Link to this sectionUltralytics YOLO 超参数调优指南#

Ultralytics YOLO 中的超参数调优是一种自动化的迭代搜索，用于优化设置（例如学习率、损失权重和增强强度），从而最大化 机器学习 模型的性能指标，如准确率、精确率和召回率。Ultralytics YOLO 无需手动测试这些值，而是使用遗传算法探索超参数空间，在多次短时训练运行中变异并评估候选配置。

Link to this section什么是超参数？#

超参数是算法的高级结构设置。它们在训练阶段之前设置，并在训练期间保持不变。以下是 Ultralytics YOLO 中一些常用的调优超参数：

• 学习率 lr0：决定了在向损失函数最小值移动时，每次迭代的步长。
• 批大小 batch：在前向传播中同时处理的图像数量。
• 周期数 epochs：一个周期（epoch）是指对所有训练示例进行一次完整的前向和后向传播。
• 架构细节：如通道数、层数、激活函数类型等。

有关 YOLO26 中使用的增强超参数的完整列表，请参阅配置页面。

Link to this section遗传演化与突变#

Ultralytics YOLO 使用遗传算法来优化超参数。遗传算法受到自然选择和遗传机制的启发。

• 交叉 (Crossover)：每次迭代都会结合迄今为止观察到的最多九个最高适应度配置的基因，使用 BLX-α 交叉和适应度加权的父代选择。
• 突变 (Mutation)：重组后的候选者随后会受到应用于每个超参数的对数正态乘法因子的扰动（每个参数的概率为 0.5）。突变强度 sigma 在前 300 次迭代中从 0.2 线性衰减到 0.1，因此算法在早期进行广泛探索，并在收敛时进行精细调整。第 1 次迭代没有可用于交叉的父代，而是使用默认训练超参数作为基准。

Link to this section为超参数调优做准备#

在开始调优过程之前，请务必：

1. 确定指标：确定你将用于评估模型性能的指标。这可以是 AP50、F1-score 或其他指标。
2. 设定调优预算：明确你愿意分配多少计算资源。超参数调优可能非常耗费计算资源。

Link to this section调优循环的工作原理#

在每次迭代中，内置的调优器会重复执行以下循环：

1. 初始化超参数 — 从合理的基准开始，可以是 Ultralytics YOLO 设置的默认超参数，也可以是基于你的领域知识或先前实验得出的值。
2. 变异超参数 — Tuner 类 会自动通过其 _mutate 方法从现有超参数中生成一组新的超参数。
3. 训练模型 — 使用变异后的超参数进行训练，然后通过你选择的指标评估训练性能。
4. 评估模型 — 使用 AP50、F1-score 等指标，或通过 评估过程 使用自定义指标，来确定当前的超参数是否比之前的有所改进。
5. 记录结果 — 记录性能指标和相应的超参数以供将来参考。Ultralytics YOLO 会自动以 NDJSON 格式保存这些结果。
6. 重复 — 继续执行直到达到指定的迭代次数或性能指标达到满意为止，每次迭代都基于从先前运行中获得的知识进行构建。

Link to this section迭代次数和种群大小#

使用内置调优器 (use_ray=False) 时，iterations 控制序列试验的总数。每次试验使用一个超参数配置训练一个模型——例如，iterations=40 配合 epochs=50 将调度 40 次独立的 50 周期训练运行，而不是一次包含 40 个候选群体的 50 周期运行。

内置的遗传算法没有显式的种群大小参数。一旦存在之前的试验，它就会采样最多九个最高适应度的配置作为父代，应用 BLX-α 交叉和突变，并在每次迭代中产生一个候选者。

对于并行试验或更高级的搜索策略，请设置 use_ray=True 以使用 Ray Tune，它将 iterations 作为 num_samples 接收。详情请参阅 Ray Tune 集成指南。

Link to this section默认搜索空间#

下表列出了 YOLO26 中超参数调优的默认搜索空间参数。每个参数都有一个由元组 (min, max) 定义的特定值范围。

Link to this section自定义搜索空间示例#

以下是如何定义搜索空间并使用 model.tune() 方法调用 Tuner 类，对 COCO8 上的 YOLO26n 进行 30 个周期的超参数调优。我们使用 AdamW 优化器，并跳过绘图、检查点保存和最终周期之外的验证，以实现更快的调优。

from ultralytics import YOLO

# Initialize the YOLO model
model = YOLO("yolo26n.pt")

# Define search space
search_space = {
    "lr0": (1e-5, 1e-2),
    "degrees": (0.0, 45.0),
}

# Tune hyperparameters on COCO8 for 30 epochs
model.tune(
    data="coco8.yaml",
    epochs=30,
    iterations=300,
    optimizer="AdamW",
    space=search_space,
    plots=False,
    save=False,
    val=False,
)

