Erste Feinabstimmung und Iterationsschleife

Mit vortrainierten Gewichten beginnen#

Bei der Feinabstimmung werden Gewichte verwendet, die bereits Kanten, Texturen und Formen erkennen. Dadurch konvergiert das Modell schneller und benötigt deutlich weniger Daten als beim Training mit zufälligen Gewichten. Wähle den zur Aufgabe passenden YOLO26-Checkpoint:

Das Backbone und der Neck werden unverändert übernommen; der Aufgaben-Head wird teilweise neu initialisiert, damit er zur Anzahl deiner Klassen passt. Training von Grund auf lohnt sich nur bei sehr großen Datensätzen aus äußerst ungewöhnlichen Anwendungsbereichen. Beginne mit dem Nano-Modell (n), um schnell eine Baseline zu erhalten, und wechsle erst zu größeren Modellen, wenn weitere Verbesserungen durch den Datenkreislauf ausbleiben. Der Leitfaden zur Feinabstimmung erklärt die internen Abläufe.

Baseline ausführen#

Trainiere mit den Standardeinstellungen; der erste Lauf soll eine Baseline liefern, keinen Rekord. Dabei wird auf der Aufteilung des Übungsdatensatzes aus Datensatz richtig aufteilen trainiert. Zuerst wird die YAML-Datei mit den Daten erstellt:

from ultralytics import YOLO
from ultralytics.data.utils import check_det_dataset
from ultralytics.utils import YAML

names = check_det_dataset("coco128.yaml")["names"]  # # Der Übungsdatensatz behält die Klassennamen von COCO bei
YAML.save("practice.yaml", {"path": "datasets/practice", "train": "train.txt", "val": "val.txt", "test": "test.txt", "names": names})

model = YOLO("yolo26n.pt")  # # Auf COCO vortrainiert; verwende den Checkpoint für deine Aufgabe
model.train(data="practice.yaml", epochs=3, imgsz=320)  # # Ein echter Lauf: epochs=100, imgsz=640

                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)
                   all         20        143      0.614        0.6      0.664      0.486

Im Laufordner (runs/detect/train/) liegt jetzt weights/best.pt. Beim ersten Lauf sind nur drei Argumente einen Blick wert:

Dein erstes Modell trainieren erläutert den Trainingsaufruf und das Live-Protokoll ausführlich.

Klassen ordnen und übersehene Objekte untersuchen#

Der Gesamt-mAP verschleiert, wo das Problem liegt. Ordne die Klassen nach AP50-95 und verwende die Konfusionsmatrix, um die Fehler jeder Klasse in Objekte aufzuteilen, die das Modell vollständig übersehen hat, und Objekte, die es einer anderen Klasse zugeordnet hat:

from ultralytics import YOLO

model = YOLO("runs/detect/train/weights/best.pt")  # your fine-tuned checkpoint
metrics = model.val(data="practice.yaml", imgsz=320, verbose=False)  # same data YAML and imgsz as training

matrix = metrics.confusion_matrix.matrix  # rows: predicted class, columns: true class; last row = background
for ap, cls in sorted(zip(metrics.box.ap, metrics.box.ap_class_index))[:5]:  # weakest five classes first
    total, missed, correct = matrix[:, cls].sum(), matrix[-1, cls], matrix[cls, cls]
    print(f"{model.names[cls]:>8}  AP50-95={ap:.3f}  {total:2.0f} labeled: {correct:2.0f} found, "
          f"{missed:2.0f} missed, {total - correct - missed:2.0f} called another class")

     car  AP50-95=0.000   4 labeled:  0 found,  4 missed,  0 called another class
    fork  AP50-95=0.000   1 labeled:  0 found,  0 missed,  1 called another class
 handbag  AP50-95=0.025   1 labeled:  1 found,  0 missed,  0 called another class
     cup  AP50-95=0.039  14 labeled:  0 found, 10 missed,  4 called another class
    sink  AP50-95=0.075   1 labeled:  1 found,  0 missed,  0 called another class

Jede Fehlerart weist auf eine andere Korrektur am Datensatz hin:

• Zu wenige Instanzen in der Validierungsmenge (fork, handbag, sink, jeweils 1): Der AP-Wert ist Zufall. Ziehe bei einer Klasse erst dann Schlüsse, wenn die Validierungsmenge mindestens einige Dutzend Instanzen enthält; sammle zuerst weitere Validierungsgruppen.
• Übersehen (car 4 von 4, cup 10 von 14): Das Modell erkennt überhaupt kein Objekt. Prüfe, ob dieses Szenario in den Trainingsdaten ausreichend abgedeckt ist, und suche mit suspect_labels.py nach fehlenden Annotationen.
• Andere Klasse vorhergesagt (cup 4 von 14): Die Klassendefinitionen überschneiden sich. Öffne die betreffenden Bilder, präzisiere die Definitionen und nenne das ähnliche Objekt im Leitfaden.

cup ist hier der konkrete Befund: 14 annotierte Instanzen, aber keine einzige erkannt.

Den Laufordner als Datenrückmeldung lesen#

Bei jedem Trainingslauf werden diese Dateien erstellt. Während des Cloud-Trainings stellt die Ultralytics Platform dieselben Kurven live dar:

Validieren und diagnostizieren erklärt jedes Diagramm. Hier lautet die entscheidende Frage immer, welche Informationen in den Daten fehlen.

Der datenzentrierte Kreislauf#

Ein typischer Durchlauf: Wähle die schwächste Klasse mit ausreichend Instanzen in der Validierungsmenge aus, prüfe etwa 50 Bilder, die diese Klasse enthalten, korrigiere die Daten, trainiere mit denselben Einstellungen und derselben Aufteilung erneut und vergleiche den AP je Klasse. Gehe dann zur nächstschwächsten Klasse über.

Wann Hyperparameter angepasst werden sollten#

Nach zwei oder drei Dateniterationen kann die Feinabstimmung noch die letzten Prozentpunkte bringen, sofern sich die verbleibenden schwachen Klassen nicht mehr auf fehlende Abdeckung, Annotationen oder Definitionen zurückführen lassen. Der Leitfaden zur Feinabstimmung behandelt das Einfrieren von Schichten, Lernraten und die Wahl des Optimierers. Wenn du jedoch abstimmst, bevor die Daten in Ordnung sind, verbringst du Wochen damit, ein Modell für den falschen Datensatz zu optimieren.

Sobald ein Modell acceptance_test.py auf dem unveränderten Testdatensatz besteht, behandelt Ultralytics YOLO in der Produktion den Export und die Bereitstellung. Zustand und Genauigkeit überwachen und Schleife für erneutes Training automatisieren in Mit Ultralytics Platform entwickeln behandeln den Kreislauf für erneutes Training.