模型培训Ultralytics YOLO

导言

训练深度学习模型包括向其输入数据并调整其参数，使其能够做出准确的预测。Ultralytics YOLOv8 中的 "训练 "模式充分利用现代硬件能力，专为高效训练物体检测模型而设计。本指南旨在介绍使用YOLOv8 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 的自定义数据集上训练YOLOv8 模型。

为什么选择Ultralytics YOLO 进行培训？

以下是选择YOLOv8"火车模式 "的一些令人信服的理由：

• 效率：充分利用硬件，无论是单 GPU 设置还是跨多个 GPU 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YOLOv8"火车 "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。
• 多 GPU 支持：在多个 GPU 上无缝扩展培训工作，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

在图像大小为 640 的 COCO8 数据集上对YOLOv8n 进行 100 次训练。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('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.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=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.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=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

多 GPU 培训

多 GPU 训练通过在多个 GPU 上分配训练负载，可以更有效地利用可用的硬件资源。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('yolov8n.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=yolov8n.pt epochs=100 imgsz=640 device=0,1

苹果 M1 和 M2 MPS 培训

Ultralytics YOLO 机型中集成了对 Apple M1 和 M2 芯片的支持，现在可以在使用强大的金属高性能着色器 (MPS) 框架的设备上训练模型。MPS 提供了一种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 Apple M1 和 M2 芯片上启用训练，应在启动训练程序时指定 "mps "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('yolov8n.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='mps')

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

在充分利用 M1/M2 芯片计算能力的同时，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YOLOv8 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TensorFlow 的可视化工具包。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。

评论