini çağırırken resume argümanını True olarak ayarla ve kısmen eğitilmiş modelin ağırlıklarını içeren .pt dosyasının yolunu belirt.
Kesintiye uğrayan bir eğitim çalıştırmasına Python'da veya komut satırında devam etmek için:
from ultralytics import YOLO
# Bir model yükle
model = YOLO("path/to/last.pt") # kısmen eğitilmiş bir modeli yükle
# Eğitime devam et
results = model.train(resume=True)resume=True ayarlandığında train işlevi, path/to/last.pt dosyasında saklanan durumu kullanarak eğitime kaldığı yerden devam eder. resume argümanı atlanır veya False olarak ayarlanırsa train işlevi yeni bir eğitim oturumu başlatır. Ultralytics Platform üzerine akış yapan bir çalıştırma, devam ettirildiğinde aynı Platform modelini kullanır.
Checkpoint'lerin varsayılan olarak her epoch sonunda veya save_period bağımsız değişkeni kullanılarak belirli aralıklarla kaydedildiğini unutma; bu nedenle bir eğitim çalışmasına devam edebilmek için en az 1 epoch'u tamamlaman gerekir.
Eğitim Ayarları#
YOLO modellerinin eğitim ayarları, eğitim sürecinde kullanılan çeşitli hiperparametreleri ve yapılandırmaları kapsar. Bu ayarlar modelin performansını, hızını ve doğruluğunu etkiler. Temel eğitim ayarları arasında toplu iş boyutu, öğrenme oranı, momentum ve ağırlık azalması bulunur. Ayrıca iyileştirici seçimi, kayıp işlevi ve eğitim veri kümesinin bileşimi de eğitim sürecini etkileyebilir. Performansı optimize etmek için bu ayarları dikkatlice düzenlemek ve denemeler yapmak önemlidir.
MuSGD Optimizer#
YOLO26'da MuSGD, standart SGD güncellemelerini Muon tarzı ortogonalleştirilmiş güncellemelerle birleştiren bir hibrit iyileştiricidir.
Ortogonalleştirilmiş Muon güncellemelerinin optimizasyonu kararlı hâle getirmeye yardımcı olabileceği daha uzun YOLO26 eğitim çalışmaları ve daha büyük veri kümeleri için önerilir.
Yalnızca 2B doğrusal ağırlıklar ve 2B olarak yeniden şekillendirilmiş 4B evrişim filtreleri, SGD ile birlikte Muon tarzı güncellemeyi alır; toplu normalleştirme ağırlıkları ve bias terimleri gibi diğer tüm parametreler standart SGD'de kalır.
optimizer=auto kullanıldığında Ultralytics, daha uzun eğitim çalışmaları için (genellikle iterations > 10000 olduğunda) MuSGD'yi otomatik olarak seçer. Daha kısa çalışmalar için trainer, AdamW'ye geri döner. auto modunda trainer öğrenme hızını da seçer; bu nedenle kullanıcı tarafından sağlanan lr0 yok sayılır. Bu ayarları elle denetlemek için açıkça bir optimizer seç; örneğin optimizer=AdamW lr0=0.001.
Kullanım örneği:
yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGDUygulamayı ultralytics/optim/muon.py içinde, optimizer'ın otomatik seçim mantığını ise BaseTrainer.build_optimizer içinde görebilirsin.
| Bağımsız değişken | Tür | Varsayılan | Açıklama |
|---|---|---|---|
model | str | None | Eğitim için model dosyasını belirtir. Önceden eğitilmiş bir .pt modele veya .yaml yapılandırma dosyasına giden yolu kabul eder. Model yapısını tanımlamak veya ağırlıkları başlatmak için gereklidir. |
data | str | None | Eğitim ve doğrulama verilerinin yollarını, sınıf adlarını ve sınıf sayısını içeren veri kümesi YAML dosyasının yolu (ör. coco8.yaml). Sınıflandırma için bunun yerine bir veri kümesi dizini veya yerleşik veri kümesi adı (ör. imagenet10) kullanılır. |
epochs | int | 100 | Toplam eğitim turu sayısı. Her tur, tüm veri kümesinin baştan sona bir kez işlenmesini ifade eder. Bu değerin ayarlanması eğitim süresini ve model performansını etkileyebilir. |
time | float | None | Saat cinsinden maksimum eğitim süresi. Ayarlanırsa epochs bağımsız değişkenini geçersiz kılar ve eğitimin belirtilen süreden sonra otomatik olarak durmasını sağlar. Zaman kısıtlaması olan eğitim senaryolarında kullanışlıdır. |
patience | int | 100 | Eğitimin erken durdurulmasından önce doğrulama metriklerinde iyileşme olmadan beklenecek tur sayısı. Performans sabitlendiğinde eğitimi durdurarak aşırı öğrenmeyi önlemeye yardımcı olur. |
batch | int veya float | 16 | Yığın boyutu, üç modda ayarlanabilir: tamsayı olarak (ör. batch=16), kullanılabilir GPU belleğinin %60'ı için otomatik modda (batch=-1) veya kullanılabilir GPU belleğinin belirtilen bir kesriyle otomatik modda (batch=0.70). |
imgsz | int | 640 | Eğitim için hedef görüntü boyutu. Görüntüler, kenar uzunlukları belirtilen değere eşit karelere yeniden boyutlandırılır (rect=False ise); YOLO modellerinde en-boy oranı korunur, RT-DETR'de korunmaz. Model doğruluğunu ve hesaplama karmaşıklığını etkiler. |
save | bool | True | Eğitim kontrol noktalarının ve nihai model ağırlıklarının kaydedilmesini sağlar. Eğitime devam etmek veya model dağıtımı için kullanışlıdır. |
save_period | int | -1 | Model kontrol noktalarının kaydedilme sıklığını tur cinsinden belirtir. -1 değeri bu özelliği devre dışı bırakır. Uzun eğitim süreçlerinde ara modelleri kaydetmek için kullanışlıdır. |
cache | bool veya str | False | Veri kümesi görüntülerinin bellekte (True/ram) veya diskte (disk) önbelleğe alınmasını sağlar ya da önbelleğe almayı devre dışı bırakır (False). Bellek kullanımını artırma pahasına disk G/Ç işlemlerini azaltarak eğitim hızını artırır. |
tile | bool veya int | False | Her kaynak görüntüyü, kırpılmış etiketler ve negatif pencereler korunarak sabit eğitim döşemelerine genişletir. True, imgsz kullanır; pozitif bir int, döşeme boyutunu belirler. Yüksek Çözünürlüklü Döşeme hakkında bilgi al. |
device | int veya str veya list | None | Eğitim için hesaplama aygıtlarını belirtir: tek GPU (device=0), birden fazla GPU (device=[0,1]), CPU (device=cpu), Apple silicon için MPS (device=mps), Huawei Ascend NPU (device=npu:0 veya device=npu:0,1), Intel XPU (device=xpu:0), boşta olan GPU'yu (device=-1) veya birden fazla boşta GPU'yu (device=[-1,-1]) otomatik seçme. |
workers | int | 8 | Veri yüklemeye yönelik iş parçacığı sayısı (çoklu GPU eğitiminde her RANK için). Veri ön işlemenin ve modele aktarımın hızını etkiler; özellikle çoklu GPU kurulumlarında kullanışlıdır. |
project | str | None | Eğitim çıktılarının kaydedildiği proje dizininin adı. Göreli bir yol runs_dir/<task> dizininin altına yerleştirilirken mutlak bir yol olduğu gibi kullanılır. |
