YOLO26 训练方案#

简介#

本指南记录了用于在 COCO 上生成官方 YOLO26 预训练检查点的确切训练方案。此处显示的每个超参数都已嵌入发布的 .pt 权重中，同时还包含逐 epoch 训练日志和本次运行的代码修订版本，所有这些内容都可以通过程序检查。

了解官方检查点所包含的内容——不仅是架构，还有影响其性能的学习率计划、增强流程和损失权重——可以帮助你在微调时做出更好的决策：保留哪些数据增强、调整哪些损失函数权重，以及针对你的数据集规模使用哪些优化器设置。

训练概览#

所有 YOLO26 基础模型都分两个阶段训练：先进行 150 个 epoch 的 Objects365v1 预训练，随后进行 COCO 微调。两个阶段都使用 640x640 分辨率、MuSGD 优化器和 批量大小 128。没有任何 YOLO26 检查点是从随机权重开始在 COCO 上训练的，这就是为什么 COCO 阶段对大多数尺寸来说都很短；COCO 阶段的超参数则通过进化搜索确定。每种模型尺寸的完整训练日志和指标都存储在发布的检查点中，并在 Ultralytics Platform 上渲染为图表。

所有尺寸采用的关键设计选择：

• 在 COCO 阶段之前，每种尺寸都进行 Objects365 预训练
• **双头训练**同时采用一对多与一对一监督；推理默认使用NMS，并可通过nms=False选择无NMS的预测头
• 采用 MuSGD 优化器，将 SGD 与 Muon 风格的正交化更新相结合，用于权重矩阵（二维线性权重和四维卷积滤波器，后者会重塑为二维）
• 采用 强力马赛克增强（概率约为 ~0.9-1.0），并在最后几个 epoch 中禁用（预训练中为 close_mosaic=8，COCO 上为 close_mosaic=10）
• 采用 激进的尺度增强（0.5-0.95），以处理不同尺寸的目标
• 大多数尺寸使用 最小化旋转/剪切，以降低几何失真

阶段 1：Objects365 预训练#

每个 YOLO26 COCO 检查点都从相同尺寸的 Objects365v1 检查点微调而来。这些预训练权重也已发布，并记录在 Objects365 数据集页面中。每个 COCO 检查点都会在嵌入 .pt 文件中的训练配置里记录其起始权重；下方的 检查 YOLO26 检查点训练参数将展示如何读取这些信息：

预训练主要使用默认设置，而不是搜索得到的值。lr0、lrf、momentum、weight_decay、box 和 cls 与 default.yaml 相同，而 warmup_epochs、close_mosaic 和 dfl 被覆盖。除 X 使用的 warmup_epochs、增强强度以及表格后列出的内部 MuSGD 和检测头权重外，各尺寸共享相同的设置：

这些表格涵盖了影响预训练的设置，而不是完整配置。检查点记录了 100 多个参数，因此请按照下方所示打印 train_args，以获取权威列表。

from ultralytics import YOLO

model = YOLO("yolo26s-objv1-150.pt")
results = model.train(data="your-dataset.yaml", epochs=100, imgsz=640)

检查 YOLO26 检查点训练参数#

每个 Ultralytics 检查点都会存储用于生成它的完整训练配置，因此你可以自行验证本页面上的每个数值：

from ultralytics import YOLO

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

输出会列出 100 多个条目的完整配置，包括本页面记录的每个方案值。以下是 yolo26n.pt 的部分内容：

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

这适用于任何 .pt 检查点——无论是官方发布版本还是你自己的微调模型。有关可配置训练参数的完整列表，请参阅训练配置参考。

查看训练曲线#

存储的不只有 train_args。每个检查点还包含生成它的运行的完整逐 epoch results.csv，以及最终验证指标。官方 YOLO26 检查点的曲线已发布在 Ultralytics Platform 上；你也可以将任何 .pt 文件拖放到项目中，以绘制相同的数据，文件中的元数据会自动解析。

每个检查点涵盖生成它的阶段，因此 COCO 曲线位于 yolo26s.pt 中，150 个 epoch 的 Objects365 曲线位于 yolo26s-objv1-150.pt 中。

