使用 Ultralytics YOLO 进行模型训练

简介

训练 深度学习 模型的过程，涉及向模型输入数据并调整其参数，以便使其能够进行准确的预测。Ultralytics YOLO26 中的训练模式（Train mode）专为高效地训练目标检测模型而设计，能够充分利用现代硬件的性能。本指南旨在涵盖你使用 YOLO26 强大的功能集来开始训练自己模型所需的所有细节。

为什么要选择 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： 充分利用你的硬件，无论你是使用单 GPU 设置还是跨多个 GPU 进行扩展。
• 通用性： 除了 COCO、VOC 和 ImageNet 等现成数据集外，还可以在自定义数据集上进行训练。
• 用户友好： 提供简单而强大的 CLI 和 Python 接口，带来直接的训练体验。
• 超参数灵活性： 提供广泛的可定制超参数，以微调模型性能。如需更深度的控制，你甚至可以 自定义训练器。
• 云端训练： 通过 Ultralytics Platform 在云端 GPU 上进行训练，并可实时获取指标和自动保存检查点。

训练模式的主要功能

以下是 YOLO26 训练模式的一些显著功能：

• 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。
• 多 GPU 支持： 无缝地跨多个 GPU 扩展你的训练工作，以加快进程。
• 超参数配置： 可以选择通过 YAML 配置文件或 CLI 参数来修改超参数。
• 可视化与监控： 实时跟踪训练指标并可视化学习过程，从而获得更好的洞察。

使用示例

在 COCO8 数据集上以图像大小 640 训练 YOLO26n 100 个 epoch。可以使用 device 参数指定训练设备。如果不传递任何参数，则在可用时会使用 GPU device=0；否则将使用 device='cpu'。请参阅下方的“参数”部分以获取训练参数的完整列表。

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，从而更高效地利用现有的硬件资源。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

空闲 GPU 训练

空闲 GPU 训练支持在多 GPU 系统中自动选择利用率最低的 GPU，从而在无需手动选择 GPU 的情况下优化资源使用。此功能会根据利用率指标和 VRAM 可用性来识别可用的 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满足以下条件的 GPU：

1. 当前的利用率百分比更低
2. 可用内存（空闲 VRAM）更高
3. 温度和功耗更低

此功能在共享计算环境或跨不同模型运行多个训练任务时特别有价值。它能自动适应不断变化的系统状态，确保无需人工干预即可实现最优的资源分配。

Apple Silicon MPS 训练

随着 Ultralytics YOLO 模型中对 Apple silicon 芯片支持的集成，现在可以在使用高性能 Metal Performance Shaders (MPS) 框架的设备上训练你的模型。MPS 为在 Apple 定制芯片上执行计算和图像处理任务提供了一种高性能方式。

要启用在 Apple silicon 芯片上的训练，你应该在启动训练流程时将 'mps' 指定为你的设备。以下是你在 Python 和命令行中执行此操作的示例：

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")

利用 Apple silicon 芯片的计算能力，可以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。

恢复中断的训练

从先前保存的状态恢复训练是处理深度学习模型时的一项关键功能。这在各种场景中都非常方便，例如当训练过程意外中断时，或者当你希望使用新数据或在更多 epoch 下继续训练模型时。

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地继续训练过程。

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 函数将使用存储在 'path/to/last.pt' 文件中的状态，从上次中断的地方继续训练。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，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。

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、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。

MuSGD 优化器

在 YOLO26 中，MuSGD 是一种混合优化器，它结合了标准的 SGD 更新与 Muon 式正交化更新。

它推荐用于更长的 YOLO26 训练任务和更大的数据集，其中正交化的 Muon 更新有助于稳定优化过程。

只有 param.ndim >= 2 的参数（如卷积权重）会连同 SGD 一起接收 Muon 式更新，而诸如批归一化层和偏置项等低维参数则保持使用标准的 SGD。

当使用 optimizer=auto 时，Ultralytics 会自动为较长的训练任务（通常迭代次数 > 10000 时）选择 MuSGD。对于较短的训练任务，训练器将回退到 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，这有助于模型更好地泛化到未见数据。下表列出了每个增强参数的目的和效果：

可以调整这些设置以满足数据集和当前任务的具体要求。尝试不同的值有助于找到能带来最佳模型性能的最优增强策略。

日志记录

在训练 YOLO26 模型时，跟踪模型随时间推移的性能非常有用。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，请从上述代码片段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 账号并获取你的 API key。你需要将其添加到环境变量或脚本中以记录实验。

ClearML

ClearML 是一个开源平台，可自动化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、执行和重现他们的 ML 工作。

要使用 ClearML：

# pip install clearml
import clearml

clearml.browser_login()

运行此脚本后，你需要登录浏览器上的 ClearML 账号并验证你的会话。

TensorBoard

TensorBoard 是一个用于 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，并显示通过它的图像等附加数据。

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 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了。所有训练指标将自动记录在所选平台中，你可以访问这些日志来监控模型随时间推移的性能、比较不同模型并确定改进领域。

常见问题

我可以不用本地 GPU 进行训练吗？

可以。Ultralytics Platform 支持云训练，并提供免费额度供你上手。上传数据集，选择模型和 GPU，然后直接从浏览器进行训练。有关详细信息，请参阅云训练指南。

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。

Ultralytics YOLO26 训练模式的主要功能是什么？

Ultralytics YOLO26 训练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。
• 可视化与监控： 实时跟踪训练指标以获得更好的见解。

这些功能使训练变得高效且可根据你的需求进行定制。有关更多详细信息，请参阅训练模式的主要功能部分。

如何恢复 Ultralytics YOLO26 中中断的训练会话？

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。

如何对不平衡数据集进行模型训练？

当某些类别的样本明显少于训练数据中的其他类别时，就会出现类别不平衡。这会导致模型在罕见类别上的表现不佳。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强度：

• 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 和 1.0 之间的值：为中度不平衡提供部分加权

类别权重计算为 (1.0 / class_counts) ^ cls_pw，并进行归一化，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)

我可以在 Apple 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 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")

有关更多详细信息，请参阅Apple Silicon MPS 训练部分。

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，如批处理大小、学习率、轮次等。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。