name | str | None | Eğitim çalışmasının adı. Eğitim günlüklerinin ve çıktılarının saklandığı proje klasöründe bir alt dizin oluşturmak için kullanılır. |
exist_ok | bool | False | True ise mevcut bir proje/ad dizininin üzerine yazılmasını sağlar. Önceki çıktıları elle temizlemeye gerek kalmadan yinelemeli denemeler yapmayı kolaylaştırır. |
save_dir | str | None | Çalışma çıktılarının kaydedileceği tam dizini belirtir ve project/name birleşimini geçersiz kılar. Yol olduğu gibi kullanılır, otomatik olarak numaralandırılmaz; bu nedenle art arda yapılan çalışmalar aynı dizini kullanır. |
pretrained | bool veya str | True | Eğitimin önceden eğitilmiş ağırlıklarla başlatılıp başlatılmayacağını belirler. Boole değeri veya yüklenecek ağırlıklara giden bir yol olarak belirtilebilir. pretrained=False, model mimarisini korurken rastgele başlatılmış ağırlıklarla eğitim yapar. |
cls_remap | bool | True | Veri kümeleri arasında ince ayar yaparken, sınıf adları eşleştiği durumlarda önceden eğitilmiş sınıflandırma başlığı satırlarını yeni modele kopyalar; böylece örtüşen sınıflar öğrendikleri bias değerlerini ve başlık genişliği değişmediğinde ağırlıklarını da korur. Sınıf sayıları farklı olsa da aynı olup sınıf sıraları değişse de uygulanır. |
optimizer | str | 'auto' | Eğitim için kullanılacak optimizasyon algoritmasını seçer. Seçenekler arasında SGD, MuSGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp veya eğitim yineleme sayısına göre AdamW ya da MuSGD seçmek için auto bulunur. Yakınsama hızını ve kararlılığını etkiler. |
seed | int | 0 | Eğitim için rastgelelik tohumunu ayarlayarak aynı yapılandırmalarla yapılan çalışmalarda sonuçların yeniden üretilebilir olmasını sağlar. |
deterministic | bool | True | Belirleyici algoritmaların kullanılmasını zorunlu kılar. Bu, yeniden üretilebilirliği sağlar ancak belirleyici olmayan algoritmaların kısıtlanması nedeniyle performansı ve hızı etkileyebilir. |
verbose | bool | True | Eğitim sırasında ayrıntılı çıktıyı etkinleştirir; ilerleme çubuklarını, her tur için metrikleri ve ek eğitim bilgilerini konsolda görüntüler. |
single_cls | bool | False | Çok sınıflı veri kümelerindeki tüm sınıfları eğitim sırasında tek bir sınıf olarak ele alır. İkili sınıflandırma görevlerinde veya sınıflandırma yerine nesnenin varlığına odaklanırken kullanışlıdır. |
classes | list[int] | None | Eğitim yapılacak sınıf kimliklerinin listesini belirtir. Eğitim sırasında belirli sınıfları filtreleyip yalnızca bunlara odaklanmak için kullanışlıdır. |
rect | bool | False | Minimum dolgu stratejisini etkinleştirir—bir gruptaki görüntüler, uzun kenar imgsz değerine eşit olacak şekilde ortak bir boyuta ulaşmaları için minimum düzeyde doldurulur. Verimliliği ve hızı artırabilir ancak model doğruluğunu etkileyebilir. Standart YOLO eğiticisi, bu ayardan bağımsız olarak detect, segment, pose ve OBB doğrulaması için rect=True kullanır. |
multi_scale | float | 0.0 | Her yığında imgsz değerini +/- multi_scale kadar rastgele değiştirir (ör. 0.25 -> 0.75x ile 1.25x arasına); model adım boyutunun katlarına yuvarlar. 0.0, çok ölçekli eğitimi devre dışı bırakır. |
cos_lr | bool | False | Kosinüs öğrenme oranı zamanlayıcısı kullanır ve öğrenme oranını turlar boyunca kosinüs eğrisini izleyerek ayarlar. Daha iyi yakınsama için öğrenme oranını yönetmeye yardımcı olur. |
close_mosaic | int | 10 | Eğitim tamamlanmadan önce kararlılığı artırmak için son N turda mozaik veri artırmayı devre dışı bırakır. 0 olarak ayarlanması bu özelliği kapatır. |
resume | bool | False | Eğitime son kaydedilen kontrol noktasından devam eder. Model ağırlıklarını, iyileştirici durumunu ve epoch sayısını otomatik olarak yükleyerek eğitimi kaldığı yerden sürdürür. |
amp | bool veya str | True | Eğitim duyarlığını ayarlar: True veya "fp16" FP16 kullanır, "bf16" desteklenen CUDA aygıtlarında BF16 kullanır, False veya "fp32" ise FP32 kullanır. |
quantize | int veya str | None | INT8 nicelik duyarlı eğitim (QAT) için 8 (veya "int8") olarak ayarla. Bu yöntem, ağırlıkların INT8 dışa aktarımını desteklemesi için eğitim döngüsünde sahte nicemleme kullanarak ince ayar yapar. Nicelik Duyarlı Eğitim sayfasına bak. |
fraction | float, int veya list | 1.0 | Veri kümesinin alt kümesini oran/sayı veya [train, val, test] listesi olarak belirtir. 1 tüm bölümü ifade eder, 1 üzerindeki tam sayılar görüntü sayısıdır ve yalnızca isteğe bağlı test girdisi yok anlamına gelen 0/0.0 değerlerini kabul eder. İki öğeli listeler test bölümünün tamamını korur. |
profile | bool | False | Model dağıtımını optimize etmek için kullanışlı olan ONNX ve TensorRT hızlarının eğitim sırasında profillenmesini sağlar. |
freeze | int veya list | None | Modelin ilk N katmanını veya dizine ya da modül adına göre belirli katmanları (23.cv2, baştaki model. olmadan) dondurarak eğitilebilir parametre sayısını azaltır. İnce ayar veya aktarım öğrenimi için kullanışlıdır. |
lr0 | float | 0.01 | İlk öğrenme oranı (ör. SGD=1E-2, Adam=1E-3). Varsayılan optimizer='auto' kullanılırken yok sayılır; kullanmak için bir iyileştiriciyi açıkça adlandır. |
lrf | float | 0.01 | Son öğrenme oranını ilk oranın kesri olarak ayarlar = (lr0 * lrf); zaman içinde öğrenme oranını ayarlamak için zamanlayıcılarla birlikte kullanılır. |
momentum | float | 0.937 | SGD/MuSGD momentumu veya Adam optimizatörleri için beta1. optimizer=auto ile AdamW, 0.9 değerini kullanır; MuSGD 0.9 değerinden başlar, ardından ısınma warmup_momentum değerinden momentum değerine enterpolasyon yapar. Isınma olmadan otomatik MuSGD, 0.9 değerinde kalır. |
weight_decay | float | 0.0005 | Aşırı öğrenmeyi önlemek için büyük ağırlıkları cezalandıran L2 düzenlileştirme terimi. |
warmup_epochs | float | 3.0 | Isınma epoch sayısı (kesirli değerlere izin verilir), son epoch'un ısınma dışında kalmasını sağlayacak şekilde sınırlandırılır. Öğrenme oranı 0'dan (warmup_bias_lr kaynaklı bias) zamanlanmış değerine, momentum warmup_momentum değerinden momentum değerine ve gradyan biriktirme 1 batch'ten nominal değerine (bkz. nbs) doğrusal olarak yükselir; tümü ısınma sona erdiğinde hedef değerlerine ulaşır. |
