使用 Ultralytics YOLO 训练模型#

简介#

训练深度学习模型需要向模型输入数据并调整其参数，使其能够进行准确预测。Ultralytics YOLO26 的训练模式专为高效训练目标检测模型而设计，可充分利用现代硬件的能力。本指南旨在介绍使用 YOLO26 强大的功能集训练自有模型所需的全部信息。如果你尚未安装 Ultralytics，请先阅读快速入门指南。

查看尚未发布的 YOLO27 预览版，了解计划中的训练示例。

为什么选择 Ultralytics YOLO 进行训练？#

以下是选择 YOLO26 训练模式的一些重要理由：

• 高效：充分利用硬件资源，无论你使用单 GPU 配置，还是扩展到多块 GPU。
• 灵活：除了 COCO、VOC 和 ImageNet 等现成数据集，你还可以使用自定义数据集进行训练。
• 易于使用：提供简单而强大的 CLI 和 Python 接口，让训练过程更加顺畅。
• 超参数灵活性：提供多种可自定义的超参数，可用于微调模型性能。如需更精细的控制，你可以直接自定义训练器。
• 云端训练：通过 Ultralytics Platform 使用云 GPU 进行训练，并实时查看指标和自动保存检查点。

训练模式的主要功能#

以下是 YOLO26 训练模式的一些主要功能：

• 自动下载数据集：首次使用时，会自动下载配置中指定了下载源的数据集，例如 yolo train data=coco8.yaml。有关支持的格式和数据集，请参阅数据集概览。
• 支持多 GPU：在多块 GPU 之间无缝扩展训练任务，加快训练进程。
• 超参数配置：可以通过 YAML 配置文件或 CLI 参数修改超参数。
• 可视化与监控：实时跟踪训练指标并可视化学习过程，以便更好地了解训练情况。

使用示例#

在 COCO8 数据集上以 640 的图像尺寸训练 YOLO26n，训练 100 个周期。可以使用 device 参数指定训练设备。如果未传入参数，则在 GPU device=0 可用时使用该设备；否则使用 device='cpu'。训练参数的完整列表请参阅下方的参数部分。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.yaml")  # 从 YAML 构建新模型
model = YOLO("yolo26n.pt")  # 加载预训练模型（推荐用于训练）
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # 从 YAML 构建模型并迁移权重

# 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

多 GPU 训练#

多 GPU 训练会将训练负载分配到多块 GPU，从而更高效地利用可用硬件资源。Python API 和命令行接口均支持此功能。要启用多 GPU 训练，请指定要使用的 GPU 设备 ID。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载预训练模型（推荐用于训练）

# 使用 2 块 GPU 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# 使用当前最空闲的两块 GPU 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

python -m torch.distributed.run --nproc_per_node 2 your_training_script.py

AMD GPU 训练使用 PyTorch ROCm 构建版本，并采用标准的 device=0 或 device=cuda:0 语法。有关 ROCm 安装、多 GPU 训练、AMP 注意事项以及导出模型的 MIGraphX 推理，请参阅 AMD 集成指南。

Intel GPU 训练使用 device=xpu:0，也可以使用提供 XCCL 的 PyTorch 构建版本指定多个 XPU ID。

华为昇腾 NPU 训练#

Ultralytics 通过 torch_npu 支持在华为昇腾 NPU 上进行训练和验证。请按照适用于 PyTorch 的昇腾扩展安装指南安装相互兼容的 CANN、PyTorch 和 torch_npu 版本，然后在启动 Ultralytics 前加载 CANN 环境：

source /usr/local/Ascend/ascend-toolkit/set_env.sh

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# 在一块昇腾 NPU 上训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# 使用 HCCL 在两块昇腾 NPU 上训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

包括 AMP、验证、检查点保存和恢复训练在内的标准训练功能均使用当前启用的 NPU。单 NPU 训练支持 AutoBatch；多个 NPU ID 则会通过 HCCL 启动分布式训练。有关训练后模型导出和部署的信息，请参阅华为昇腾集成指南。

使用空闲 GPU 训练#

使用空闲 GPU 训练功能可在多 GPU 系统中自动选择利用率最低的 GPU，无需手动选择即可优化资源使用。此功能会根据利用率指标和 VRAM 可用量识别可用 GPU。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载预训练模型（推荐用于训练）

# 使用当前最空闲的一块 GPU 进行训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# 使用当前最空闲的两块 GPU 进行训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

自动选择算法会优先选择具有以下特征的 GPU：

1. 当前利用率较低
2. 可用内存较多（空闲 VRAM 较大）

此功能在共享计算环境中，或在不同模型上同时运行多个训练任务时特别有用。它会自动适应不断变化的系统状况，无需手动干预即可确保合理分配资源。

Apple Silicon MPS 训练#

Ultralytics YOLO 模型现已支持 Apple silicon 芯片，因此你可以在使用强大 Metal Performance Shaders (MPS) 框架的设备上训练模型。MPS 为在 Apple 定制芯片上执行计算和图像处理任务提供了高性能方案。

要在 Apple silicon 芯片上启用训练，请在启动训练时将设备指定为 'mps'。下面分别介绍如何通过 Python 和命令行执行此操作：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载预训练模型（推荐用于训练）

