Đào tạo mô hình với Ultralytics YOLO

Giới thiệu

Training a deep learning model involves feeding it data and adjusting its parameters so that it can make accurate predictions. Train mode in Ultralytics YOLO11 is engineered for effective and efficient training of object detection models, fully utilizing modern hardware capabilities. This guide aims to cover all the details you need to get started with training your own models using YOLO11's robust set of features.

Xem: How to Train a YOLO model on Your Custom Dataset in Google Colab.

Tại sao chọn Ultralytics YOLO để đào tạo?

Here are some compelling reasons to opt for YOLO11's Train mode:

• Hiệu quả: Tận dụng tối đa phần cứng của bạn, cho dù bạn đang sử dụng một phần cứng duy nhấtGPU thiết lập hoặc thay đổi quy mô trên nhiều GPU.
• Linh hoạt: Đào tạo về các bộ dữ liệu tùy chỉnh ngoài các bộ dữ liệu có sẵn như COCO, VOC và ImageNet.
• Thân thiện với người dùng: Đơn giản nhưng mạnh mẽ CLI và Python giao diện cho trải nghiệm đào tạo đơn giản.
• Tính linh hoạt của siêu tham số: Một loạt các siêu tham số có thể tùy chỉnh để tinh chỉnh hiệu suất mô hình.

Các tính năng chính của chế độ tàu

The following are some notable features of YOLO11's Train mode:

• Tải xuống tập dữ liệu tự động: Các bộ dữ liệu tiêu chuẩn như COCO, VOC và ImageNet được tải xuống tự động vào lần sử dụng đầu tiên.
• Đa-GPU Hỗ trợ: Mở rộng quy mô nỗ lực đào tạo của bạn một cách liền mạch trên nhiều GPU để đẩy nhanh quá trình.
• Cấu hình siêu tham số: Tùy chọn sửa đổi siêu tham số thông qua tệp cấu hình YAML hoặc CLI lập luận.
• Trực quan hóa và giám sát: Theo dõi thời gian thực các số liệu đào tạo và trực quan hóa quá trình học tập để có thông tin chi tiết tốt hơn.

Ví dụ sử dụng

Train YOLO11n on the COCO8 dataset for 100 epochs at image size 640. The training device can be specified using the device lý lẽ. Nếu không có đối số nào được thông qua GPU device=0 sẽ được sử dụng nếu có, nếu không device='cpu' sẽ được sử dụng. Xem phần Đối số bên dưới để biết danh sách đầy đủ các đối số đào tạo.

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

Đa-GPU Đào tạo

Đa-GPU đào tạo cho phép sử dụng hiệu quả hơn các tài nguyên phần cứng có sẵn bằng cách phân phối tải đào tạo trên nhiều GPU. Tính năng này có sẵn thông qua cả hai Python API và giao diện dòng lệnh. Để bật multi-GPU đào tạo, chỉ định GPU ID thiết bị bạn muốn sử dụng.

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 M1 và M2 MPS Đào tạo

Với sự hỗ trợ cho chip Apple M1 và M2 được tích hợp trong Ultralytics YOLO giờ đây, bạn có thể đào tạo các mô hình của mình trên các thiết bị sử dụng Bộ đổ bóng hiệu suất kim loại mạnh mẽ (MPS) khung. Các MPS cung cấp một cách hiệu suất cao để thực hiện các tác vụ tính toán và xử lý hình ảnh trên silicon tùy chỉnh của Apple.

Để bật đào tạo trên chip Apple M1 và M2, bạn nên chỉ định 'mps'như thiết bị của bạn khi bắt đầu quá trình đào tạo. Dưới đây là một ví dụ về cách bạn có thể làm điều này trong Python và thông qua dòng lệnh:

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

Trong khi tận dụng sức mạnh tính toán của chip M1 / M2, điều này cho phép xử lý hiệu quả hơn các tác vụ đào tạo. Để được hướng dẫn chi tiết hơn và các tùy chọn cấu hình nâng cao, vui lòng tham khảo PyTorch MPS tài liệu.

Tiếp tục các khóa đào tạo bị gián đoạn

Tiếp tục đào tạo từ trạng thái đã lưu trước đó là một tính năng quan trọng khi làm việc với các mô hình học sâu. Điều này có thể hữu ích trong các tình huống khác nhau, như khi quá trình đào tạo bị gián đoạn bất ngờ hoặc khi bạn muốn tiếp tục đào tạo một mô hình với dữ liệu mới hoặc cho nhiều kỷ nguyên hơn.

When training is resumed, Ultralytics YOLO loads the weights from the last saved model and also restores the optimizer state, learning rate scheduler, and the epoch number. This allows you to continue the training process seamlessly from where it was left off.

Bạn có thể dễ dàng tiếp tục đào tạo trong Ultralytics YOLO bằng cách thiết lập resume Lập luận để True Khi gọi train phương pháp và chỉ định đường dẫn đến .pt tệp chứa trọng lượng mô hình được đào tạo một phần.

Dưới đây là ví dụ về cách tiếp tục đào tạo bị gián đoạn bằng cách sử dụng Python và thông qua dòng lệnh:

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

Bằng cách cài đặt resume=True, các train Hàm sẽ tiếp tục đào tạo từ nơi nó dừng lại, sử dụng trạng thái được lưu trữ trong tệp 'path / to / last.pt'. Nếu resume Đối số bị bỏ qua hoặc đặt thành False, các train Chức năng sẽ bắt đầu một buổi đào tạo mới.

Remember that checkpoints are saved at the end of every epoch by default, or at fixed intervals using the save_period lập luận, vì vậy bạn phải hoàn thành ít nhất 1 kỷ nguyên để tiếp tục chạy đào tạo.