warmup_momentum | float | 0.8 | Momentum terimi kullanan optimize ediciler (SGD, MuSGD, RMSprop) için başlangıç momentumu; ısınmanın sonunda momentum değerine ulaşacak şekilde doğrusal olarak artırılır. Adam ailesinin beta1 değeri için ısınma uygulanmaz. |
warmup_bias_lr | float | 0.1 | Isınma aşamasında bias parametreleri için öğrenme oranı; ilk turlarda model eğitimini kararlı hâle getirmeye yardımcı olur. Varsayılan optimizer='auto' altında otomatik olarak 0.0 değerine ayarlanır; kullanmak için bir optimizasyon algoritmasını açıkça belirt. |
distill_model | str | None | Bilgi damıtma için öğretmen modeli kontrol noktası yolu (ör. yolo26x.pt). Ayarlandığında öğrenci modeli, dondurulmuş öğretmenin yönlendirdiği ek bir damıtma kaybıyla eğitilir. |
dis | float | 6.0 | Standart tespit kayıplarına eklenen damıtma kaybının ağırlığı. Daha yüksek değerler öğretmenin özellik rehberliğinin etkisini artırır. |
box | float | 7.5 | Kayıp fonksiyonundaki kutu kaybı bileşeninin ağırlığı; sınırlayıcı kutu koordinatlarını doğru tahmin etmeye ne kadar önem verileceğini belirler. |
cls | float | 0.5 | Toplam kayıp fonksiyonundaki sınıflandırma kaybının ağırlığı; diğer bileşenlere kıyasla doğru sınıf tahmininin önemini etkiler. |
cls_pw | float | 0.0 | Ters sınıf sıklığını kullanarak sınıf dengesizliğini ele almak için sınıf ağırlıklandırma kuvveti. 0.0 sınıf ağırlıklandırmasını devre dışı bırakır, 1.0 tam ters sıklık ağırlıklandırması uygular. 0 ile 1 arasındaki değerler kısmi ağırlıklandırma sağlar. |
dfl | float | 1.5 | Kutu uzaklığı regresyon teriminin ağırlığı: tespit başlığı reg_max > 1 kullanıyorsa dağılım odaklı kayıp (DFL), DFL içermeyen YOLO26'da (reg_max: 1) normalize edilmiş kutu uzaklıkları üzerinde L1 kaybı. |
pose | float | 12.0 | Poz tahmini için eğitilen modellerde poz kaybının ağırlığı; poz anahtar noktalarının doğru tahmin edilmesine verilen önemi etkiler. |
kobj | float | 1.0 | Poz tahmini modellerindeki anahtar nokta nesne olasılığı kaybının ağırlığı; tespit güveniyle poz doğruluğu arasında denge kurar. |
rle | float | 1.0 | Poz tahmini modellerindeki artık log-olabilirlik tahmini kaybının ağırlığı; anahtar noktaların konumlandırma hassasiyetini etkiler. |
angle | float | 1.0 | OBB modellerindeki açı kaybının ağırlığı; yönlendirilmiş sınırlayıcı kutu açısı tahminlerinin hassasiyetini etkiler. |
dlog | float | 1.0 | Derinlik tahmini modellerinde ölçekten bağımsız logaritmik (SILog) kaybın ağırlığı; derinlik doğruluğunu belirleyen temel terimdir. |
dgrad | float | 0.5 | Derinlik tahmini modellerindeki gradyan kaybının ağırlığı; derinlik kenarlarındaki hataları cezalandırır ve yüzey sınırlarının daha keskin olmasını sağlar. |
dlam | float | 1.0 | Derinlik tahmini modellerinde SILog kaybının varyans odaklama faktörü. 1.0, kaybı tamamen ölçekten bağımsız hâle getirirken 0.0 kaybı standart log-RMSE'ye indirger. |
nbs | int | 64 | Nominal batch boyutu. Gradyanlar, optimize edici adımı başına round(nbs / batch) batch boyunca biriktirilir (en az 1 ve time modu dışında çalıştırmadaki toplam batch sayısını aşmayacak şekilde) ve buna uyum sağlaması için weight_decay, batch * accumulate / nbs ile ölçeklendirilir. |
overlap_mask | bool | True | Nesne maskelerinin eğitim için tek bir maskede birleştirilip birleştirilmeyeceğini veya her nesne için ayrı tutulup tutulmayacağını belirler. Maskeler örtüştüğünde birleştirme sırasında küçük maske büyük maskenin üzerine yerleştirilir. |
mask_ratio | int | 4 | Eğitim sırasında kullanılan maskelerin çözünürlüğünü etkileyen segmentasyon maskesi alt örnekleme oranı. Tahmin edilen maskelerin çözünürlüğünü değiştirmez. |
dropout | float | 0.0 | Sınıflandırma görevlerinde düzenlileştirme için kullanılan dropout oranı; eğitim sırasında birimleri rastgele devre dışı bırakarak aşırı öğrenmeyi önler. |
val | bool | True | Eğitim sırasında doğrulamayı etkinleştirerek model performansının ayrı bir veri kümesinde düzenli olarak değerlendirilmesini sağlar. |
split | str | 'val' | Eğitim sırasında doğrulama için kullanılan veri kümesi bölümü: val, test veya train. Bu bölümün metrikleri best.pt seçimini belirler ve erken durdurmayı tetikler. |
nms | bool, isteğe bağlı | None | Tur doğrulaması, kontrol noktası seçimi ve erken durdurma için kullanılan çıkarım başlığını seçer. None veya True, NMS ile bire-çok başlığını kullanır; False ise kullanılabilir olduğunda NMS içermeyen başlığı kullanır. Her iki başlık da eğitim kayıplarını korur. |
plots | bool | True | Eğitim ve doğrulama metriklerinin yanı sıra tahmin örneklerinin grafiklerini oluşturup kaydederek model performansı ve öğrenme ilerleyişi hakkında görsel bilgiler sunar. |
compile | bool veya str | False | PyTorch 2.x torch.compile grafik derlemesini backend='inductor' ile etkinleştirir. True → "default", devre dışı bırakmak için False veya "default", "reduce-overhead", "max-autotune-no-cudagraphs" gibi bir dize modu kabul eder. Desteklenmiyorsa uyarı vererek eager moda geri döner. |
channels_last | bool | None | Eğitim sırasında evrişimler için channels_last (NHWC) bellek biçimini kullanır. None, Windows ve ölçümlerde daha yavaş olduğu görülen AMD ROCm dışında, PyTorch 1.11 veya daha yeni sürümlerde CUDA üzerinde bu biçimi otomatik olarak etkinleştirir. False biçimi devre dışı bırakır, True ise açıkça kullanılmasını ister. CPU veya MPS üzerinde eğitim her zaman NCHW biçiminde kalır (True uyarıyla yok sayılır). |
max_det | int | 300 | Eğitim doğrulaması sırasında görüntü başına en fazla algılama sayısı. Algılama, segmentasyon, poz ve OBB görevlerinde varsayılan 300 değeri yalnızca eğitim/doğrulama etiketli nesne sayısı 300'ü aştığında bu en yüksek sayıya çıkar. Diğer değerler sabit kalır; sınırın aşılması uyarı tetikler. |
batch argümanı üç tür değer kabul eder ve eğitici iki güvenlik önlemi ekler:
- Sabit Toplu İşlem Boyutu: Doğrudan her toplu işlemdeki görüntü sayısını belirten bir tam sayı değeri ayarla (ör.
