Link to this sectionYOLO26 训练配方#

Link to this section简介#

This guide documents the exact training recipe used to produce the official YOLO26 pretrained checkpoints on COCO. Every hyperparameter shown here is already embedded in the released .pt weights and can be inspected programmatically.

了解官方检查点中包含的内容——不仅是架构，还包括塑造其性能的 学习率 调度、增强管道和损失权重——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，以及哪些优化器设置最适合你的数据集大小。

Link to this section训练概述#

所有 YOLO26 基础模型均在 COCO 上以 640x640 分辨率使用 MuSGD 优化器及 批量大小 128 进行训练。模型并非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 进化搜索 找到的超参数进行精炼。每个模型大小的完整训练日志和指标可在 Ultralytics Platform 上获取：

所有尺寸的关键设计选择：

• 端到端训练 (end2end=True)，带有无需 NMS 的一对一检测头
• MuSGD 优化器，结合了 SGD 与用于权重矩阵（ndim >= 2 的参数，例如卷积和线性权重）的 Muon 样式正交化更新
• 重度马赛克增强（~0.9-1.0 概率），在最后 10 个 epoch 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

Link to this section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"])

输出列表包含超过 100 个条目的完整配置，包括本文档中记录的每个配方值。以下是 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，请参阅 训练配置参考。

Link to this sectionYOLO26 各模型尺寸的训练超参数#

下表按类别对配方进行了分组——优化器和调度、损失权重以及增强。每个值直接来自发布检查点中嵌入的 train_args。

Link to this section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：

Link to this section损失权重#

损失权重平衡了检测损失的三个组成部分——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 将 dfl 增益重新调整为归一化框距离上的 L1 损失权重，而不是分布焦点损失 (Distribution Focal Loss)：

N 模型优先考虑 dfl 距离回归项，而 S/M/L/X 模型则更强调基于 IoU 的框回归。分类损失在所有尺寸中保持相对一致。

Link to this section增强管道#

有关每种技术的详细解释，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）——即该增强实际上已禁用。

大型模型通常使用更激进的增强（更高的 mixup、copy-paste 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 模型是唯一具有显著旋转、剪切和 BGR 增强的尺寸。

Link to this section内部训练参数#

Link to this section在你的数据集上微调 YOLO26#

在你的数据集上微调 YOLO26 时，无需复刻完整的预训练配方。预训练权重已经包含了从 COCO 训练中习得的增强和优化知识。有关更通用的训练最佳实践，请参阅 模型训练技巧。

Link to this section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。

Link to this section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
• 使用较少的 epochs 并设置耐心值：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
• 对于更长的训练运行，考虑使用 optimizer=MuSGD
• 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）：

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

有关自动超参数优化，请参阅 超参数调优指南。

Link to this section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。

Link to this section结论#

YOLO26 检查点内置了完整的训练配方，因此每个模型大小背后的精确超参数都可以通过查询 train_args 获取。请从默认设置开始微调，使用本页的表格进行有目的的调整，并根据你的验证集验证每一次修改。如果过程中有任何疑问，请在 Ultralytics GitHub 仓库 或 Ultralytics Discord 服务器 上向社区提问。

Link to this section常见问题解答#

Link to this section我该如何查看任何检查点所使用的精确超参数？#

使用 torch.load() 加载检查点并访问 train_args 键，或使用 Ultralytics API 的 model.ckpt["train_args"]。查看 检查 YOLO26 检查点训练参数 获取完整示例。

Link to this section为什么每个模型大小的 epoch 计数不同？#

更大的模型在 COCO 上通常需要的 epoch 更少，因为其更强的容量加速了收敛 —— X 模型训练了 40 个 epoch，而 N 模型为 245 个 —— 尽管计数并非严格单调（S 使用了 70，M 使用了 80）。在自己的数据集上进行微调时，最佳 epoch 数取决于你的数据集大小和复杂度，而非模型大小。使用提前停止 (patience) 来自动寻找合适的停止点。

Link to this section微调时我应该使用 MuSGD 吗？#

通常你无需选择：使用默认的 optimizer=auto 时，Ultralytics 会自动为较长的训练运行（>10,000 次迭代）选择 MuSGD，为较短的运行选择 AdamW。如果你愿意，可以明确设置 optimizer=MuSGD。有关 MuSGD 工作原理的更多信息，请参阅 训练文档。

Link to this section检查点中的 muon_w、sgd_w、cls_w、o2m 和 topk 是什么？#

这些是生成基础检查点的训练流程中的内部参数，记录在 train_args 中以便复现。它们不是 default.yaml 中用户可配置的设置，将其传递给 model.train() 会引发无效参数错误 —— 公共软件包不会读取它们。微调时无需设置它们；请参阅 内部训练参数 查看各模型大小对应的参数值。

Link to this section我可以从头开始复现完全相同的预训练吗？#

不完全可以 —— 这些检查点是使用一个内部训练分支生成的，该分支包含公共代码库中没有的其他功能（如可配置的 o2m 权重和 cls_w）。使用本页记录的超参数配合公共 Ultralytics 软件包，你可以获得非常接近的结果，但要完全复现则需要该内部分支。