YOLO26训练秘籍

简介

本指南记录了确切的 训练 用于生成官方 YOLO26 预训练检查点的 COCO。 每个 超参数 .pt 此处显示的都已嵌入到发布的

权重中，并且可以通过编程方式进行检查。

查看训练参数

每个Ultralytics检查点都存储了用于生成它的完整训练配置。您可以随时检查这些设置：

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}")

这适用于任何 .pt 检查点 — 无论是官方发布版本还是您自己微调的模型。有关可配置训练参数的完整列表，请参阅 训练配置参考.

训练概述

所有YOLO26基础模型均在COCO数据集上以640x640分辨率进行训练，使用MuSGD优化器，批量大小为128。模型从中间预训练权重初始化，并通过进化搜索找到的超参数进行优化。所有模型尺寸的完整训练日志和指标可在Ultralytics Platform上查看：

所有尺寸的关键设计选择：

• 端到端训练 (end2end=True) 采用无NMS的一对一头部
• MuSGD优化器，将SGD与Muon风格的正交化更新相结合，用于卷积权重
• 大量mosaic数据增强 (约0.9-1.0的概率) 在最后10个epoch中禁用 (close_mosaic=10)
• 激进的尺度增强 (0.56-0.95)，以处理不同尺寸的目标
• 大多数尺寸采用最小的旋转/剪切，保持几何失真较低

各模型尺寸的超参数

优化器和学习率

损失权重

N模型优先考虑DFL损失，而S/M/L/X模型则将重点转向边界框回归。分类损失在所有尺寸中保持相对一致。

数据增强流水线

有关每种技术的详细解释，请参阅YOLO数据增强指南。

大型模型整体上使用更激进的增强（更高的mixup、copy-paste和尺度增强），因为它们具有更大的容量并受益于更强的正则化。N模型是唯一具有显著旋转、剪切和BGR增强的尺寸。

内部训练参数

微调指南

当在您自己的数据集上微调 YOLO26 时，您无需复制完整的预训练方案。预训练权重已编码了来自 COCO 训练的增强和优化知识。有关更通用的训练最佳实践，请参阅模型训练技巧。

从简开始

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

使用默认设置进行微调是一个强大的基线。仅在有特定原因时才调整超参数。

何时调整

Small datasets (< 1,000 images):

• 降低数据增强强度： mosaic=0.5, mixup=0.0, copy_paste=0.0
• 降低学习率： lr0=0.001
• 使用更少的 个 epoch 并带有耐心： epochs=50, patience=20
• 考虑冻结骨干层： freeze=10

大型数据集（> 50,000 张图像）：

• 更紧密地匹配预训练方案
• 考虑 optimizer=MuSGD 用于长时间运行
• 增加数据增强： mosaic=1.0, mixup=0.3, scale=0.9

领域特定图像（航空、医学、水下）：

• 增加 flipud=0.5 如果垂直方向变化较大
• 增加 degrees 如果物体以任意旋转出现
• 调整 hsv_s 和 hsv_v 如果光照条件与COCO数据集显著不同

对于自动化超参数优化，请参阅超参数调优指南。

选择模型尺寸

对于导出和部署选项，请参阅导出指南和模型部署选项。

常见问题

如何查看任何检查点使用的确切超参数？

使用以下方式加载检查点： torch.load() 并访问 train_args 键，或使用 model.ckpt["train_args"] 结合Ultralytics API。请参阅 查看训练参数 获取完整示例。

为什么不同模型尺寸的训练轮次（epoch）数量不同？

更大的模型在COCO数据集上收敛更快，因为它们具有更大的容量。N模型需要245个epoch，而X模型仅需要40个。在您自己的数据集上进行微调时，最佳的epoch数量取决于数据集的大小和复杂性，而非模型大小。使用早停机制 (patience) 自动找到正确的停止点。

微调时是否应该使用MuSGD？

何时 optimizer=auto (默认值)，Ultralytics自动选择 MuSGD 用于较长的训练运行 (>10,000次迭代) 和 AdamW 用于较短的训练运行。您可以显式设置 optimizer=MuSGD 如果您愿意。有关优化器选择的更多信息，请参阅 训练文档.

什么是 muon_w, sgd_w, cls_w, o2m和 topk 检查点中的？

这些是生成基础检查点的训练管道中的内部参数。它们被存储用于重现性，但是 不 用户可配置的设置 default.yaml。在微调时，您无需设置它们。请参阅 内部训练参数 详情请见。

我能否从头开始复现精确的预训练过程？

这些检查点是使用一个内部训练分支生成的，该分支包含公共代码库中没有的额外功能（例如可配置的 o2m 权重和 cls_w）。您可以使用本页上记录的超参数和公共 Ultralytics 软件包获得非常接近的结果，但精确重现需要内部分支。

📅 创建于 7 天前 ✏️ 更新于 5 天前

评论