batch=16). Çoklu GPU eğitimi, bu genel toplu işlem boyutunu GPU'lara eşit olarak böler; bu nedenle değer GPU sayısından az olmamalıdır. Kalan görüntüler atılır (ör. 2 GPU'dabatch=15, GPU başına 7 görüntüyle eğitim yapar). - Otomatik Mod (%60 GPU Belleği): Eğitim için kullanılabilir CUDA belleğinin yaklaşık %60'ına göre yığın boyutunu otomatik ayarlamak için
batch=-1kullan. - Kullanım Oranıyla Otomatik Mod: Kullanılabilir GPU belleğinin belirtilen kesrine göre yığın boyutunu ayarlamak için bir kesir değeri belirt (ör.
batch=0.70). - OOM Otomatik Yeniden Deneme: İlk epoch sırasında CUDA belleğinin yetersiz olduğuna dair bir hata oluşursa trainer, batch boyutunu otomatik olarak yarıya indirir ve yeniden dener (en fazla 3 kez). Bu yalnızca tek GPU ile eğitim için geçerlidir; çoklu GPU (DDP) eğitimi hatayı hemen verir.
- Uygun Boyut Bulunamadı: Kullanılabilir bir profil sağlayan aday yığın boyutu bulunamazsa AutoBatch, ilgisiz bir varsayılan değere sessizce dönmek yerine anlaşılır bir
RuntimeErrorhatası verir.
Veri Artırma Ayarları ve Hiperparametreler#
Veri artırma teknikleri, eğitim verilerine çeşitlilik katarak YOLO modellerinin sağlamlığını ve performansını artırmak, modelin daha önce görmediği verilere daha iyi genelleme yapmasına yardımcı olmak için gereklidir. Aşağıdaki tabloda her artırma argümanının amacı ve etkisi açıklanmaktadır:
| Bağımsız değişken | Tür | Varsayılan | Desteklenen Görevler | Aralık | Açıklama |
|---|---|---|---|---|---|
hsv_h | float | 0.015 | detect, segment, semantic, depth, classify, pose, obb | 0.0 - 1.0 | Görüntünün tonunu renk çemberinin belirli bir kesri kadar ayarlayarak renk çeşitliliği sağlar. Modelin farklı ışık koşullarına genelleme yapmasına yardımcı olur. classify için bu yalnızca auto_augment=None olduğunda uygulanır. |
hsv_s | float | 0.7 | detect, segment, semantic, depth, classify, pose, obb | 0.0 - 1.0 | Görüntünün doygunluğunu belirli bir kesir kadar değiştirerek renklerin yoğunluğunu etkiler. Farklı çevre koşullarını simüle etmek için kullanışlıdır. classify için bu yalnızca auto_augment=None olduğunda uygulanır. |
hsv_v | float | 0.4 | detect, segment, semantic, depth, classify, pose, obb | 0.0 - 1.0 | Modelin çeşitli ışık koşullarında iyi performans göstermesine yardımcı olmak için görüntünün değerini (parlaklığını) belirli bir kesir kadar değiştirir. classify için bu yalnızca auto_augment=None olduğunda uygulanır. |
degrees | float | 0 | detect, segment, semantic, depth, pose, obb | 0.0 - 180 | Görüntüyü belirtilen derece aralığında rastgele döndürerek modelin nesneleri farklı yönelimlerde tanıma becerisini geliştirir. |
translate | float | 0.1 | detect, segment, semantic, depth, pose, obb | 0.0 - 1.0 | Kısmen görünen nesneleri tespit etmeyi öğrenmeye yardımcı olmak için görüntüyü görüntü boyutunun belirli bir kesri kadar yatay ve dikey olarak kaydırır. |
scale | float | tuple | 0.5 | detect, segment, semantic, depth, classify, pose, obb | 0 - 1 veya açıkça belirtilen bir (min, max) demeti (classify için değil) | Görüntüyü bir kazanç katsayısına göre ölçekleyerek kameraya farklı uzaklıklardaki nesneleri simüle eder. |
shear | float | 0 | detect, segment, semantic, depth, pose, obb | -180 - +180 | Nesnelerin farklı açılardan görüntülenme etkisini taklit etmek için görüntüyü belirtilen derece kadar keser. |
perspective | float | 0 | detect, segment, semantic, depth, pose, obb | 0.0 - 0.001 | Modelin nesneleri 3B uzayda anlama becerisini geliştirmek için görüntüye rastgele perspektif dönüşümü uygular. |
flipud | float | 0 | detect, segment, semantic, depth, classify, pose, obb | 0.0 - 1.0 | Nesnenin özelliklerini etkilemeden veri çeşitliliğini artırmak için görüntüyü belirtilen olasılıkla baş aşağı çevirir. |
fliplr | float | 0.5 | detect, segment, semantic, depth, classify, pose, obb | 0.0 - 1.0 | Simetrik nesneleri öğrenmek ve veri kümesi çeşitliliğini artırmak için görüntüyü belirtilen olasılıkla soldan sağa çevirir. |
bgr | float | 0 | detect, segment, semantic, depth, pose, obb | 0.0 - 1.0 | Yanlış kanal sıralamasına karşı sağlamlığı artırmak için görüntü kanallarını belirtilen olasılıkla RGB'den BGR'ye çevirir. |
mosaic | float | 1 | detect, segment, semantic, pose, obb | 0.0 - 1.0 | Dört eğitim görüntüsünü tek bir görüntüde birleştirerek farklı sahne bileşimlerini ve nesne etkileşimlerini taklit eder. Karmaşık sahneleri anlamak için etkilidir. |
mixup | float | 0 | detect, segment, semantic, pose, obb | 0.0 - 1.0 | İki görüntüyü ve bunların etiketlerini harmanlayarak bileşik bir görüntü oluşturur. Etiket gürültüsü ve görsel çeşitlilik ekleyerek modelin genelleme becerisini geliştirir. |
cutmix | float | 0 | detect, segment, semantic, pose, obb | 0.0 - 1.0 | İki görüntünün bölümlerini birleştirerek ayrı bölgeleri koruyan kısmi bir harmanlama oluşturur. Örtülme durumları oluşturarak modelin sağlamlığını artırır. |