Link to this section恢复中断的超参数调优会话#

You can resume an interrupted hyperparameter tuning session by passing resume=True. You can optionally pass the directory name used under runs/{task} to resume. Otherwise, it would resume the last interrupted session. You also need to provide all the previous training arguments including data, epochs, iterations and space.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Define search space
search_space = {
    "lr0": (1e-5, 1e-2),
    "degrees": (0.0, 45.0),
}

# Resume previous run
results = model.tune(data="coco8.yaml", epochs=50, iterations=300, space=search_space, resume=True)

# Resume tuning run with name 'tune_exp'
results = model.tune(data="coco8.yaml", epochs=50, iterations=300, space=search_space, name="tune_exp", resume=True)

Link to this section结果#

成功完成超参数调优过程后，你将获得几个概括调优结果的文件和目录。以下是对每个文件的描述：

Link to this section文件结构#

结果的目录结构如下所示。像 train1/ 这样的训练目录包含单个调优迭代，即使用一组超参数训练的一个模型。tune/ 目录包含来自所有单个模型训练的调优结果：

runs/
└── detect/
    ├── train1/
    ├── train2/
    ├── ...
    └── tune/
        ├── best_hyperparameters.yaml
        ├── tune_fitness.png
        ├── tune_results.ndjson
        ├── tune_scatter_plots.png
        └── weights/
            ├── last.pt
            └── best.pt

Link to this section文件描述#

Link to this sectionbest_hyperparameters.yaml#

此 YAML 文件包含调优过程中发现的表现最好的超参数。你可以使用此文件以这些优化后的设置初始化未来的训练。

• 格式：YAML

• 用途：超参数结果

• 示例：

  # 558/900 iterations complete ✅ (45536.81s)
  # Results saved to /usr/src/ultralytics/runs/detect/tune
  # Best fitness=0.64297 observed at iteration 498
  # Best fitness metrics are {'metrics/precision(B)': 0.87247, 'metrics/recall(B)': 0.71387, 'metrics/mAP50(B)': 0.79106, 'metrics/mAP50-95(B)': 0.62651, 'val/box_loss': 2.79884, 'val/cls_loss': 2.72386, 'val/dfl_loss': 0.68503, 'fitness': 0.64297}
  # Best fitness model is /usr/src/ultralytics/runs/detect/train498
  # Best fitness hyperparameters are printed below.
  
  lr0: 0.00269
  lrf: 0.00288
  momentum: 0.73375
  weight_decay: 0.00015
  warmup_epochs: 1.22935
  warmup_momentum: 0.1525
  box: 18.27875
  cls: 1.32899
  dfl: 0.56016
  hsv_h: 0.01148
  hsv_s: 0.53554
  hsv_v: 0.13636
  degrees: 0.0
  translate: 0.12431
  scale: 0.07643
  shear: 0.0
  perspective: 0.0
  flipud: 0.0
  fliplr: 0.08631
  mosaic: 0.42551
  mixup: 0.0
  copy_paste: 0.0

Link to this sectiontune_fitness.png#

这是一个显示适应度随迭代次数变化的图表。它可以帮助你可视化遗传算法随时间的表现。

• 格式：PNG
• 用途：性能可视化

该图包含：

• 每个数据集每次迭代一个标记，因此单数据集运行显示每次迭代一个点，多数据集运行显示每个数据集每次迭代一个点。
• 一条虚线的“平滑均值”线，计算为对每次迭代的最高级适应度值进行高斯平滑 (sigma=3) 的结果。

Link to this sectiontune_results.ndjson#

一个包含每次调优迭代详细结果的 NDJSON 文件。每一行都是一个 JSON 对象，包含总适应度、调优后的超参数以及每个数据集的指标。单数据集和多数据集调优使用相同的文件格式。

• 格式：NDJSON
• 用途：每次迭代的结果跟踪。
• 示例：

为了可读性，下面是一个经过美化打印的示例；在实际的 .ndjson 文件中，每个对象存储在单行上。

{
    "iteration": 1,
    "fitness": 0.48628,
    "hyperparameters": {
        "lr0": 0.01,
        "lrf": 0.01,
        "momentum": 0.937,
        "weight_decay": 0.0005
    },
    "datasets": {
        "coco8": {
            "metrics/precision(B)": 0.65666,
            "metrics/recall(B)": 0.85,
            "metrics/mAP50(B)": 0.85086,
            "metrics/mAP50-95(B)": 0.64104,
            "val/box_loss": 1.57958,
            "val/cls_loss": 1.04986,
            "val/dfl_loss": 1.32641,
            "fitness": 0.64104
        },
        "coco8-grayscale": {
            "metrics/precision(B)": 0.6582,
            "metrics/recall(B)": 0.51667,
            "metrics/mAP50(B)": 0.59106,
            "metrics/mAP50-95(B)": 0.33152,
            "val/box_loss": 1.95424,
            "val/cls_loss": 1.64059,
            "val/dfl_loss": 1.70226,
            "fitness": 0.33152
        }
    },
    "save_dirs": {
        "coco8": "runs/detect/coco8",
        "coco8-grayscale": "runs/detect/coco8-grayscale"
    }
}

