ultralytics 训练模式

`ultralytics` 训练模式#

训练模式：在自定义或预载数据集上对模型进行微调。

import set_env

训练深度学习模型包括向其输入数据并调整参数，以便能够进行准确的预测。Ultralytics YOLOv11 中的训练模式专为高效和有效地训练目标检测模型而设计，充分利用了现代硬件的能力。本指南旨在涵盖您开始使用 YOLOv11 的全面功能集训练自己的模型所需的所有详细信息。

为什么选择 Ultralytics YOLO 进行模型训练？

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。

训练模式的主要功能

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。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。

在 COCO8 数据集上，使用 640 的图像大小对 YOLOv11n 进行 100 个 epoch 的训练。可以通过 device 参数指定训练设备。如果没有传递参数且 GPU可用，则 device=0 将被使用，否则 device='cpu' 将被使用。

from ultralytics import YOLO
# 加载模型
model = YOLO("yolo11n.yaml")  # 利用 YAML 构建新模型
model = YOLO("yolo11n.pt")  # 加载预训练模型（推荐用于训练）
model = YOLO("yolo11n.yaml").load("yolo11n.pt") # 从 YAML 构建并迁移权重
# 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

多 GPU 训练#

通过将训练负载分配到多个 GPU 上，多GPU训练能够更有效地利用可用的硬件资源。这一特性既可以通过 Python API 也可以通过命令行界面来实现。为了启用多 GPU 训练，您需要指定希望使用的 GPU 设备 ID。

要使用 2 个 GPU（CUDA 设备 0 和 1）进行训练，请使用以下命令。根据需要扩展到其他 GPU。

from ultralytics import YOLO
# 加载模型
model = YOLO("yolo11n.pt")  # 加载预训练模型（建议用于训练）
# 使用 2 个 GPU 训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

苹果硅 MPS 训练#

随着对 Ultralytics YOLO 模型中集成的苹果硅芯片的支持，现在可以在利用强大的 Metal Performance Shaders (MPS) 框架的设备上训练您的模型。MPS 为在苹果定制硅上执行计算和图像处理任务提供了高性能的方式。

为了在苹果硅芯片上启用训练，您应该在启动训练过程时指定 'mps' 作为您的设备。以下是如何在 Python 中以及通过命令行进行操作的示例：

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")

利用苹果硅芯片的计算能力，可以更高效地处理训练任务。如需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#

在处理深度学习模型时，从之前保存的状态恢复训练其关键特性。这在多种情况下都非常有用，例如当训练过程意外中断，或者您希望使用新数据或更多周期继续训练模型时。

当训练恢复时，Ultralytics YOLO 会加载最后一次保存的模型权重，并恢复优化器状态、学习率调度器和周期数。这样，您就可以无缝地从停止的地方继续训练过程。

在 Ultralytics YOLO 中，您可以通过在调用 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 文件路径来轻松恢复训练。

下面是使用 Python 以及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 函数将从中断的地方继续训练，利用存储在 'path/to/last.pt' 文件中的状态。如果省略 resume 参数或将其设置为 False，则训练函数将从零开始训练。

请牢记，默认情况下检查点是在每个时期的末尾保存的，或者使用 save_period 参数在固定间隔进行保存。因此，您至少需要完成一个 epoch 才能恢复训练运行。

训练设置#

YOLO 模型的训练设置包括在训练过程中使用的各种超参数和配置。这些设置影响模型的性能、速度和准确性（参见链接）。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，优化器的选择、损失函数以及训练数据集的构成也会影响训练过程。对这些设置进行仔细调整和实验对于优化性能至关重要。