copy_paste | float | 0 | segment, semantic, obb | 0.0 - 1.0 | Yapıştırılmaya uygun nesnelerin yapıştırılma oranı; flip nesneleri görüntü içinde aynalar, mixup ise bu değeri görüntüler arası uygulama olasılığı olarak da kullanır. |
copy_paste_mode | str | flip | segment, semantic, obb | - | Kullanılacak copy-paste stratejisini belirtir. Seçenekler arasında 'flip' ve 'mixup' bulunur. |
auto_augment | str | randaugment | classify | - | Görsel çeşitlilik yoluyla model performansını artırmak için önceden tanımlanmış bir artırma politikasını ('randaugment', 'autoaugment' veya 'augmix') uygular. |
erasing | float | 0.4 | classify | 0.0 - 1.0 | Modelin daha az belirgin özelliklere odaklanmasını teşvik etmek için eğitim sırasında görüntünün bazı bölgelerini rastgele siler. |
augmentations | list | None | detect, segment, semantic, depth, pose, obb | - | Gelişmiş veri artırma için özel Albumentations dönüşümleri (yalnızca Python API'si). Özel artırma ihtiyaçları için dönüşüm nesnelerinden oluşan bir liste kabul eder. |
Bu ayarlar, veri kümesinin ve ilgili görevin özel gereksinimlerini karşılayacak şekilde düzenlenebilir. Farklı değerleri denemek, en iyi artırma stratejisini bulmana yardımcı olabilir.
Eğitimde kullanılan veri artırma işlemleri hakkında daha fazla bilgi için başvuru bölümüne bak.
Günlük Kaydı#
Eğitim metrikleri, grafikler ve kontrol noktaları her zaman çalıştırma dizinine yazılır. Ayrıca Ultralytics bunları yükleyip etkinleştirdiğin tüm deney izleyicilerine aktarır: Comet, ClearML, TensorBoard, MLflow, Weights & Biases ve DVCLive. Her günlükleyici, örneğin yolo settings tensorboard=True aracılığıyla Ultralytics ayarlarından etkinleştirilip devre dışı bırakılır. En yaygın üç kurulum aşağıda gösterilmiştir.
Comet#
Comet, veri bilimcilerin ve geliştiricilerin deneyleri ve modelleri izlemesine, karşılaştırmasına, açıklamasına ve optimize etmesine olanak tanıyan bir platformdur. Gerçek zamanlı metrikler, kod farklılıkları ve hiperparametre izleme olanağı sunar.
Comet'i kullanmak için:
# pip install comet_ml
import comet_ml
comet_ml.login()Comet hesabında oturum açıp API anahtarını web sitelerinden almayı unutma. Deneylerini kaydetmek için bu anahtarı ortam değişkenlerine veya betiğine eklemen gerekir.
ClearML#
ClearML, deneylerin takibini otomatikleştiren ve kaynakların verimli şekilde paylaşılmasına yardımcı olan açık kaynaklı bir platformdur. Ekiplerin ML çalışmalarını daha verimli biçimde yönetmesine, yürütmesine ve yeniden üretmesine yardımcı olmak için tasarlanmıştır.
ClearML'yi kullanmak için:
# pip install clearml
import clearml
clearml.browser_login()Bu betiği çalıştırdıktan sonra tarayıcıda ClearML hesabında oturum açman ve oturumunu doğrulaman gerekir.
TensorBoard#
TensorBoard, TensorFlow için bir görselleştirme araç setidir. TensorFlow grafiğini görselleştirmene, grafiğin çalışmasına ilişkin nicel metrikleri çizdirmene ve grafikten geçen görüntüler gibi ek verileri görüntülemene olanak tanır.
Google Colab ortamında TensorBoard'u kullanmak için:
%load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directoryTensorBoard'u yerel olarak kullanmak için aşağıdaki komutu çalıştır ve sonuçları localhost:6006 adresinde görüntüle.
tensorboard --logdir ultralytics/runs # replace with 'runs' directoryBu işlem TensorBoard'u yükler ve eğitim günlüklerinin kaydedildiği dizine yönlendirir.
Günlükleyicini kurduktan sonra eğitimi her zamanki gibi başlat. Eğitim metrikleri seçtiğin platforma otomatik olarak kaydedilir. Burada zaman içindeki performansı izleyebilir, modelleri karşılaştırabilir ve iyileştirilmesi gereken alanları belirleyebilirsin.
Sırada ne var?#
Gerçek dünya doğruluğunu kontrol etmek için eğittiğin modeli eğitimde kullanılmamış verilerle doğrula, ardından ONNX, TensorRT veya başka bir dağıtım biçimine aktar. COCO8 yerine kendi verilerinle mi eğitim yapıyorsun? Önce Veri Kümeleri kılavuzuyla biçimlendir.
Sık Sorulan Sorular#
Evet. Ultralytics Platform bulut eğitimi, başlamak için ücretsiz krediler sunar. Veri kümeni yükle, bir model ve GPU seç, ardından doğrudan tarayıcıdan eğitim yap.
Ultralytics YOLO26 ile nesne algılama modeli eğitmek için Python API'sini veya CLI'yi kullanabilirsin. Aşağıda her iki yönteme de bir örnek verilmiştir:
Tek GPU ve CPU Eğitim Örneğifrom ultralytics import YOLO # Bir model yükle model = YOLO("yolo26n.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir) # Modeli eğit results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Daha fazla bilgi için Eğitim Ayarları bölümüne bak.
Ultralytics YOLO26'nın Eğitim modunun temel özellikleri şunlardır:
- Otomatik Veri Kümesi İndirme: COCO, VOC ve ImageNet gibi standart veri kümelerini otomatik olarak indirir.
- Çoklu GPU Desteği: Daha hızlı işlem için eğitimi birden fazla GPU'ya dağıtır.
- Hiperparametre Yapılandırması: Hiperparametreleri YAML dosyaları veya CLI bağımsız değişkenleriyle özelleştirir.
- Görselleştirme ve İzleme: Daha iyi içgörüler için eğitim metriklerini gerçek zamanlı olarak izler.