顶级的 fitness 是每个数据集 fitness 值的算术平均值。对于单数据集调优，datasets 字典有一个条目，其 fitness 等于顶级 fitness。每次完成的迭代记录一个 JSON 对象。实际的 save_dirs 路径是绝对路径；上面为了可读性进行了缩写。

Link to this sectiontune_scatter_plots.png#

此文件包含从 tune_results.ndjson 生成的散点图，有助于你可视化不同超参数与性能指标之间的关系。默认值为 0 的超参数（例如下方的 degrees 和 shear）可能只会从初始种子值缓慢演化，因为乘法变异因子在接近零的值附近几乎没有扩展空间。

• 格式：PNG
• 用途：探索性数据分析

Link to this sectionweights/#

此目录包含超参数调优过程中最后一次迭代和最佳迭代所保存的 PyTorch 模型。

• last.pt：last.pt 是训练最后一个 epoch 的权重。
• best.pt：best.pt 是在训练中获得最佳适应度分数的迭代权重。

利用这些结果，你可以为未来的模型训练和分析做出更明智的决策。

Link to this section结论#

Hyperparameter tuning in Ultralytics YOLO is both simple to launch and powerful under the hood, combining BLX-α crossover with log-normal mutation in a genetic algorithm. Following the loop outlined in this guide lets you systematically tune your model for better performance, then reuse the resulting best_hyperparameters.yaml to initialize future training runs. To scale tuning across parallel trials and more advanced search algorithms, continue with the Ray Tune integration guide, or run managed jobs with configurable hyperparameters and real-time metrics tracking on Ultralytics Platform via cloud training.

如需更深入的了解，请探索 Tuner 类 的源代码。如果你有疑问或功能请求，请通过 GitHub 或 Discord 联系我们。

Link to this section常见问题解答#

Link to this section如何在超参数调优期间为 Ultralytics YOLO 优化 学习率？#

使用 lr0 参数设置初始值（常用值范围为 0.001 到 0.01），并让调优过程在此基础上进行变异以找到最优解。你可以通过 model.tune() 方法实现自动化。例如：

from ultralytics import YOLO

# Initialize the YOLO model
model = YOLO("yolo26n.pt")

# Tune hyperparameters on COCO8 for 30 epochs
model.tune(data="coco8.yaml", epochs=30, iterations=300, optimizer="AdamW", plots=False, save=False, val=False)

欲了解更多详情，请查看 Ultralytics YOLO 配置页面。

Link to this section在 YOLO26 中使用遗传算法进行超参数调优有什么好处？#

Ultralytics YOLO26 中的遗传算法为探索超参数空间提供了一种稳健的方法，从而实现高度优化的模型性能。主要好处包括：

• 高效搜索：BLX-α 交叉结合了来自适应度最高父代的基因，而对数正态变异则扰动结果以发现新的候选者。
• 避免局部最优：通过引入随机性，它们有助于避免局部最优，从而确保更好的全局优化。
• 性能指标：它们根据特定任务的适应度分数（检测任务为 mAP50-95）进行自适应调整。

要了解遗传算法如何优化超参数，请查看 超参数演化指南。

Link to this sectionUltralytics YOLO 的超参数调优过程需要多长时间？#

Ultralytics YOLO 的超参数调优所需时间在很大程度上取决于数据集大小、模型架构复杂度、迭代次数以及可用的计算资源等多个因素。例如，在 COCO8 等数据集上对 YOLO26n 进行 30 个 epoch 的调优，根据硬件的不同，可能需要几小时到几天的时间。

为了有效管理调优时间，请预先定义明确的调优预算，如 准备超参数调优 中所述。这有助于平衡资源分配和优化目标。

Link to this section在 YOLO 的超参数调优过程中，我应该使用哪些指标来评估模型性能？#

在 YOLO 的超参数调优过程中评估模型性能时，你可以使用以下几个关键指标：

• AP50：IoU 阈值为 0.50 时的平均精度。
• F1-Score：精度和召回率的调和平均值。
• 精度和召回率：分别表示模型在识别真阳性与假阳性及假阴性方面的 准确性 指标。

这些指标有助于你了解模型性能的各个方面。请参阅 Ultralytics YOLO 性能指标 指南以获取全面概述。

Link to this section我可以使用 Ray Tune 对 YOLO26 进行高级超参数优化吗？#

是的，Ultralytics YOLO26 集成了 Ray Tune 以进行高级超参数优化。Ray Tune 提供了诸如贝叶斯优化和 Hyperband 等复杂的搜索算法，以及并行执行能力，从而加速调优过程。

To use Ray Tune with YOLO26, simply set the use_ray=True parameter in your model.tune() method call. For more details and examples, check out the Ray Tune integration guide.