好的，我会尽力提供准确并学术性的翻译。以下是您提供的段落的中文翻译：

参数	默认值	描述
`model`	`None`	指定用于训练的模型文件。可以是预训练模型的路径（`.pt`）或配置文件（`.yaml`）。这对于定义模型结构或初始化权重至关重要。
`data`	`None`	数据集配置文件的路径（如`coco8.yaml`）。该文件包含特定于数据集的参数，包括训练和验证数据的路径、类别名称以及类别数量。
`epochs`	`100`	总训练周期数。每个周期表示对整个数据集的一次完整遍历。调整此值可以影响训练持续时间和模型性能。
`time`	`None`	最大训练时间（以小时为单位）。如果设置了此值，则覆盖`epochs`参数，允许在指定时间后自动停止训练。这在时间受限的训练场景中很有用。
`patience`	`100`	在验证指标没有改善的情况下等待的周期数，之后提前停止训练。通过在性能停滞时停止训练来防止过拟合。
`batch`	`16`	批量大小，有三种模式：设置为整数（例如，`batch=16`），自动模式为60%的GPU内存利用率（`batch=-1`），或带有指定利用率分数的自动模式（`batch=0.70`）。
`imgsz`	`640`	训练的目标图像尺寸。所有图像在此维度上调整大小后再输入到模型中。影响模型的准确性和计算复杂性。
`save`	`True`	启用保存训练检查点和最终模型权重。对于恢复训练或模型部署非常有用。
`save_period`	`-1`	保存模型检查点的频率，以周期数指定。值为-1将禁用此功能。在长时间的训练会话中保存中间模型非常有用。
`cache`	`False`	启用数据集图像缓存，可以选择在内存中（`True`/`ram`）、磁盘上（`disk`）或禁用它（`False`）。通过减少磁盘I/O提高训练速度，但会增加内存使用量。
`device`	`None`	指定用于训练的计算设备：单个GPU（`device=0`）、多个GPU（`device=0,1`）、CPU（`device=cpu`）或苹果硅片的MPS（`device=mps`）。
`workers`	`8`	数据加载的工作线程数（如果是多GPU训练，则为每个`RANK`）。影响数据预处理和模型输入的速度，在多GPU设置中特别有用。
`project`	`None`	存储训练输出的项目目录名称。允许有组织地存储不同的实验。
`name`	`None`	训练运行的名称。用于在项目文件夹中创建一个子目录，其中存储训练日志和输出。
`exist_ok`	`False`	如果为True，允许覆盖现有的项目/名称目录。在不需要手动清除以前的输出的情况下进行迭代实验非常有用。
`pretrained`	`True`	确定是否从预训练模型开始训练。可以是布尔值或特定模型的字符串路径，从中加载权重。提高了训练效率和模型性能。
`optimizer`	`'auto'`	训练选择的优化器。选项包括`SGD`、`Adam`、`AdamW`、`NAdam`、`RAdam`、`RMSProp`等，或者根据模型配置自动选择（`auto`）。影响收敛速度和稳定性。
`verbose`	`False`	启用详细输出，提供详细的日志和进度更新。对于调试和密切监控训练过程非常有用。
`seed`	`0`	设置训练的随机种子，确保在相同配置下结果的可重复性。
`deterministic`	`True`	强制使用确定性算法，以确保可重复性，但由于限制了非确定性算法，可能会影响性能和速度。