Bu özellikler eğitimi ihtiyaçlarına göre verimli ve özelleştirilebilir hâle getirir. Daha fazla bilgi için Eğitim Modunun Temel Özellikleri bölümüne bak.
Kesintiye uğramış bir oturumdan eğitime devam etmek için
resumebağımsız değişkeniniTrueolarak ayarla ve son kaydedilen checkpoint'in yolunu belirt.Eğitime Devam Etme Örneğifrom ultralytics import YOLO # Kısmen eğitilmiş modeli yükle model = YOLO("path/to/last.pt") # Eğitime devam et results = model.train(resume=True)Daha fazla bilgi için Kesintiye Uğramış Eğitimlere Devam Etme bölümüne bak.
Sınıf dengesizliği, eğitim verilerindeki bazı sınıfların diğerlerine kıyasla önemli ölçüde daha az örneğe sahip olması durumunda ortaya çıkar. Bu, modelin nadir sınıflarda düşük performans göstermesine neden olabilir. Ultralytics YOLO, bu sorunu gidermek için
cls_pwargümanı üzerinden sınıf ağırlıklandırmayı destekler. Kayıp ağırlıklandırma en iyi sonucu son adım olarak, nadir sınıfları topladıktan ve aşırı örnekledikten sonra verir; Sınıf Dengesizliğini Giderme bölümünde açıklandığı gibi.cls_pwbağımsız değişkeni, ters sınıf sıklığına göre sınıf ağırlıklandırmasının gücünü denetler:cls_pw=0.0(varsayılan): Sınıf ağırlıklandırmasını devre dışı bırakırcls_pw=1.0: Ters sıklık ağırlıklandırmasını tam olarak uygular0.0ile1.0arasındaki değerler: Orta düzeyde dengesizlik için kısmi ağırlıklandırma sağlar
Sınıf ağırlıkları
(1.0 / class_counts) ^ cls_pwolarak hesaplanır ve ortalamaları 1.0 olacak şekilde normalize edilir.class_counts, sınıf başına etiketlenmiş nesne sayısıdır; sınıflandırmada ise sınıf başına eğitim görüntüsü sayısıdır.classes=tarafından hariç tutulanlar gibi eğitim etiketi olmayan sınıflara 1.0 ağırlık verilir. Semantik segmentasyon, ağırlıkları bunun yerine piksel sıklığına göre hesaplar:(1.0 / ln(1.02 + p)) ^ cls_pw; buradap, her sınıftaki etiketlenmiş eğitim piksellerinin oranıdır. Bu nedenle etiketlenmiş pikseli olmayan bir sınıf en yüksek ağırlığı alır.Dengesiz Veri Kümesinde Eğitimfrom ultralytics import YOLO # Önceden eğitilmiş bir modeli yükle model = YOLO("yolo26n.pt") # Aşırı dengesiz veriler için tam sınıf ağırlıklandırmasıyla eğitim yap results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=1.0) # Ya da orta düzeyde dengesizlik için kısmi ağırlıklandırma (0.25) kullan results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=0.25)İpucuOrta düzeyde dengesiz veri kümeleri için
cls_pw=0.25ile başla; nadir sınıflar hâlâ düşük performans gösteriyorsa1.0değerine yükselt. Ağırlık dağılımını doğrulamak için eğitim günlüklerinde hesaplanan sınıf ağırlıklarını kontrol edebilirsin.Evet, Ultralytics YOLO26, Metal Performance Shaders (MPS) çerçevesini kullanarak Apple silicon yongalarında eğitimi destekler. Eğitim cihazı olarak
mpsbelirt.MPS Eğitim Örneğifrom ultralytics import YOLO # Önceden eğitilmiş bir modeli yükle model = YOLO("yolo26n.pt") # Modeli Apple silicon çipinde eğit (M1/M2/M3/M4) results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")Daha fazla bilgi için Apple Silicon MPS ile Eğitim bölümüne bak.
Ultralytics YOLO26; batch boyutu, öğrenme hızı, epoch sayısı ve daha fazlası gibi çeşitli eğitim ayarlarını bağımsız değişkenlerle yapılandırmana olanak tanır. İşte kısa bir özet:
Bağımsız değişken Varsayılan Açıklama modelNoneEğitim için model dosyasının yolu. dataNoneVeri kümesi YAML dosyasının yolu (ör. coco8.yaml) veya sınıflandırma için veri kümesi dizini ya da adı (ör.imagenet10).epochs100Toplam eğitim epoch sayısı. batch16Tam sayı olarak veya otomatik modda ayarlanabilen batch boyutu. imgsz640Eğitim için hedef görüntü boyutu. deviceNoneEğitim için kullanılacak cpu,0,0,1veyampsgibi hesaplama aygıtları.saveTrueEğitim checkpoint'lerinin ve son model ağırlıklarının kaydedilmesini etkinleştirir. Eğitim ayarları hakkında ayrıntılı bir kılavuz için Eğitim Ayarları bölümüne bak.
Yorumlar1.074
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
drcosimo
Hi there, I' m new to this field and I'm trying to train a YOLO model for detection and tracking of video streams for security.
Until now I have managed to create my pipeline for training and I want to understand if it's a correct/possible approach:
-
Load a pretrained model from yolo
-
transfer learning with my custom dataset that possibly can focus on just some classes(person,car,truck,bus,bycicle)
-
Validate model to see how it performs
-
Operate a tuning with the custom best model and using my custom dataset
-
Retrain the initial pretrained model with my custom dataset and the best hyperparameters found in the tuning process.
-
Validate final model
The questions are several:
- The above approach is logically correct or it has flaws?
- Is it correct to narrow the detected classes? Or it isn't crucial to the precision of the model?
- When tuning(if its a correct approach) should i use my dataset or try the coco dataset to keep generalization?
- When tuning should i specify the classes to detect?
- When retraining should I use the first pretrained model or it is better to use my custom trained model?
- In the final training am I using the correct parameters?
Here the code of the pipeline:
from ultralytics import YOLO import yaml
load pretrained model from coco dataset
model:YOLO = YOLO('yolov8n.yaml').load('yolov8n.pt')
train_classes = []
NOTE if you're using COCO format, the new dataset should also be in COCO format.
operate transfer learning with my custom dataset, narrowing the classes to the ones I want to detect
model.train(data='custom_data.yaml',classes=train_classes,epochs=200,imgsz=640,optimizer='AdamW',device=[0,1],augment=True,name='custom_model')
load custom model
custom_model = YOLO('path/to/best.pt')
validate custom model
custom_model.val()
try tuning to find the best hyperparameters for my custom model
custom_model.tune(data='custom_data.yaml', epochs=50, iterations=100,optimizer="AdamW", plots=True,save=True,val=True)
load best hyperparameters
cfg = yaml.load(open('path/to/best_hyperparameters.yaml'))
retrain custom model from pretrained on coco with best hyperparameters
model.train(data='custom_data.yaml',classes=train_classes,epochs=200,imgsz=640,device=[0,1],name='custom_model',exist_ok=True,optimizer='AdamW',**cfg)
load and validate
tuned_custom_model = YOLO('path/to/best.pt')
tuned_custom_model.val()
Thank you for your effort and time in this project!
