使用 Ultralytics YOLO 进行模型训练#

简介#

训练一个 deep learning 模型需要向其输入数据并调整其参数，以便其能够做出准确的预测。Ultralytics YOLO26 中的 Train 模式专为高效、有效地训练目标检测模型而设计，充分利用了现代硬件的功能。本指南旨在涵盖使用 YOLO26 强大的一组功能开始训练你自己的模型所需的所有详细信息。如果你尚未安装 Ultralytics，请从 Quickstart guide 开始。

为何选择 Ultralytics YOLO 进行训练？#

以下是选择 YOLO26 训练模式的一些令人信服的理由：

• 效率： 无论你是在单 GPU 设置下还是在多 GPU 环境中扩展，都能充分利用你的硬件性能。
• 多功能性： 除了 COCO、VOC 和 ImageNet 等现成数据集外，还支持使用自定义数据集进行训练。
• 用户友好： 简单而强大的 CLI 和 Python 接口，可提供直接的训练体验。
• 超参数灵活性： 提供广泛的可定制超参数，以微调模型性能。如需更深入的控制，你可以自己 customize the trainer。
• 云端训练： 通过 Ultralytics Platform 在云端 GPU 上进行训练，并提供实时指标和自动检查点保存功能。

训练模式的主要特点#

以下是 YOLO26 训练模式的一些显著特点：

• 自动数据集下载： 带有下载源的数据集配置会在首次使用时自动下载，例如 yolo train data=coco8.yaml。有关支持的格式和数据集，请参阅 Datasets overview。
• 多 GPU 支持： 在多个 GPU 上无缝扩展你的训练任务，以加快进程。
• 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，以获得更好的洞察力。

使用示例#

在 COCO8 数据集上以图像大小 640 训练 YOLO26n 100 个 epochs。可以使用 device 参数指定训练设备。如果未传递任何参数，则在可用时将使用 GPU device=0；否则将使用 device='cpu'。有关训练参数的完整列表，请参阅下面的“参数”部分。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

多 GPU 训练#

多 GPU 训练通过将训练负载分配到多个 GPU 上，实现了对现有硬件资源更高效的利用。此功能可通过 Python API 和命令行界面使用。要启用多 GPU 训练，请指定你希望使用的 GPU 设备 ID。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Train the model with the two most idle GPUs
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 训练使用带有标准 device=0 或 device=cuda:0 语法的 PyTorch ROCm 构建版本。请参阅 AMD integration guide 了解安装以及当前的 MIGraphX、DirectML 和 Ryzen AI NPU 支持状态。

Intel GPU 训练使用 device=xpu:0，或结合提供 XCCL 的 PyTorch 构建版本使用多个 XPU ID。

Huawei Ascend NPU 训练#

Ultralytics 支持通过 torch_npu 在华为昇腾 NPU 上进行训练和验证。请按照昇腾 PyTorch 扩展安装指南安装互相兼容的 CANN、PyTorch 和 torch_npu 版本，然后在启动 Ultralytics 之前加载 CANN 环境变量：

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Train on one Ascend NPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# Train across two Ascend NPUs with HCCL
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

标准的训练功能（包括 AMP、验证、检查点保存和恢复）使用活动的 NPU。AutoBatch 可用于单 NPU 训练，而多个 NPU ID 则通过 HCCL 启动分布式训练。有关训练后的模型导出和部署，请参阅 Huawei Ascend integration guide。

空闲 GPU 训练#

空闲 GPU 训练能够自动选择多 GPU 系统中利用率最低的 GPU，从而在无需手动选择的情况下优化资源使用。此功能根据利用率指标和 VRAM 可用性来识别可用 GPU。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train using the single most idle GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Train using the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

自动选择算法会优先考虑具有以下特征的 GPU：

1. 较低的当前利用率百分比
2. 较高的可用内存（空闲 VRAM）
3. 较低的温度和功耗

此功能在共享计算环境或跨不同模型运行多个训练作业时特别有价值。它会自动适应不断变化的系统条件，确保在无需人工干预的情况下实现最佳的资源分配。

Apple Silicon MPS 训练#

随着 Ultralytics YOLO 模型对 Apple Silicon 芯片的支持，现在可以在利用强大的 Metal Performance Shaders (MPS) 框架的设备上训练你的模型。MPS 提供了一种在 Apple 自研芯片上执行计算和图像处理任务的高性能方式。

要启用在 Apple Silicon 芯片上的训练，你应在启动训练过程时将 'mps' 指定为你的设备。以下是你在 Python 和命令行中如何进行此操作的示例：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

