YOLO26 训练方案#

简介#

本指南记录了用于生成官方 YOLO26 预训练权重并在 COCO 上训练的确切训练方案。这里列出的每个超参数都已包含在发布的 .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。

了解官方权重中使用的设置——不仅是架构，还包括影响模型性能的学习率计划、数据增强流程和损失权重——能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，以及哪些优化器设置最适合你的数据集规模。

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，再进行 COCO 微调。两个阶段都使用 640x640 分辨率、MuSGD 优化器和 批次大小 128。没有任何 YOLO26 权重是从随机权重开始在 COCO 上训练的，因此除最大尺寸外，COCO 阶段的训练时间都较短；COCO 阶段的超参数通过进化搜索确定。每种模型尺寸的完整训练日志和指标都存储在发布的权重中，并以图表形式呈现在 Ultralytics Platform 上。

所有尺寸模型的关键设计选择：

• 在 COCO 阶段之前，每种尺寸的模型都进行 Objects365 预训练
• 采用双检测头训练，同时使用 one-to-many 和 one-to-one 监督；默认推理时使用 NMS，使用 nms=False 可选择无 NMS 检测头
• 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）
• 强 Mosaic 数据增强（概率约为 ~0.9-1.0）会在最后几个 epoch 禁用（预训练期间使用 close_mosaic=8，COCO 训练期间使用 close_mosaic=10）
• 大幅度尺度增强（0.5-0.95），以处理不同尺寸的目标
• 大多数尺寸模型都采用最小程度的旋转和剪切，以减少几何失真

阶段 1：Objects365 预训练#

每个 YOLO26 COCO 权重都从相同尺寸的 Objects365v1 权重微调而来。这些预训练权重也已发布，并在 Objects365 数据集页面中介绍。每个 COCO 权重都会在嵌入 .pt 文件中的训练配置里注明起始权重；下文的检查 YOLO26 权重的训练参数将演示如何读取：

预训练主要使用默认设置，而非搜索得到的值。lr0、lrf、momentum、weight_decay、box 和 cls 与 default.yaml 相同，而 warmup_epochs、close_mosaic 和 dfl 则经过覆盖修改。除 X 模型的 warmup_epochs、数据增强强度，以及表格后列出的 MuSGD 和检测头内部权重外，各种尺寸使用相同的设置：

这些表格列出了影响预训练的设置，并非完整配置。权重记录了 100 多个参数，因此请按下文所示打印 train_args，以获取权威的完整列表。

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 检查点都会保存生成它时使用的完整训练配置，因此你可以自行核对本页上的每个数值：

from ultralytics import YOLO

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

输出会列出包含 100 多个条目的完整配置，其中包括本页记录的每个配方参数。yolo26n.pt 的摘录：

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。

查看训练曲线#

检查点中保存的不只是 train_args。每个检查点还包含生成该检查点的运行的完整逐轮 results.csv，以及最终验证指标。官方 YOLO26 检查点的曲线发布在 Ultralytics Platform 上；你也可以将任何 .pt 文件拖放到项目中，以图表形式查看相同数据，系统会自动解析文件中的元数据。

每个检查点对应生成它的阶段，因此 COCO 曲线位于 yolo26s.pt 中，而 150 轮 Objects365 曲线位于 yolo26s-objv1-150.pt 中。

检查代码修订版本#

ckpt["git"] 会记录生成检查点的提交，而这些提交位于 Ultralytics 仓库的公开实验分支上，因此你可以检出完全一致的训练代码：

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。使用下文记录的超参数在 main 上训练，结果不会逐位完全一致，但与已发布指标的差异可以忽略不计。

各模型尺寸的 YOLO26 训练超参数#

以下是阶段 2 的参数，在上文的 Objects365 权重基础上应用。下表按类别整理了训练配方：优化器和调度策略、损失权重以及数据增强。每个数值都直接来自已发布检查点中嵌入的 train_args。

优化器和学习率#

这些优化器和调度设置用于各尺寸模型在 COCO 上进行微调；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）以及边界框距离回归项（dfl）。请注意，不使用 DFL 的 YOLO26 会将 dfl 增益重新用于对归一化边界框距离的 L1 损失加权，而不是用于分布焦点损失：

N 模型更重视 dfl 距离回归项，而 S/M/L/X 模型则更侧重基于 IoU 的边界框回归。所有尺寸模型的分类损失都相对一致。

数据增强流程#

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 的值低于 0.01（例如 S 模型的 degrees=0.00012）——这意味着数据增强实际上处于禁用状态。

较大型模型整体采用更激进的数据增强（更高的 mixup 和缩放），因为它们容量更大，也更能从更强的正则化中受益。只有 N 模型使用了有明显作用的旋转、错切和 BGR 增强。

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，你无需复现完整的预训练配方。预训练权重已经包含 COCO 训练中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。

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可靠的基线。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）：

• 降低数据增强强度：mosaic=0.5、mixup=0.0、copy_paste=0.0
• 使用明确指定的优化器降低学习率：optimizer=AdamW、lr0=0.001
• 减少 epoch 数量并设置 patience：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）：

• 尽量匹配预训练配方
• 对于较长的训练，可考虑使用 optimizer=MuSGD
• 提高数据增强强度：mosaic=1.0、mixup=0.3、scale=0.9

特定领域的图像（航空、医疗、水下）：

• 如果垂直方向各异，则提高 flipud=0.5
• 如果物体可能以任意角度旋转出现，则提高 degrees
• 如果光照条件与 COCO 差异显著，则调整 hsv_s 和 hsv_v

如需自动进行超参数优化，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 检查点内嵌了完整训练配方，因此只需查询一次 train_args，就能随时查看各模型尺寸对应的确切超参数。从默认值开始微调，使用本页的表格审慎调整，并根据你自己的验证集核实每项更改。如果过程中遇到问题，可以在 Ultralytics GitHub 仓库或 Ultralytics Discord 服务器向社区提问。

常见问题#