`single_cls`	`False`	在训练期间将所有多类数据集中的类别视为单一类别。对于二分类任务或关注对象存在而不是分类时非常有用。
`rect`	`False`	启用矩形训练，优化批次组合以最小化填充。可以提高效率和速度，但可能会影响模型准确性。
`cos_lr`	`False`	使用余弦学习率调度器，根据余弦曲线调整每个周期的学习率。这有助于更好地收敛学习率的管理。
`close_mosaic`	`10`	在最后N个周期内禁用数据增强的马赛克方法以稳定训练结束前的训练。设置为0则禁用此功能。
`resume`	`False`	从上次保存的检查点恢复训练。自动加载模型权重、优化器状态和周期计数，无缝继续训练。
`amp`	`True`	启用自动混合精度（AMP）训练，减少内存使用并可能加快训练速度，对准确性的影响最小。
`fraction`	`1.0`	指定用于训练的数据集部分。允许在完整数据集的子集上进行训练，这对于实验或资源有限时非常有用。
`profile`	`False`	启用ONNX和TensorRT速度的剖析，有助于优化模型部署。
`freeze`	`None`	冻结模型的前N层或通过索引指定的层，减少可训练参数的数量。对于微调或迁移学习非常有用。
`lr0`	`0.01`	初始学习率（即`SGD=1E-2`, `Adam=1E-3`）。调整这个值对优化过程至关重要，影响模型权重更新的速度。
`lrf`	`0.01`	最终学习率为初始学习率的一部分 = (`lr0 * lrf`)，与调度器一起使用以随时间调整学习率。
`momentum`	`0.937`	SGD的动量因子或Adam优化器的beta1，影响当前更新中过去梯度的结合方式。
`weight_decay`	`0.0005`	L2正则化项，惩罚大权重以防止过拟合。
`warmup_epochs`	`3.0`	学习率预热的周期数，将学习率从低值逐渐增加到初始学习率以稳定早期训练。
`warmup_momentum`	`0.8`	预热阶段的初始动量，逐渐调整到设置的动量值。
`warmup_bias_lr`	`0.1`	预热阶段偏置参数的学习率，帮助在初期周期稳定模型训练。
`box`	`7.5`	损失函数中框损失分量的权重，影响对预测边界框坐标的重视程度。
`cls`	`0.5`	总损失函数中分类损失的权重，影响正确类别预测的重要性相对于其他组件。
`dfl`	`1.5`	某些YOLO版本中使用的分布焦点损失的权重，用于细粒度分类。
`pose`	`12.0`	姿态估计模型中姿态损失的权重，影响对准确预测姿态关键点的重视程度。
`kobj`	`2.0`	姿态估计模型中关键点对象性损失的权重，平衡检测置信度和姿态精度。
`label_smoothing`	`0.0`	应用标签平滑，将硬标签软化为目标标签和均匀分布的混合，可以改善泛化能力。
`nbs`	`64`	归一化损失的名义批量大小。
`overlap_mask`	`True`	决定是否将对象掩码合并为单个掩码用于训练，或者在每个对象上保持单独的掩码。如果存在重叠，较小的掩码将在合并过程中覆盖在较大的掩码上。
`mask_ratio`	`4`	分割掩码的下采样比率，影响训练期间使用的掩码分辨率。
`dropout`	`0.0`	分类任务中的正则化丢弃率，通过在训练期间随机省略单元来防止过拟合。
`val`	`True`	在训练期间启用验证，允许定期评估模型在独立数据集上的性能。
`plots`	`False`	生成并保存训练和验证指标的图表以及预测示例，提供对模型性能和学习进度的视觉洞察。

