Link to this section使用 Ultralytics YOLO 进行模型训练#

Link to this section简介#

训练一个 深度学习 模型涉及向其输入数据并调整其参数，以便它能做出准确的预测。Ultralytics YOLO26 中的训练模式专为高效、有效地训练目标检测模型而设计，充分利用了现代硬件性能。本指南旨在涵盖你开始使用 YOLO26 强大的功能集训练自己的模型所需的所有细节。

Link to this section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： 提供广泛的可自定义超参数以微调模型性能。如需更深入的控制，你可以自定义训练器。
• 云训练： 通过 Ultralytics Platform 在云端 GPU 上进行训练，并获取实时指标和自动检查点保存功能。

Link to this section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： COCO、VOC 和 ImageNet 等标准数据集会在首次使用时自动下载。
• 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。

Link to this section使用示例#

在 COCO8 数据集上训练 YOLO26n，进行 100 个 epoch，图像尺寸为 640。训练设备可以使用 device 参数指定。如果没有传入参数，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，请参见下方的“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)

Link to this section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

Link to this section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。

Link to this sectionApple 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 Silicon 芯片计算能力的同时，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 文档。

Link to this section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 会加载最后保存的模型权重，并恢复优化器状态、学习率调度器以及 epoch 编号。这使你能够从上次中断的地方无缝继续训练过程。

You can easily resume training in Ultralytics YOLO by setting the resume argument to True when calling the train method, and specifying the path to the .pt file containing the partially trained model weights.

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 函数将从上次中断的地方继续训练，使用存储在 'path/to/last.pt' 文件中的状态。如果省略 resume 参数或将其设置为 False，train 函数将开启一个新的训练会话。

请记住，检查点默认在每个 epoch 结束时保存，或者使用 save_period 参数以固定间隔保存，因此你必须至少完成 1 个 epoch 才能恢复训练运行。

Link to this section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 准确率。关键的训练设置包括 batch size、学习率、动量和权重衰减。此外，优化器的选择、损失函数和训练数据集的构成也会影响训练过程。仔细调整和试验这些设置对于优化性能至关重要。

Link to this sectionMuSGD 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 param.ndim >= 2 的参数（例如卷积权重）才会接收与 SGD 一起使用的 Muon 风格更新，而较低维度的参数（如批归一化层和偏置项）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（通常当迭代次数 > 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

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

Link to this section增强设置和超参数#

增强技术对于通过在 训练数据 中引入变异性来提高 YOLO 模型的稳健性和性能至关重要，有助于模型更好地推广到未见数据。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。

Link to this section日志记录#

在训练 YOLO26 模型时，跟踪模型的表现随时间的变化会非常有价值。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。

Link to this sectionComet#

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。它提供了诸如实时指标、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。

Link to this sectionClearML#

ClearML 是一个开源平台，可自动化实验跟踪并有助于高效共享资源。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。

Link to this sectionTensorBoard#

TensorBoard 是 TensorFlow 的可视化工具包。它允许你可视化 TensorFlow 图、绘制有关图执行的定量指标，并显示通过它的额外数据，如图像。

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 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。

Link to this section常见问题解答#

Link to this section我可以在没有本地 GPU 的情况下进行训练吗？#

可以。Ultralytics Platform 支持带有免费额度的云训练。上传你的数据集，选择模型和 GPU，即可直接从浏览器进行训练。有关详细信息，请参阅云训练指南。

Link to this section如何使用 Ultralytics YOLO26 训练目标检测模型？#

要使用 Ultralytics YOLO26 训练目标检测模型，你可以使用 Python API 或 CLI。以下是两者的示例：

from ultralytics import YOLO

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

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

有关更多详细信息，请参阅训练设置部分。

Link to this sectionUltralytics YOLO26 的 Train 模式有哪些主要功能？#

Ultralytics YOLO26 的 Train 模式的主要功能包括：

• 自动下载数据集： 自动下载 COCO、VOC 和 ImageNet 等标准数据集。
• 多 GPU 支持： 在多个 GPU 上扩展训练以实现更快的处理速度。
• 超参数配置： 通过 YAML 文件或 CLI 参数自定义超参数。
• 可视化和监控： 实时跟踪训练指标以获得更好的见解。

这些功能使得训练变得高效且可根据你的需求进行定制。有关详细信息，请参阅Train 模式的主要功能部分。

Link to this section如何在 Ultralytics YOLO26 中从中断的会话中恢复训练？#

要从中断的会话中恢复训练，请将 resume 参数设置为 True 并指定最后保存的检查点的路径。

from ultralytics import YOLO

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

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

查看关于恢复中断的训练的部分以获取更多信息。

Link to this section如何在不平衡的数据集上训练模型？#

当训练数据中某些类别的示例明显少于其他类别时，就会发生类别不平衡。这会导致模型在罕见类别上的表现较差。Ultralytics YOLO 通过 cls_pw 参数支持类别加权来解决此问题。

cls_pw 参数根据反向类别频率控制类别加权能力：

• cls_pw=0.0（默认）：禁用类别加权
• cls_pw=1.0：应用完全反向频率加权
• 0.0 到 1.0 之间的值：为中等不平衡提供部分加权

类别权重计算方式为 (1.0 / class_counts) ^ cls_pw，并进行归一化处理，使其均值等于 1.0。

from ultralytics import YOLO

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

# Train with full class weighting for severely imbalanced data
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=1.0)

# Or use partial weighting (0.25) for moderate imbalance
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=0.25)

Link to this section我可以在 Apple Silicon 芯片上训练 YOLO26 模型吗？#

可以，Ultralytics YOLO26 支持利用 Metal Performance Shaders (MPS) 框架在 Apple Silicon 芯片上进行训练。将 'mps' 指定为你的训练设备。

from ultralytics import YOLO

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

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

有关详细信息，请参阅Apple Silicon MPS 训练部分。

Link to this section常见的训练设置有哪些，我该如何配置它们？#

Ultralytics YOLO26 允许你通过参数配置各种训练设置，如 batch size、学习率、epochs 等。以下是简要概述：

有关训练设置的深入指南，请查看训练设置部分。