YOLO26 训练配方#

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经嵌入在发布的 .pt 权重中，并且可以通过编程方式进行检查。

了解官方检查点背后的内容——不仅是架构，还有塑造其性能的学习率调度、数据增强流程和损失权重——有助于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，以及哪种优化器设置最适合你的数据集大小。

训练概述#

所有 YOLO26 基础模型均在 640x640 分辨率的 COCO 数据集上进行训练，使用的是配备 batch size 128 的 MuSGD 优化器。模型没有在单次运行中从随机权重开始，而是从中间预训练权重初始化，并使用通过演化搜索找到的超参数进行微调。每个模型大小的完整训练日志和指标都可在Ultralytics 平台上查看。

所有尺寸的关键设计选择：

• 端到端训练（end2end=True），配备无 NMS 的一对一检测头
• MuSGD 优化器，将 SGD 与针对权重矩阵（2D 线性权重和 4D 卷积滤波器，它们被重塑为 2D）的 Muon 风格正交化更新结合起来
• 重度马赛克增强（~0.9-1.0 概率）在最后 10 个周期中禁用（close_mosaic=10）
• 激进的缩放增强 (0.56-0.95)，用于处理不同大小的目标
• 最小程度的旋转/剪切，适用于大多数尺寸，以保持较低的几何失真

检查 YOLO26 检查点训练参数#

每个 Ultralytics 检查点都存储了用于生成它的完整训练配置，因此你可以亲自验证此页面上的每个数字：

from ultralytics import YOLO

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

输出列出了包含 100 多个条目的完整配置，包括本页记录的每个方案值。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的微调模型。有关可配置训练参数的完整列表，请参见训练配置参考。

YOLO26 各模型尺寸的训练超参数#

下表按类别对方案进行了分组——优化器与调度、损失权重以及数据增强。每个值都直接来自发布检查点中嵌入的 train_args。

优化器和学习率#

这些优化器和调度设置驱动了每个尺寸的 COCO 预训练；请注意 N 模型与其他模型有何不同：

损失权重#

损失权重平衡了检测损失的三个组件——边界框 IoU 回归（box）、分类（cls）和框距离回归项（dfl）。请注意，无 DFL 的 YOLO26 重新利用了 dfl 增益来对归一化框距离上的 L1 损失进行加权，而不是使用分布焦点损失：

N 模型优先考虑 dfl 距离回归项，而 S/M/L/X 模型将重点转移到基于 IoU 的框回归。分类损失在所有尺寸中保持相对一致。

增强管道#

有关每种技术的详细说明，请参阅YOLO 数据增强指南。

显示为 ~0 的值在实际检查点中低于 0.01（例如，S 模型的 degrees=0.00012）——该增强实际上已被禁用。

总体而言，较大的模型使用更激进的增强（更高的 mixup、复制粘贴和缩放），因为它们具有更大的容量并受益于更强的正则化。N 模型是唯一具有有意义的旋转、剪切和 BGR 增强的模型大小。

内部训练参数#

在你的数据集上微调 YOLO26#

在自己的数据集上微调 YOLO26 时，你无需复制完整的预训练方案。预训练权重已经编码了来自 COCO 训练的增强和优化知识。有关更多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)

使用默认配置进行微调是一个强大的基准。除非有特定原因，否则无需调整超参数。

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
• 降低学习率：lr0=0.001
• 减少带有耐心机制的周期数：epochs=50、patience=20
• 考虑冻结主干层：freeze=10

大型数据集 (> 50,000 张图像)：

• 更贴近预训练配方
• 考虑将 optimizer=MuSGD 用于更长时间的运行
• 增加增强：mosaic=1.0、mixup=0.3、scale=0.9

领域特定图像（航空、医疗、水下）：

• 如果垂直方向有所变化，请增加 flipud=0.5
• 如果对象出现任意旋转，请增加 degrees
• 如果光照条件与 COCO 有显着差异，请调整 hsv_s 和 hsv_v

有关自动化超参数优化，请参阅超参数调优指南。

选择模型大小#

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 检查点内置了完整的训练方案，因此每个模型大小背后的确切超参数只需通过 train_args 查询即可获取。从默认值开始微调，使用本页上的表格进行刻意调整，并根据你自己的验证集验证每次更改。如果在过程中遇到问题，请在 Ultralytics GitHub 仓库或 Ultralytics Discord 服务器上向社区求助。

常见问题解答#