检查代码修订版本#

ckpt["git"] 会记录生成该检查点的提交，这些提交位于 Ultralytics 仓库的公开实验分支中，因此你可以检出确切的训练代码：

from ultralytics import YOLO

print(YOLO("yolo26n.pt").ckpt["git"])
# {'root': ..., 'branch': 'exp-main', 'commit': 'cb13d5f9cfbd6f299da3620c625f81d721dc2849', ...}

git fetch origin cb13d5f9cfbd6f299da3620c625f81d721dc2849
git checkout cb13d5f9cfbd6f299da3620c625f81d721dc2849

实验分支包含从未合并到 main 的工作，例如可配置的 o2m 和 cls_w。使用下方记录的超参数在 main 上训练不会做到逐位一致，但结果与已发布指标的差距可以忽略不计。

各模型尺寸的 YOLO26 训练超参数#

这些是阶段 2 的数值，应用在上述 Objects365 权重之上。下方表格按类别组织训练方案：优化器和计划、损失权重以及增强。每个数值都直接来自发布检查点中嵌入的 train_args。

优化器和学习率#

这些优化器和计划设置驱动了每种尺寸的 COCO 微调；请注意 N 模型与其他模型的不同之处：

损失权重#

损失权重用于平衡检测损失的三个组成部分——边界框 IoU 回归（box）、分类（cls）以及框距离回归项（dfl）。请注意，无 DFL 的 YOLO26 会重新利用 dfl 增益，在归一化框距离上加权 L1 损失，而不是分布焦点损失：

N 模型优先使用 dfl 距离回归项，而 S/M/L/X 模型则将重点转向基于 IoU 的框回归。所有尺寸的分类损失都保持相对一致。

增强流程#

有关每种技术的详细说明，请参阅 YOLO 数据增强指南。

实际检查点中显示为 ~0 的值都低于 0.01（例如 S 模型的 degrees=0.00012），因此该增强实际上处于禁用状态。

较大模型总体上使用更激进的增强（更高的 mixup 和 scale），因为它们容量更大，并且能从更强的正则化中受益。N 模型是唯一使用明显旋转、剪切和 BGR 增强的尺寸。

内部训练参数#

在自己的数据集上微调 YOLO26#

在自己的数据集上微调 YOLO26 时，你不需要复现完整的预训练方案。预训练权重已经编码了 COCO 训练中的增强和优化知识。有关更通用的训练最佳实践，请参阅模型训练技巧。

使用默认设置进行微调#

from ultralytics import YOLO

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

使用默认值进行微调是一个很好的基线。只有在有明确理由时才调整超参数。

何时调整 YOLO26 超参数#

小型数据集（< 1,000 张图像）：

• 降低增强强度：mosaic=0.5、mixup=0.0、copy_paste=0.0
• 使用显式优化器降低学习率：optimizer=AdamW、lr0=0.001
• 使用更少的epoch并设置耐心值：epochs=50、patience=20
• 考虑冻结骨干网络层：freeze=10

大型数据集（> 50,000 张图像）：

• 更接近地匹配预训练方案
• 考虑使用 optimizer=MuSGD 进行更长时间的运行
• 增加增强：mosaic=1.0、mixup=0.3、scale=0.9

特定领域的图像（航空、医疗、水下）：

• 如果垂直方向有所变化，则增加 flipud=0.5
• 如果目标可能以任意角度旋转出现，则增加 degrees
• 如果光照条件与 COCO 差异显著，则调整 hsv_s 和 hsv_v

如需自动化超参数优化，请参阅超参数调优指南。

选择模型尺寸#

有关导出和部署选项，请参阅 导出指南 和 模型部署选项。

结论#

YOLO26 检查点中嵌入了完整的训练配方，因此每种模型尺寸所对应的确切超参数始终只需查询一次 train_args 即可获得。请从默认值开始微调，根据本页中的表格有针对性地进行调整，并使用你自己的验证集验证每项更改。如果过程中遇到问题，请在 Ultralytics GitHub 仓库 或 Ultralytics Discord 服务器 中向社区提问。

常见问题#