使用 Ray Tune 和 YOLO26 高效调优超参数#

超参数调优对于实现模型的最佳性能至关重要，因为它可以发现最优的超参数组合。这包括使用不同的超参数运行试验，并评估每次试验的性能。

使用 Ultralytics YOLO26 和 Ray Tune 加速调优#

Ultralytics YOLO26 集成了 Ray Tune，用于超参数调优，从而简化 YOLO26 模型超参数的优化过程。借助 Ray Tune，你可以利用高级搜索策略、并行处理和提前停止来加快调优过程。

Ray Tune#

Ray Tune 是一个专为高效性和灵活性设计的超参数调优库。它支持各种搜索策略、并行处理和提前停止策略，并且可以无缝集成包括 Ultralytics YOLO26 在内的热门机器学习框架。

与 Weights & Biases 集成#

YOLO26 还支持可选集成 Weights & Biases，用于监控调优过程。

安装#

要安装所需的软件包，请运行：

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]" optuna

# Optionally install and enable W&B for per-trial logging
pip install wandb
yolo settings wandb=True

使用方法#

from ultralytics import YOLO

# Load a YOLO26n model
model = YOLO("yolo26n.pt")

# Start tuning hyperparameters for YOLO26n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() 方法参数#

YOLO26 中的 tune() 方法提供了一个易于使用的接口，用于通过 Ray Tune 进行超参数调优。它接受多个参数，让你可以自定义调优过程。下面详细说明每个参数：

通过自定义这些参数，你可以根据具体需求和可用计算资源微调超参数优化过程。

默认搜索空间说明#

下表列出了 YOLO26 使用 Ray Tune 进行超参数调优时的默认搜索空间参数。每个参数都有由 tune.uniform() 定义的特定取值范围。

自定义搜索空间示例#

在本示例中，我们演示如何使用自定义搜索空间，通过 Ray Tune 和 YOLO26 进行超参数调优。通过提供自定义搜索空间，你可以将调优过程集中于感兴趣的特定超参数。

from ray import tune

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-2)},
    epochs=50,
    use_ray=True,
)

在上面的代码片段中，我们使用 "yolo26n.pt" 预训练权重创建 YOLO 模型。然后，我们调用 tune() 方法，并使用 "coco8.yaml" 指定数据集配置。我们通过一个字典为初始学习率 lr0 提供自定义搜索空间，其中键为 "lr0"，值为 tune.uniform(1e-5, 1e-2)。最后，我们将其他训练参数（例如训练轮次数）作为 epochs=50 直接传递给 tune 方法。

搜索算法示例#

你可以按名称选择 Ray Tune 搜索策略。对于基于字符串的搜索算法，Ultralytics 会自动使用当前任务的默认优化指标和 mode="max"。如果未提供 search_alg，Ultralytics 将使用 Optuna 多变量 TPE，并采用支持并行的建议方式。

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg="optuna",
    use_ray=True,
)

如果需要自定义搜索器的采样器，或覆盖其指标和优化模式，请传入已实例化的 Ray Tune 搜索器对象，而不是字符串。

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Define a searcher
searcher = OptunaSearch(
    metric="metrics/mAP50-95(B)",
    mode="max",
)

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg=searcher,
    use_ray=True,
)

使用 Ray Tune 恢复中断的超参数调优会话#

你可以通过传入 resume=True 来恢复中断的 Ray Tune 会话。你还可以选择传入 Ray Tune 在 runs/{task} 下使用的目录 name 以继续运行。否则，它将恢复上一次中断的会话。你无需再次提供 iterations 和 space，但需要再次提供其余训练参数，包括 data 和 epochs。

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Resume previous run
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Resume Ray Tune run with name 'tune_exp_2'
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

处理 Ray Tune 结果#

使用 Ray Tune 运行超参数调优实验后，你可能需要对获得的结果进行各种分析。本指南将带你了解处理和分析这些结果的常见工作流。

从目录加载调优实验结果#

model.tune(use_ray=True) 返回一个 Ray ResultGrid 并将实验保存到 runs/{task}/tune，或者保存到你传入的 name 中。要在原脚本退出后加载这些结果，请恢复会话，这会恢复保存的试验并返回相同的 ResultGrid：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result_grid = model.tune(data="coco8.yaml", epochs=50, use_ray=True, resume=True)

基本实验级分析#

概览各次试验的表现。你可以快速检查试验期间是否出现任何错误。

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

基本试验级分析#

访问单次试验的超参数配置和最后报告的指标。

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

绘制试验报告指标的完整历史记录#

你可以绘制每次试验报告指标的历史记录，以查看指标如何随时间变化。

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["metrics/mAP50-95(B)"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("mAP50-95")
plt.legend()
plt.show()

总结#

在本指南中，我们介绍了使用 Ultralytics 通过 Ray Tune 运行实验时分析结果的常见工作流。关键步骤包括从目录加载实验结果、执行基本的实验级和试验级分析，以及绘制指标。

你可以进一步查看 Ray Tune 的分析结果文档页面，充分利用超参数调优实验。

常见问题#