批处理大小设置说明

批处理参数可通过以下三种方式配置：

固定批处理大小：设置一个整数值（例如，batch=16），直接指定每批的图像数量。
自动模式（\(60\%\) GPU 内存）：使用 batch=-1 以自动调整批处理大小，大约利用 \(60\%\) 的 CUDA 内存。
带利用率分数的自动模式：设置分数值（例如，batch=0.70），根据指定的 GPU 内存使用比例来调整批处理大小。

增强设置和超参数#

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

参数说明：

参数名	类型	默认值	范围	描述
`hsv_h`	`float`	`0.015`	`0.0 - 1.0`	通过调整图像色调的一个分数，引入颜色变化，帮助模型在不同光照条件下泛化。
`hsv_s`	`float`	`0.7`	`0.0 - 1.0`	通过一个分数改变图像的饱和度，影响颜色强度。适用于模拟不同环境条件。
`hsv_v`	`float`	`0.4`	`0.0 - 1.0`	通过一个分数修改图像的亮度（明暗），帮助模型在各种光照条件下表现良好。
`degrees`	`float`	`0.0`	`-180 - +180`	随机旋转图像到指定度数范围内，提高模型识别不同方向物体的能力。
`translate`	`float`	`0.1`	`0.0 - 1.0`	按图像尺寸的分数水平和垂直移动图像，有助于学习检测部分可见的物体。
`scale`	`float`	`0.5`	`>=0.0`	按增益因子缩放图像，模拟物体与相机的距离差异。
`shear`	`float`	`0.0`	`-180 - +180`	按指定角度剪切图像，模仿从不同角度观察物体的效果。
`perspective`	`float`	`0.0`	`0.0 - 0.001`	对图像应用随机透视变换，增强模型理解三维空间中物体的能力。
`flipud`	`float`	`0.0`	`0.0 - 1.0`	以指定概率将图像上下翻转，增加数据多样性而不改变物体特性。
`fliplr`	`float`	`0.5`	`0.0 - 1.0`	以指定概率将图像左右翻转，有助于学习对称物体和增加数据集多样性。
`bgr`	`float`	`0.0`	`0.0 - 1.0`	以指定概率将图像通道从RGB转换为BGR，有助于提高对错误通道顺序的鲁棒性。
`mosaic`	`float`	`1.0`	`0.0 - 1.0`	将四张训练图像合并为一张，模拟不同场景组合和物体交互。对于复杂场景理解非常有效。
`mixup`	`float`	`0.0`	`0.0 - 1.0`	混合两张图像及其标签，创建一个合成图像。通过引入标签噪声和视觉变化，增强模型的泛化能力。
`copy_paste`	`float`	`0.0`	`0.0 - 1.0`	将一个图像中的物体复制并粘贴到另一个图像中，有助于增加物体实例和学习物体遮挡。
`copy_paste_mode`	`str`	`flip`	-	选择复制粘贴增强方法，选项包括 (`"flip"`, `"mixup"`)。
`auto_augment`	`str`	`randaugment`	-	自动应用预定义增强策略 (`randaugment`, `autoaugment`, `augmix`)，通过多样化视觉特征优化分类任务。
`erasing`	`float`	`0.4`	`0.0 - 0.9`	在分类训练过程中随机擦除图像的一部分，鼓励模型关注不太明显的特征进行识别。
`crop_fraction`	`float`	`1.0`	`0.1 - 1.0`	裁剪分类图像到其大小的一个分数，强调中心特征并适应物体尺度，减少背景干扰。

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最优的数据增强策略，从而提升模型的性能表现。

训练日志#

在训练 YOLOv11 模型时，跟踪模型随时间的性能变化是非常有价值的。这时就需要用到日志记录功能。Ultralytics 的 YOLO 支持三种类型的日志记录器 - Comet、ClearML 和 TensorBoard。

Comet#

Comet平台，它允许数据科学家和开发人员追踪、比较、解释和优化实验及模型。它提供了实时指标、代码差异对比以及超参数跟踪等功能。

# pip install comet_ml
import comet_ml

comet_ml.init()

请记得在 Comet 网站的个人账户中登录，并获取您的 API 密钥。您需要将此密钥添加到环境变量或脚本中，以便记录您的实验数据。

ClearML#

ClearML 开源平台，它自动化跟踪实验并帮助高效共享资源。该平台旨在帮助团队更有效地管理、执行和复现他们的机器学习工作。

# pip install clearml
import clearml

clearml.browser_login()

执行此脚本后，您需要在浏览器上登录您的 ClearML 账户并验证会话。

TensorBoard#

TensorBoard是用于TensorFlow的可视化工具包。它允许你可视化你的TensorFlow图，绘制关于图执行的定量指标图表，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

要本地运行 TensorBoard，请执行以下命令并在 http://localhost:6006/ 查看结果。

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

这将启动 TensorBoard，并将其指向您保存训练日志的目录。

配置好记录器后，您可以继续进行模型训练。所有训练指标都将自动记录在您选择的平台中，您可以访问这些日志来监控模型随时间的性能变化，比较不同模型，并识别改进的空间。