Cài đặt tàu

The training settings for YOLO models encompass various hyperparameters and configurations used during the training process. These settings influence the model's performance, speed, and accuracy. Key training settings include batch size, learning rate, momentum, and weight decay. Additionally, the choice of optimizer, loss function, and training dataset composition can impact the training process. Careful tuning and experimentation with these settings are crucial for optimizing performance.

Cài đặt tăng cường và siêu tham số

Augmentation techniques are essential for improving the robustness and performance of YOLO models by introducing variability into the training data, helping the model generalize better to unseen data. The following table outlines the purpose and effect of each augmentation argument:

Các cài đặt này có thể được điều chỉnh để đáp ứng các yêu cầu cụ thể của tập dữ liệu và tác vụ trong tầm tay. Thử nghiệm với các giá trị khác nhau có thể giúp tìm ra chiến lược tăng cường tối ưu dẫn đến hiệu suất mô hình tốt nhất.

Đăng nhập

In training a YOLO11 model, you might find it valuable to keep track of the model's performance over time. This is where logging comes into play. Ultralytics' YOLO provides support for three types of loggers - Comet, ClearML, and TensorBoard.

Để sử dụng trình ghi nhật ký, hãy chọn nó từ menu thả xuống trong đoạn mã ở trên và chạy nó. Trình ghi nhật ký đã chọn sẽ được cài đặt và khởi tạo.

Comet

Comet là một nền tảng cho phép các nhà khoa học và nhà phát triển dữ liệu theo dõi, so sánh, giải thích và tối ưu hóa các thử nghiệm và mô hình. Nó cung cấp các chức năng như số liệu thời gian thực, mã khác biệt và theo dõi siêu tham số.

Sử dụng Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

Hãy nhớ đăng nhập vào Comet tài khoản trên trang web của họ và nhận khóa API của bạn. Bạn sẽ cần thêm thông tin này vào các biến môi trường hoặc tập lệnh để ghi nhật ký thử nghiệm.

ClearML

ClearML là một nền tảng mã nguồn mở tự động theo dõi các thử nghiệm và giúp chia sẻ tài nguyên hiệu quả. Nó được thiết kế để giúp các nhóm quản lý, thực thi và tái tạo công việc ML của họ hiệu quả hơn.

Sử dụng ClearML:

# pip install clearml
import clearml

clearml.browser_login()

Sau khi chạy tập lệnh này, bạn sẽ cần đăng nhập vào ClearML tài khoản trên trình duyệt và xác thực phiên của bạn.

TensorBoard

TensorBoard is a visualization toolkit for TensorFlow. It allows you to visualize your TensorFlow graph, plot quantitative metrics about the execution of your graph, and show additional data like images that pass through it.

Để sử dụng TensorBoard trong Google Colab:

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

Để sử dụng TensorBoard cục bộ, hãy chạy lệnh dưới đây và xem kết quả tại http://localhost:6006/.

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

Thao tác này sẽ tải TensorBoard và hướng nó đến thư mục lưu nhật ký đào tạo của bạn.

Sau khi thiết lập trình ghi nhật ký, bạn có thể tiến hành đào tạo mô hình của mình. Tất cả các chỉ số đào tạo sẽ được tự động đăng nhập vào nền tảng bạn đã chọn và bạn có thể truy cập các nhật ký này để theo dõi hiệu suất mô hình của mình theo thời gian, so sánh các mô hình khác nhau và xác định các lĩnh vực cần cải thiện.

FAQ

How do I train an object detection model using Ultralytics YOLO11?

To train an object detection model using Ultralytics YOLO11, you can either use the Python API or the CLI. Below is an example for both:

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

Để biết thêm chi tiết, hãy tham khảo phần Cài đặt tàu .

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

The key features of Ultralytics YOLO11's Train mode include:

• Tải xuống tập dữ liệu tự động: Tự động tải xuống các bộ dữ liệu tiêu chuẩn như COCO, VOC và ImageNet.
• Đa-GPU Hỗ trợ: Mở rộng quy mô đào tạo trên nhiều GPU để xử lý nhanh hơn.
• Cấu hình siêu tham số: Tùy chỉnh siêu tham số thông qua các tệp YAML hoặc CLI lập luận.
• Trực quan hóa và giám sát: Theo dõi thời gian thực các chỉ số đào tạo để có thông tin chi tiết tốt hơn.

Những tính năng này giúp đào tạo hiệu quả và có thể tùy chỉnh theo nhu cầu của bạn. Để biết thêm chi tiết, hãy xem phần Các tính năng chính của Chế độ tàu hỏa.

How do I resume training from an interrupted session in Ultralytics YOLO11?

Để tiếp tục đào tạo từ một phiên bị gián đoạn, hãy đặt resume Lập luận để True và chỉ định đường dẫn đến điểm kiểm tra đã lưu cuối cùng.

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

Kiểm tra phần Tiếp tục đào tạo bị gián đoạn để biết thêm thông tin.

Can I train YOLO11 models on Apple M1 and M2 chips?

Yes, Ultralytics YOLO11 supports training on Apple M1 and M2 chips utilizing the Metal Performance Shaders (MPS) framework. Specify 'mps' as your training device.

from ultralytics import YOLO

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

# Train the model on M1/M2 chip
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

Để biết thêm chi tiết, hãy tham khảo Apple M1 và M2 MPS Phần đào tạo .

Các cài đặt đào tạo phổ biến là gì và làm cách nào để định cấu hình chúng?

Ultralytics YOLO11 allows you to configure a variety of training settings such as batch size, learning rate, epochs, and more through arguments. Here's a brief overview:

Để biết hướng dẫn chuyên sâu về cài đặt đào tạo, hãy xem phần Cài đặt tàu .

📅 Created 11 months ago ✏️ Updated 11 days ago

Ý kiến