模型培训Ultralytics YOLO

导言

训练深度学习模型包括向其提供数据并调整其参数，使其能够做出准确的预测。Ultralytics YOLO11 中的 "训练 "模式旨在充分利用现代硬件能力，有效、高效地训练物体检测模型。本指南旨在介绍使用 YOLO11 的强大功能集开始训练自己的模型所需的所有细节。

观看： 如何在Google Colab 中的自定义数据集上训练YOLO 模型。

为什么选择Ultralytics YOLO 进行培训？

以下是选择 YOLO11 的火车模式的一些令人信服的理由：

• 效率：充分利用硬件，无论您是使用单个GPU 设置还是在多个 GPU 之间扩展。
• 多功能性：除 COCO、VOC 和 ImageNet 等现成数据集外，还可在自定义数据集上进行训练。
• 用户友好型：简单而强大的CLI 和Python 界面，提供直接的培训体验。
• 超参数灵活性：可定制的超参数范围广泛，可对模型性能进行微调。

列车模式的主要功能

以下是 YOLO11 的列车模式的一些显著特点：

• 自动下载数据集：首次使用时会自动下载 COCO、VOC 和 ImageNet 等标准数据集。
• 支持多个GPU ：在多个 GPU 上无缝扩展您的培训工作，以加快进程。
• 超参数配置：通过 YAML 配置文件或CLI 参数修改超参数的选项。
• 可视化和监控：实时跟踪培训指标和可视化学习过程，以获得更好的洞察力。

使用示例

在 COCO8 数据集上对 YOLO11n 进行 100 次训练 纪元 图像大小为 640。可以使用 device 参数。如果没有传递参数GPU device=0 将被使用，否则 device='cpu' 将被使用。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("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

多种GPU 培训

通过在多个 GPU 上分配训练负载，多GPU 训练可以更有效地利用可用硬件资源。该功能可通过Python API 和命令行界面使用。要启用多GPU 训练，请指定要使用的GPU 设备 ID。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1

苹果硅MPS 培训

Ultralytics YOLO 模型中集成了对苹果硅芯片的支持，现在可以在使用强大的金属性能着色器 (MPS) 框架的设备上训练模型。MPS 提供了在苹果定制芯片上执行计算和图像处理任务的高性能方法。

要在苹果硅芯片上启用训练，应在启动训练程序时将 "mps"指定为设备。下面是一个示例，说明如何在Python 和通过命令行执行此操作：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

在充分利用苹果硅芯片计算能力的同时，这还能更高效地处理训练任务。有关更详细的指导和高级配置选项，请参阅PyTorch MPS 文档。

恢复中断的培训

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。这在各种情况下都能派上用场，比如当训练过程意外中断时，或者当你希望用新数据或更多的历时继续训练模型时。

恢复训练时，Ultralytics YOLO 会加载上次保存模型的权重，并恢复优化器状态、学习率调度器和历时编号。这样，您就可以从上次中断的地方无缝地继续训练过程。

Ultralytics YOLO 您可以通过设置 resume 参数 True 在调用 train 方法的路径，并指定 .pt 文件，其中包含经过部分训练的模型权重。

下面举例说明如何使用Python 和通过命令行恢复中断的训练：

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)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

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 resume 参数被省略或设置为 False，"...... train 功能将开始新的培训课程。

请记住，默认情况下，检查点会在每个纪元结束时保存，或者使用 save_period 参数，因此您必须至少完成一个纪元才能恢复训练运行。

列车设置

YOLO 模型的训练设置包括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、速度和准确性。关键的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、损失函数和训练数据集组成的选择也会影响训练过程。对这些设置进行仔细的调整和实验对于优化性能至关重要。

增强设置和超参数

增强技术通过在训练数据中引入可变性，帮助模型更好地泛化到未见数据中，对提高YOLO 模型的稳健性和性能至关重要。下表概述了每种增强参数的目的和效果：

这些设置可根据数据集和手头任务的具体要求进行调整。试验不同的值有助于找到最佳的增强策略，从而获得最佳的模型性能。

记录

在训练 YOLO11 模型的过程中，您可能会发现跟踪模型在一段时间内的表现很有价值。这就是日志发挥作用的地方。Ultralytics'YOLO 支持三种类型的日志记录器：Comet 、ClearML 和 TensorBoard。

要使用记录仪，请从上面代码片段的下拉菜单中选择并运行。所选记录仪将被安装和初始化。

Comet

Comet是一个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的平台。它提供实时度量、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()

请记住在Comet 网站上登录您的账户并获取 API 密钥。您需要将此添加到环境变量或脚本中，以便记录实验日志。

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、执行和复制他们的 ML 工作。

要使用ClearML ：

# pip install clearml
import clearml

clearml.browser_login()

运行该脚本后，您需要在浏览器上登录ClearML 账户并验证您的会话。

张量板

TensorBoard是一款可视化工具包，适用于 TensorFlow.通过它，您可以将TensorFlow 图形可视化，绘制有关图形执行情况的量化指标，并显示通过图形的图像等附加数据。

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http://localhost:6006/ 上查看结果。

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

这将加载 TensorBoard 并将其导向保存训练日志的目录。

设置好记录仪后，您就可以开始模型训练了。所有训练指标都将自动记录在您选择的平台上，您可以访问这些日志来监控模型在一段时间内的表现，比较不同的模型，并找出需要改进的地方。

常见问题

如何使用Ultralytics YOLO11 训练物体检测模型？

要使用Ultralytics YOLO11 训练对象检测模型，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("yolo11n.pt")  # load a pretrained model (recommended for training)

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

更多详情，请参阅列车设置部分。

Ultralytics YOLO11 的列车模式有哪些主要功能？

Ultralytics YOLO11 列车模式的主要功能包括

• 自动数据集下载：自动下载 COCO、VOC 和 ImageNet 等标准数据集。
• 支持多个GPU ：在多个 GPU 上进行扩展训练，以加快处理速度。
• 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：实时跟踪培训指标，提高洞察力。

这些功能使培训更高效，并可根据您的需求进行定制。更多详情，请参阅 "训练模式的主要功能"部分。

如何从Ultralytics YOLO11 中中断的课程恢复训练？

要从中断的训练中恢复训练，请设置 resume 参数 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)

yolo train resume model=path/to/last.pt

更多信息请查看 "恢复中断的培训"部分。

我可以在苹果硅芯片上训练 YOLO11 模型吗？

是，Ultralytics YOLO11 支持在使用金属性能着色器 (MPS) 框架的苹果硅芯片上进行培训。指定 "mps"为训练设备。

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

有关详细信息，请参阅Apple SiliconMPS 培训部分。

常见的培训设置有哪些？

Ultralytics YOLO11 允许您通过参数配置各种训练设置，如批量大小、学习率、epochs 等。下面是简要概述：

有关训练设置的深入指南，请查看 "训练设置"部分。

📅创建于 1 年前 ✏️已更新 16 天前

评论