使用 Ultralytics YOLO 进行模型训练#

简介#

训练深度学习模型需要向其输入数据并调整参数，以便模型能够做出准确的预测。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，可充分利用现代硬件性能。本指南旨在涵盖你使用 YOLO26 丰富的功能开始训练自己的模型所需的所有详细信息。如果你尚未安装 Ultralytics，请从快速入门指南开始。

请参考unreleased YOLO27 preview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 训练模式的一些令人信服的理由：

• 高效性： 充分利用你的硬件，无论你是使用单 GPU 设置还是跨多个 GPU 扩展。
• 多功能性： 除了 COCO、VOC 和 ImageNet 等现成的数据集外，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： 拥有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，你可以自行自定义训练器。
• 云端训练： 通过Ultralytics 平台在云端 GPU 上进行训练，并提供实时指标和自动检查点功能。

训练模式的核心功能#

以下是 YOLO26 训练模式的一些显著功能：

• 自动下载数据集： 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，请参阅数据集概述。
• 多 GPU 支持： 无缝跨多个 GPU 扩展训练工作，以加速训练过程。
• 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。

使用示例#

在 COCO8 数据集上以图像大小 640 训练 YOLO26n 100 个轮次。可以使用 device 参数指定训练设备。如果未传递任何参数，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，请参阅下方的参数部分。

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)

多 GPU 训练#

多 GPU 训练通过将训练负载分摊到多个 GPU 上，从而更高效地利用可用的硬件资源。此功能可以通过 Python API 和命令行接口使用。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PyTorch ROCm构建版本，语法与标准的 device=0 或 device=cuda:0 相同。有关安装以及当前MIGraphX、DirectML和Ryzen AI NPU支持状态，请参阅 AMD integration guide。

Intel GPU 训练使用 device=xpu:0，或使用提供 XCCL 的 PyTorch 构建版本的多个 XPU ID。

华为昇腾 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 Ascend Extension for PyTorch installation guide 安装相互兼容的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")

标准训练功能（包括AMP、验证、检查点和恢复）会使用活动的NPU。AutoBatch适用于单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。

闲置 GPU 训练#

闲置 GPU 训练支持在多 GPU 系统中自动选择利用率最低的 GPU，在无需手动选择 GPU 的情况下优化资源利用率。此功能根据利用率指标和显存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（空闲显存）
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任务时特别有价值。它能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优的资源分配。

Apple Silicon MPS 训练#

随着 Ultralytics YOLO 模型对 Apple 芯片支持的集成，现在可以在利用强大的金属性能着色器 (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 芯片上的训练，你应在初始化训练过程时将 'mps' 指定为你的设备。以下是一个如何在 Python 中以及通过命令行执行此操作的示例：

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")

在利用 Apple 芯片的计算能力的同时，这能够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在使用深度学习模型时是一项关键功能。这在各种情况下非常方便，例如训练过程意外中断时，或者当你希望使用新数据或进行更多轮次继续训练模型时。

当恢复训练时，Ultralytics YOLO 会从最后保存的模型中加载权重，并恢复优化器状态、学习率调度器、轮次编号以及数据集。这能让你从中断的地方无缝继续训练过程。传入显式的 data= 以及 resume，以便在不同的数据集上继续训练，而不是使用检查点的数据集。

你可以在调用 train 方法时，将 resume 参数设置为 True，并指定包含部分训练模型权重的 .pt 文件的路径，从而在 Ultralytics YOLO 中轻松恢复训练。

以下是如何使用 Python 和通过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，train 函数将开始一个新的训练会话。

请记住，默认情况下检查点保存在每个轮次的末尾，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 个轮次才能恢复训练运行。

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、速度和准确率。关键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 样式的正交化更新结合在一起。

推荐用于较长的 YOLO26 训练运行和较大的数据集，在这些情况下，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 样式更新，而所有其他参数（例如批归一化权重和偏置项）仍保留在标准 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。

增强设置与超参数#

增强技术对于向训练数据引入变异性、帮助模型更好地泛化到未见数据以提高 YOLO 模型的鲁棒性和性能至关重要。下表概述了每个增强参数的目的和效果：

可以调整这些设置以满足当前数据集和任务的具体要求。尝试不同的值可以帮助找到带来最佳模型性能的最优增强策略。

日志记录#

训练指标、图表和检查点始终会写入运行目录，同时Ultralytics也会将这些内容实时流式传输到你已安装并启用的任何实验追踪器：Comet、ClearML、TensorBoard、MLflow、Weights & Biases 和 DVCLive。每个日志记录器都可以通过 Ultralytics settings 进行切换，例如 yolo settings tensorboard=True。下面展示了三种最常见的设置。

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()

请记住登录其网站上的 Comet 账户并获取你的 API 密钥。你需要将其添加到你的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高效共享资源。它旨在帮助团队更高效地管理、执行和重现其机器学习工作。

要使用 ClearML：

# pip install clearml
import clearml

clearml.browser_login()

运行此脚本后，你需要在浏览器上登录你的 ClearML 账户并对你的会话进行身份验证。

TensorBoard#

TensorBoard 是用于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

这会加载 TensorBoard 并将其定向到保存训练日志的目录。

设置好日志记录器后，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中，你可以访问这些日志来随时间监控模型的性能、比较不同的模型并找出需要改进的地方。

接下来做什么#

针对保留数据验证你训练好的模型以检查其真实世界的准确率，然后将其导出为 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？请先通过数据集指南进行格式化。

常见问题#