# 使用 MPS 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

借助 Apple silicon 芯片的计算能力，你可以更高效地处理训练任务。如需更详细的指导和高级配置选项，请参阅 PyTorch MPS 文档。

恢复中断的训练#

从之前保存的状态恢复训练，是使用深度学习模型时一项至关重要的功能。在训练过程意外中断，或你希望使用新数据或增加训练轮数继续训练模型等各种情况下，这项功能都很有用。

恢复训练时，Ultralytics YOLO 会加载上次保存模型的权重，并还原优化器状态、学习率调度器、轮数和数据集。这样，你就可以从中断处无缝继续训练。若要改用其他数据集，而不是检查点中的数据集，请同时传入明确的 data= 和 resume。

在调用 train 方法时，将 resume 参数设为 True，并指定包含部分训练模型权重的 .pt 文件路径，即可轻松恢复 Ultralytics YOLO 训练。

下面是使用 Python 和命令行恢复中断训练的示例：

from ultralytics import YOLO

# 加载模型
model = YOLO("path/to/last.pt")  # 加载部分训练过的模型

# 恢复训练
results = model.train(resume=True)

设置 resume=True 后，train 函数会使用 'path/to/last.pt' 文件中保存的状态，从中断处继续训练。如果省略 resume 参数，或将其设为 False，train 函数就会启动新的训练会话。

请注意，检查点默认在每轮训练结束时保存，也可以通过 save_period 参数按固定间隔保存，因此至少必须完成 1 轮训练才能恢复训练。

训练设置#

YOLO 模型的训练设置包含训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和精度。主要训练设置包括批次大小、学习率、动量和权重衰减。此外，优化器、损失函数以及训练数据集的组成也会影响训练过程。仔细调整并试验这些设置对于优化性能至关重要。

MuSGD 优化器#

在 YOLO26 中，MuSGD 是一种混合优化器，将标准 SGD 更新与 Muon 风格的正交化更新相结合。

对于较长的 YOLO26 训练任务和较大的数据集，建议使用该优化器；正交化的 Muon 更新有助于稳定优化过程。

只有二维线性权重和四维卷积滤波器（重塑为二维后）会与 SGD 一起使用 Muon 风格更新；所有其他参数，例如批归一化权重和偏置项，仍使用标准 SGD。

使用 optimizer=auto 时，Ultralytics 会自动为较长的训练任务选择 MuSGD（通常是迭代次数 > 10000）。对于较短的训练任务，训练器会改用 AdamW。在 auto 模式下，训练器也会选择学习率，因此用户提供的 lr0 会被忽略。若要手动控制这些设置，请明确选择优化器，例如 optimizer=AdamW lr0=0.001。

用法示例：

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

请参阅 ultralytics/optim/muon.py 中的实现，以及 BaseTrainer.build_optimizer 中的优化器自动选择逻辑。

数据增强设置和超参数#

数据增强技术通过增加训练数据的多样性，帮助模型更好地泛化到未见过的数据，因此对于提升 YOLO 模型的鲁棒性和性能至关重要。下表概述了各数据增强参数的用途和效果：

你可以根据数据集和任务的具体要求调整这些设置。尝试不同的值，有助于找到能使模型性能达到最佳的数据增强策略。

日志记录#

训练指标、图表和检查点始终会写入运行目录；Ultralytics 也会将它们实时传输到你已安装并启用的任何实验跟踪工具：Comet、ClearML、TensorBoard、MLflow、Weights & Biases 和 DVCLive。你可以通过 Ultralytics 设置启用或停用各个日志记录器，例如 yolo settings tensorboard=True。下面介绍三种最常见的配置。

Comet#

Comet 是一个平台，数据科学家和开发者可以使用它跟踪、比较、解释和优化实验及模型。该平台提供实时指标、代码差异和超参数跟踪等功能。

使用 Comet 的方法：

# pip install comet_ml
import comet_ml

comet_ml.login()

请记得登录 Comet 网站上的账户并获取 API 密钥。你需要将该密钥添加到环境变量或脚本中，才能记录实验。

ClearML#

ClearML 是一个开源平台，可自动跟踪实验并帮助高效共享资源。它旨在帮助团队更高效地管理、执行和复现 ML 工作。

使用 ClearML 的方法：

# pip install clearml
import clearml

clearml.browser_login()

运行此脚本后，你需要在浏览器中登录 ClearML 账户并验证会话。

TensorBoard#

TensorBoard 是用于 TensorFlow 的可视化工具包。你可以使用它可视化 TensorFlow 图、绘制图执行过程中的定量指标，并展示经过该图的图像等其他数据。

在 Google Colab 中使用 TensorBoard：

%load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directory

若要在本地使用 TensorBoard，请运行以下命令，然后在 localhost:6006 中查看结果。

tensorboard --logdir ultralytics/runs # replace with 'runs' directory

此操作会启动 TensorBoard，并将其指向保存训练日志的目录。

设置好日志记录器后，你就可以开始训练模型。所有训练指标都会自动记录到你选择的平台；你可以查看这些日志，持续监控模型性能、比较不同模型并找出需要改进的地方。

接下来做什么#

使用留出数据验证训练好的模型，检查其实际精度，然后将其导出为 ONNX、TensorRT 或其他部署格式。如果你使用自己的数据而不是 COCO8 进行训练，请先按照数据集指南设置数据格式。

常见问题#