使用 Ray Tune 和 YOLO26 高效调优超参数#

调优超参数对于实现模型的最佳性能至关重要，它能帮助你找到最优的超参数组合。调优过程包括使用不同的超参数运行多次试验，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，用于调优超参数，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 是一款兼顾效率与灵活性的超参数调优库。它支持多种搜索策略、并行处理和提前停止策略，并能与包括 Ultralytics YOLO26 在内的热门机器学习框架无缝集成。

与 Weights & Biases 集成#

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

安装#

运行以下命令安装所需的软件包：

# 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

用法#

from ultralytics import YOLO

# 加载 YOLO26n 模型
model = YOLO("yolo26n.pt")

# 在 COCO8 数据集上开始调优 YOLO26n 训练的超参数
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，可通过 Ray Tune 调优超参数。该方法接受多个参数，你可以用它们自定义调优过程。下面详细介绍各个参数：

通过自定义这些参数，你可以根据自己的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#

下表列出了使用 Ray Tune 调优 YOLO26 时的默认搜索空间参数。除 close_mosaic 使用 tune.randint() 外，每个参数都由 tune.uniform() 定义了特定的取值范围。

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 调优超参数。提供自定义搜索空间后，你可以将调优过程集中在感兴趣的特定超参数上。

from ray import tune

from ultralytics import YOLO

# 定义 YOLO 模型
model = YOLO("yolo26n.pt")

# 对模型运行 Ray Tune
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，我们使用预训练权重 "yolo26n.pt" 创建了一个 YOLO 模型。接着，我们调用 tune() 方法，并通过 "coco8.yaml" 指定数据集配置。我们使用包含键 "lr0" 和值 tune.uniform(1e-5, 1e-2) 的字典，为初始学习率 lr0 提供自定义搜索空间。最后，我们将训练轮数等其他训练参数作为 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 会使用 Optuna 多变量 TPE，并提供适用于并行处理的建议。

from ultralytics import YOLO

# 定义 YOLO 模型
model = YOLO("yolo26n.pt")

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

如果你需要自定义搜索器的采样器，或覆盖搜索器的指标和优化模式，请传入实例化的 Ray Tune 搜索器对象，而不是字符串。

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

# 定义 YOLO 模型
model = YOLO("yolo26n.pt")

# 定义搜索器
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#

传入 resume=True，即可恢复中断的 Ray Tune 会话。你也可以传入 Ray Tune 在 runs/{task} 下使用的目录 name 来恢复会话。否则，系统会恢复最近一次中断的会话。你无需再次提供 iterations 和 space，但需要重新提供其余训练参数，包括 data 和 epochs。

from ultralytics import YOLO

# 定义 YOLO 模型
model = YOLO("yolo26n.pt")

# 恢复之前的运行
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# 恢复名为 'tune_exp_2' 的 Ray Tune 运行
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，你可能需要对所得结果进行各种分析。本指南将介绍处理和分析这些结果的常见工作流程。

从目录加载 Tune 实验结果#

model.tune(use_ray=True) 会返回一个 Ray ResultGrid，并将实验保存在 runs/{task}/tune 下，或保存在你传入的 name 下。要在原始脚本退出后加载这些结果，请恢复会话；这会还原已保存的试验，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)

实验级基本分析#

概览各次试验的表现。你可以快速检查试验过程中是否出现错误。

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

试验级基本分析#

查看各次试验的超参数配置和最近报告的指标。

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

绘制试验所报告指标的完整历史记录#

你可以绘制每次试验所报告指标的历史记录，查看指标随时间的变化情况。

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#

本指南介绍了使用 Ultralytics 和 Ray Tune 运行实验后分析结果的常见工作流程。关键步骤包括从目录加载实验结果、进行基本的实验级和试验级分析，以及绘制指标图表。

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

常见问题#