在利用 Apple 芯片的计算能力的同时，这使得训练任务的处理更加高效。有关更详细的指导和高级配置选项，请参考 PyTorch MPS documentation。

恢复中断的训练#

在使用深度学习模型时，从先前保存的状态恢复训练是一项至关重要的功能。这在各种场景下都很方便，例如训练过程意外中断时，或者你希望用新数据或更多的 epoch 继续训练模型时。

当恢复训练时，Ultralytics YOLO 会从上次保存的模型中加载权重，并恢复优化器状态、learning rate 调度器以及 epoch 编号。这允许你从上次中断的地方无缝地继续训练过程。

你可以在调用 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，从而在 Ultralytics YOLO 中轻松恢复训练。

以下是使用 Python 和命令行恢复中断训练的示例：

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

通过设置 resume=True，train 函数将使用存储在 'path/to/last.pt' 文件中的状态，从中断处继续训练。如果省略 resume 参数或将其设置为 False，则 train 函数将开始一个新的训练会话。

请记住，默认情况下检查点会在每个 epoch 结束时保存，或者使用 save_period 参数按固定间隔保存，因此你必须至少完成 1 个 epoch 才能恢复训练运行。

训练设置#

YOLO 模型的训练设置涵盖了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 accuracy。关键训练设置包括批量大小、学习率、动量和权重衰减。此外，优化器、loss function 的选择以及训练数据集的组成也会影响训练过程。对这些设置进行仔细调优和实验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，它将标准 SGD 更新与 Muon 风格的正交化更新相结合。

它推荐用于较长的 YOLO26 训练运行和较大的数据集，在这种情况下，正交化的 Muon 更新可以帮助稳定优化过程。

只有 2D 线性权重和 4D 卷积滤波器（重塑为 2D）与 SGD 一起接收 Muon 风格的更新，而所有其他参数（例如批归一化权重和偏置项）则保留在标准 SGD 上。

当使用 optimizer=auto 时，Ultralytics 会自动为较长的训练运行（通常在迭代次数 > 10000 时）选择 MuSGD。对于较短的运行，训练器会回退到 AdamW。

使用示例：

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。

增强设置和超参数#

增强技术对于通过向 training data 引入可变性来提高 YOLO 模型的鲁棒性和性能至关重要，这有助于模型更好地泛化到未见过的数据。下表概述了每个增强参数的目的和效果：

这些设置可以根据数据集和当前任务的具体要求进行调整。尝试不同的数值有助于找到实现最佳模型性能的最佳增强策略。

日志记录#

在训练 YOLO26 模型时，你可能会发现跟踪模型随时间推移的性能很有价值。这就是日志记录发挥作用的地方。Ultralytics YOLO 支持三种类型的日志记录器 - Comet、ClearML 和 TensorBoard。

要使用记录器，请从上面的代码片段中的下拉菜单中选择它并运行。所选的记录器将被安装并初始化。

Comet#

Comet 是一个平台，允许数据科学家和开发人员跟踪、比较、解释和优化实验与模型。它提供诸如实时指标、代码差异和超参数跟踪等功能。

要使用 Comet：

# pip install comet_ml
import comet_ml

comet_ml.init()

记得在他们的网站上登录你的 Comet 账户并获取你的 API key。你需要将其添加到环境变量或脚本中以记录你的实验。

ClearML#

ClearML 是一个开源平台，可自动跟踪实验并帮助有效共享资源。它旨在帮助团队更高效地管理、执行和复现其机器学习工作。

要使用 ClearML：

# pip install clearml
import clearml

clearml.browser_login()

运行此脚本后，你需要在浏览器中登录你的 ClearML 账户并验证你的会话。

TensorBoard#

TensorBoard 是用于 TensorFlow 的可视化工具包。它允许你可视化你的 TensorFlow 图，绘制关于图执行的定量指标，并显示诸如流经它的图像之类附加数据。

要在 Google Colab 中使用 TensorBoard：

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

要在本地使用 TensorBoard，请运行以下命令并在 localhost:6006 处查看结果。

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

这将加载 TensorBoard 并将其定向到保存训练日志的目录。

设置好记录器后，你就可以继续进行模型训练。所有训练指标将自动记录在你选择的平台上，你可以访问这些日志来监控模型随时间的表现，比较不同模型，并找出需要改进的地方。

下一步#

针对保留数据 Validate 你的训练模型以检查其现实世界的准确率，然后将其 export 到 ONNX、TensorRT 或其他部署格式。要在你自己的数据而不是 COCO8 上进行训练？请先使用 Datasets guide 对其进行格式化。

常见问题解答#