YOLO26 训练配方

简介

本指南详细记录了 训练 用于制作官方版本的配方 YOLO26 预训练检查点在 COCO. 每个 超参数 此处所示的内容已包含在已发布的版本中 .pt 权重，并且可以通过编程方式进行检查。

了解基础模型的训练过程，有助于你在微调时做出更明智的决策：决定保留哪些数据增强方法、调整哪些损失函数权重，以及哪种优化器设置最适合你的数据集规模。

检查训练参数

每个Ultralytics 都会存储生成该检查点时使用的完整训练配置。您可以随时查看这些设置：

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——无论是官方版本还是您自己微调过的模型。有关可配置训练参数的完整列表，请参阅 培训配置参考.

培训概述

所有 YOLO26 基础模型均在COCO 640×640分辨率进行训练，采用MuSGD优化器，批量大小为128。模型基于预训练的中间权重进行初始化，并通过进化搜索获得的超参数进行微调。所有模型尺寸的完整训练日志和评估指标均可在Ultralytics 获取：

所有尺寸的共同设计要点：

• 端到端训练 (end2end=True) 配备NMS的一对一主机
• MuSGD 优化器：将SGD 针对卷积权重的 Muon 风格正交化更新相结合
• 大量马赛克增强 （概率约为0.9–1.0）在过去的10个 epoch 中被禁用（close_mosaic=10)
• 采用激进的缩放倍数（0.56-0.95）以适应不同尺寸的对象
• 大多数尺寸的旋转/剪切量极小，从而将几何变形控制在较低水平

不同模型规模下的超参数

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下保持相对一致。

增强管道

有关每种技术的详细说明，请参阅《YOLO 增强指南》。

较大的模型总体上采用更激进的增生策略（更高的混合度、复制 粘贴和缩放），因为它们具有更大的容量，且能从更强的正则化中获益。N 模型是唯一一个采用有意义的旋转、剪切和 BGR增生策略的模型。

内部培训参数

微调指南

在针对您自己的数据集对 YOLO26 进行微调时，无需完全复制预训练流程。预训练权重中已经包含了COCO 积累的数据增强和优化经验。有关更通用的训练最佳实践，请参阅《模型训练技巧》。

从简单开始

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

使用默认值进行微调是一个可靠的基准。除非有具体原因，否则不要调整超参数。

何时进行调整

Small datasets (< 1,000 images):

• 降低增强强度： mosaic=0.5, mixup=0.0, copy_paste=0.0
• 降低学习率： lr0=0.001
• 少用一点 个 epoch 耐心： epochs=50, patience=20
• 考虑冻结基础层： freeze=10

大型数据集（> 50,000 张图像）：

• 更紧密地匹配预训练配方
• 请考虑 optimizer=MuSGD 适用于长距离跑步
• 增加增强： mosaic=1.0, mixup=0.3, scale=0.9

特定领域的影像（航拍、医疗、水下）：

• 增加 flipud=0.5 如果垂直方向发生变化
• 增加 degrees 如果物体以任意角度旋转出现
• 调整 hsv_s 和 hsv_v 如果光照条件与COCO有显著差异

有关自动超参数优化，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》。

常见问题

如何查看某个检查点所使用的确切超参数？

使用以下命令加载检查点： torch.load() 并访问 train_args 键，或使用 model.ckpt["train_args"] 使用Ultralytics 。请参阅 检查训练参数 查看完整示例。

为什么不同模型尺寸的 epoch 计数会有所不同？

COCO 上，模型规模越大，收敛速度越快COCO 它们具有更大的容量。N模型需要245个 epoch，而X模型仅需40个。在针对您自己的数据集进行微调时，最佳的 epoch 数量取决于数据集的大小和复杂程度，而非模型规模。请使用早停法（patience) 以自动找到合适的停止点。

我应该使用 MuSGD 进行微调吗？

何时 optimizer=auto （默认），Ultralytics 选择 MuSGD 对于较长的训练运行（>10,000次迭代）以及 AdamW 对于较短的。您可以显式设置 optimizer=MuSGD 如果您愿意的话。有关优化器选择的更多信息，请参阅 培训资料.

什么是 muon_w, sgd_w, cls_w, o2m和 topk 在检查站吗？

这些是生成基础检查点的训练管道中的内部参数。它们被保存下来以确保可重复性，但 不 用户可配置的设置在 default.yaml. 在进行微调时，您无需设置这些选项。参见 内部培训参数 详情请见。

我能从头开始完全复现相同的预训练过程吗？

这些检查点是使用一个内部培训分支生成的，该分支包含公开代码库中没有的额外功能（例如可配置的 o2m 权重和 cls_w). 如果您使用公开的Ultralytics 并采用本页面中记录的超参数，可以得到非常接近的结果，但要完全复现结果，则需要使用内部分支。

📅 创建于 0 天前 ✏️ 更新于 0 天前

评论