3
Paula DerrengerUltralytics(düzenlendi)Hello,
Your approach to training a YOLO model for detection and tracking is well-thought-out and mostly aligns with best practices. Here are some insights and answers to your questions:
-
Approach Validity: Your steps are logically sound. Starting with a pretrained model and applying transfer learning to your specific classes is a recommended strategy. Validating and tuning based on the performance helps refine the model further.
-
Narrowing Detected Classes: It's perfectly fine to focus on specific classes if those are the only ones relevant to your use case. This can help improve the model's performance by reducing the complexity of the problem it needs to solve.
-
Dataset for Tuning: Use your custom dataset for tuning. This ensures that the hyperparameters are optimized for the specific characteristics of your data rather than the general characteristics of the COCO dataset.
-
Specifying Classes During Tuning: When tuning, you should specify the classes if your dataset is a subset of the original classes used in the pretrained model. This helps in focusing the model’s learning and evaluation on relevant classes.
-
Model for Retraining: Tuning only finds hyperparameters, so the usual practice is to train again from the original pretrained model with the best hyperparameters, as in your step 5. Continuing from the already fine-tuned model is also possible, but then it effectively trains for longer, which makes the result harder to compare with the tuning runs.
-
Parameters for Final Training: The parameters should be chosen based on the results of your tuning. Ensure that they are the ones that gave the best validation performance during the tuning phase.
Keep up the great work, and don't hesitate to reach out if you have more questions!
-
drcosimo
Thank you very much for you response. I adjusted my script to follow your insights. I have another question regarding transfer learning. The normal approach in transfer learning is to freeze the first n layers to preserve the more generic feature extraction properties of an already trained model and then it is retrained letting only the remaining layers update. I found the callback function to achieve this. My question is, applying the fine-tuning as specified by ultralytics documentation has the same effect? What I mean is: executing the train method again on a pretrained model changing the dataset causes the underlying library to execute the freeze automatically? If it isn't the case it is not clear to me why the fine-tuning is said to have the same effect as applying transfer learning.
Another question is: it is useful to take a pretrained model from ultralytics and train it with the coco dataset? Because from what I know the pretrained model is already trained using coco dataset. Doing such a thing following the logic you provide for fine-tuning would be essentially the same as resuming a training / do the same train with more epochs?
Thank you again for your time.
Paula DerrengerUltralyticsHello,
Thank you for your follow-up questions. Let's address each of them:
-
Freezing Layers in Transfer Learning: The Ultralytics YOLO framework does not automatically freeze any layers when you initiate training, even if you're using a pretrained model. If you want to freeze the first N layers (common in transfer learning to preserve learned features), you must explicitly specify this in your training script. This is different from some other frameworks that might automate this aspect of transfer learning.
-
Training on COCO Dataset with a Pretrained Model: If the pretrained model you are using was already trained on the COCO dataset, retraining it on the same dataset without significant changes or additional data might not yield substantial improvements. It could be beneficial for fine-tuning if you've made modifications to the model architecture or if you're using a significantly altered version of the dataset. However, generally, this approach would indeed be akin to simply extending the training duration.
For fine-tuning and transfer learning, it's crucial to tailor the approach based on what changes you've made to the dataset or model and your specific goals (e.g., improving accuracy, adapting to new classes, etc.).
I hope this clarifies your queries! If you have more questions or need further assistance, feel free to ask.
-
-
wangztao
这个翻译太那啥了吧, train翻译成火车?
3
Paula DerrengerUltralytics哈哈,确实,“train”翻译成“火车”听起来很有趣 😄。这里的“train”应该翻译为“训练”,指的是在机器学习中对模型进行训练,以提高其准确性和效率。感谢您指出这个问题,我们会尽快修正翻译错误。如果您有任何其他建议或问题,欢迎随时告诉我们!🚀
2
Syedshajib55
Hi, does platform.ultralytics currently support using custom PyTorch modules directly via a YAML configuration without modifying tasks.py or the core source code? We are attempting to train a custom architecture (e.g., YOLO26) and want to know if there is an existing feature for dynamic module registration.
1Muh-7
Hi, As far as I know, not at the moment. Ultralytics doesn't seem to have a built-in dynamic registration system where you can define a custom PyTorch module outside the repo and then use it directly in the YAML.
Usually, the custom module still needs to be imported/registered in
tasks.pyso thatparse_model()can resolve it from the YAML.It would be really useful if Ultralytics added something like a
register_module()API for this, though.
Murat Raimbekov@Syedshajib55 @Muh-7 Platform can train any model that the
ultralyticsPython package can build, including custom architectures from a modified package or fork. The custom code runs on your own hardware; Platform receives real-time metrics, console and system logs, plots, and the final weights.There is no dynamic registration API.
parse_model()resolves layer names from theultralytics.nn.tasksnamespace, so a name in your YAML must exist there. You don't need to edittasks.pyfor that — expose the class from your own package before building the model:import ultralytics.nn.tasks as tasks from my_custom_package import MyBlock tasks.MyBlock = MyBlock # now `[-1, 1, MyBlock, [...]]` resolves in the YAMLFull local training with metric streaming to Platform:
pip install "ultralytics>=8.4.120" export ULTRALYTICS_API_KEY="YOUR_API_KEY"import ultralytics.nn.tasks as tasks from my_custom_package import MyBlock from ultralytics import YOLO tasks.MyBlock = MyBlock model = YOLO("custom-model.yaml") # YAML referencing MyBlock model.train( data="ul://username/datasets/my-dataset", epochs=100, project="username/my-project", name="custom-architecture", )projectandnameenable the Platform integration automatically; nothing else is required. Verified on 8.4.157 with a customnn.Moduleinserted into a YOLO26n YAML: the model builds, trains, and appears on Platform as a completed run with weights and train args.One caveat: the saved
.ptpickles the class by import path (my_custom_package.MyBlock), so any environment that loads it needs that package importable — otherwise loading fails withModuleNotFoundError. That includes Platform-side features that load the uploaded weights with the stock package (Predict, Export, Deploy); local training and streaming are unaffected. Setup details: https://docs.ultralytics.com/platform/train/cloud-training/#remote-training
RussellLee12345
Hello all,
I want my training images to rotate 360 degrees randomly. How do I set the hyper-parameter: degrees?
Thanks a lot.
1
Glenn JocherUltralytics@RussellLee12345 to rotate your training images randomly up to 360 degrees, set the
degreesparameter to180in your training configuration. This allows for rotations within the range of -180 to +180 degrees. For more details, see the augmentation settings in the Train Settings documentation.
GKYoffice
Please tell me how to set imgsz when I use the yolo11 model for training. Can it only be an integer (this means that the final input is a square)? After I modify this parameter, will the input interface of the network change the input of data? There are corresponding transformations, such as imgsz=1280, does it mean that my input data will be resized to 1280*1280 and input into the network for training?
Thanks!
1
Glenn JocherUltralytics@GKYoffice when using the YOLO11 model,
imgszcan be set as an integer, which resizes the input data to a square of that size (e.g.,1280x1280). This parameter adjusts the input dimensions for training. For more details, please visit the training documentation.
IruhDegSet
hi, I'm just wondering if yolov8 accepts class weights, in the data.yaml file:
names: ['class 1', 'class 2', 'class 3'] classes_weights: [c1_weight, c2_weight, c3_weight]if no how to incorpoorate wighted loss in yolov8 THX
1IruhDegSet
I forgot to mention that the task is segmentation not bb detection
1
Glenn JocherUltralytics@IruhDegSet yOLOv8 does not directly support class weights in the
data.yamlfile. To incorporate weighted loss, you can modify the loss function in the training script to apply different weights to each class. For more details, you might explore custom loss implementations in PyTorch.IruhDegSet
@glenn-jocher thank you for your reply, does this apply on yolo v 11 too?
Glenn JocherUltralytics(düzenlendi)Yes, YOLO11 supports similar features, including training and hyperparameter customization. For specific details on YOLO11, please refer to the documentation or the relevant sections in the repository.
UserDear author, how are the weights of these three losses set: box: 7.5, cls: 0.5, dfl: 1.5? Are they adjusted on the COCO validation, manually adjusted, or obtained through hyperparameter search? For the model I trained, the output confidence scores are very low. I directly increased the weight of cls by 10 times, but the effect did not improve. What other methods can I take?
1
Glenn JocherUltralytics@Stephen-Hao the weights for the
box,cls, anddfllosses in YOLOv8 are typically set based on empirical results and fine-tuning on standard datasets like COCO. These values are chosen to balance the contributions of each loss component to the overall training process. If increasing theclsweight did not improve your model's performance, consider the following approaches:- Hyperparameter Tuning: Experiment with other hyperparameters such as learning rate, batch size, and augmentation settings.
- Data Quality: Ensure your dataset is well-labeled and balanced. Poor quality data can significantly affect model performance.
- Training Duration: Increase the number of epochs to allow the model more time to learn.
- Validation: Regularly validate your model to monitor overfitting and adjust training strategies accordingly.
For more detailed guidance, you can refer to the Ultralytics YOLO training documentation.
UserThank you a lot!
Glenn JocherUltralytics@Stephen-Hao thank you for your question! The weights for
box,cls, anddfllosses are typically set based on empirical results and fine-tuning on standard datasets like COCO. If increasing theclsweight didn't improve your model's performance, consider experimenting with other hyperparameters such as learning rate, batch size, and augmentation settings. Additionally, ensure your dataset is well-labeled and balanced. For more detailed guidance, you can refer to the Ultralytics YOLO training documentation.
karthikUthaman
how to train a trained model again with new dataset
1
Glenn JocherUltralytics(düzenlendi)Hey there! 🙌 It's awesome that you're looking to further improve your model with new data. To re-train a pre-trained model on a new dataset, you can simply follow these steps:
-
Make sure your new dataset is prepared in the same YOLO format as your initial training (a dataset YAML plus one
.txtlabel file per image). -
Load your pre-trained model using the
YOLOloading method, then specify your new dataset in thetrainmethod. Here's a quick code snippet for clarity:from ultralytics import YOLO # Load your pre-trained model model = YOLO('path/to/your/pretrained/model.pt') # Start training on the new dataset results = model.train(data='path/to/your/new/dataset.yaml', epochs=50, imgsz=640)
Just replace
'path/to/your/pretrained/model.pt'and'path/to/your/new/dataset.yaml'with the actual paths to your model and new dataset config file, respectively. Adjust theepochsandimgsz(image size) to suit your needs. 🛠️That's it! Your model will now continue training on the new dataset. If you have any further questions or run into issues, feel free to ask. Happy training! 🚀
-
songziang182
谢谢你们开发了这么完善的 yolov8🙏, 我想问一下,这两种训练方式的区别 model = YOLO('yolov8n.pt') model = YOLO('yolov8n.yaml').load('yolov8n.pt') model.train(.........)
1
Paula DerrengerUltralyticsHello there! 😊
The main difference between the two training methods you've mentioned:
-
model = YOLO('yolov8n.pt'): This directly loads a pretrained YOLOv8n model. It's the simplest way to load a model that has already been trained, making it ready for further training, evaluation, or inference right away. -
model = YOLO('yolov8n.yaml').load('yolov8n.pt'): This approach builds a new model from the YAML configuration file and then transfers the weights from the pretrained.ptmodel. It's a two-step process, where the model is first constructed based on the architecture defined in the YAML file, and then the weights from a pretrained model are loaded. This method is useful when you want to customize the model architecture before loading the weights.
Both methods ultimately get you to a similar starting point for continuing training or making predictions. The choice depends on whether you need to customize the model architecture as defined in the YAML file before applying the pretrained weights.
Let me know if this helps or if you have more questions!
-
songziang182
Thank you for answering me. I find it very useful. I have another question, which is the configuration file yolov8n.yaml. I didn’t find where it is. Can I adjust the scale of the model, for example, n, s, m, l, etc., is this the case?
Paula DerrengerUltralytics(düzenlendi)Hey! 😊 Thank you for your kind words, and I'm glad the information was helpful to you!
Regarding the
yolov8n.yamlconfiguration file, it defines the architecture for YOLOv8 models. All scales share one model file (yolov8.yaml) that contains ascalessection mapping each letter to[depth, width, max_channels]; the letter in the name you load (yolov8n.yaml,yolov8s.yaml, ...) selects the scale:scales: n: [0.33, 0.25, 1024] s: [0.33, 0.50, 1024]To create or modify a model, copy the YAML from the Ultralytics GitHub repository, edit the layers or scales, then load it together with the pretrained weights as you mentioned:
model = YOLO('path/to/custom_yolov8.yaml').load('yolov8n.pt') model.train(.........)Model changes can require a solid understanding of the network architecture to be effective.
I hope this clarifies your question! Feel free to reach out if you have further queries or need more examples. 😊
vonzo
So, imgsz works different when training than when predicting?
For train: if it's an
intthe ratio will be kept and the train function will take care of that (can't be atuple). For predict: if it's anintthe image will be resized as a square of sizeimgsz x imgsz, if it's atuplethe image will be resized usingHxWand the user has to take care of the ratio andstride.Is this right? I would add a comment in the doc to avoid confusions
1
Paula DerrengerUltralytics(düzenlendi)You've got it mostly right! 👍 For training (
train),imgszis anint, the aspect ratio is maintained and resizing is handled internally. It can't be atuple. For prediction (predict), anintimgszresizes the longest side toimgszwhile keeping the aspect ratio, with padding only up to a multiple of the model stride (so the image is not forced into a square), and a[h, w]list sets the size explicitly.Great suggestion on the documentation comment – clarity is key! If you have any more questions or need further examples, feel free to ask. 😊
