Fortsetzen und iterieren

Die richtige Art von Trainingslauf wählen#

Praxisbeispiel: Einen unterbrochenen Trainingslauf fortsetzen#

resume=True stellt das Modell, den Optimiererzustand, den Lernraten-Zeitplan und den Epochen-Zähler aus last.pt wieder her und setzt dann den ursprünglichen Plan fort:

yolo train resume=True model=runs/detect/pills_resume/weights/last.pt

Echte Ausgabe eines Trainingslaufs mit 5 Epochen, der nach Epoche 2 gestoppt wurde:

Resuming training runs/detect/pills_resume/weights/last.pt from epoch 3 to 5 total epochs
        3/5         0G      1.232      2.393   0.005478        206        320: 100% 6/6 4.5s
        4/5         0G      1.345      1.859   0.005833        208        320: 100% 6/6 4.5s
        5/5         0G       1.31      1.625   0.005854        191        320: 100% 6/6 4.4s
3 epochs completed in 0.004 hours.

• from epoch 3 to 5 total epochs: Der Trainingslauf setzte exakt nach der letzten gespeicherten Epoche mit dem ursprünglichen Ziel fort.
• Du hast weder data noch epochs übergeben: Alle Argumente stammten aus dem Prüfpunkt. Einige Laufzeiteinstellungen wie batch, device und workers können beim Fortsetzen überschrieben werden; alle anderen werden mit einer Resume ignores ...-Warnung ignoriert.

Praxisbeispiel: Den zweiten Durchlauf mit einem Warmstart beginnen#

Bei den meisten Experimenten für den „nächsten Durchlauf“ handelt es sich nicht um Fortsetzungen, sondern um neue Trainingsläufe, die mit deinem letzten guten Modell starten – schlichtes Transferlernen innerhalb deines eigenen Projekts. Verwende eine niedrigere Lernrate, damit das Modell verfeinert wird, statt erneut zu lernen:

from ultralytics import YOLO

model = YOLO("runs/detect/pills_v1/weights/best.pt")  # # Warmstart mit Durchlauf 1
model.train(
    data="my_dataset/data.yaml",
    epochs=5,
    imgsz=320,
    optimizer="AdamW",  # # Explizit festlegen: optimizer="auto" ignoriert lr0
    lr0=0.0005,  # # Zurückhaltender als der in Durchlauf 1 automatisch gewählte Wert 0.002
    name="pills_v2_warm",
)

Das Protokoll bestätigt, dass die Einstellung wirksam war: optimizer: AdamW(lr=0.0005, momentum=0.937). Der Leitfaden zur Feinabstimmung behandelt das Einfrieren von Schichten und das zweistufige Training; der Leitfaden zur Hyperparameteroptimierung behandelt Suchläufe.

Praxisbeispiel: Trainingsläufe vergleichen#

Benenne jeden Trainingslauf nach der jeweiligen Änderung – pills_v2_warm, pills_v3_imgsz640, pills_v4_edge_frames –, niemals train2 oder final. Jeder Trainingslauf schreibt eine results.csv; ein Vergleich ist daher mit wenigen Zeilen erledigt:

from pathlib import Path

import pandas as pd

for csv in sorted(Path("runs/detect").glob("*/results.csv")):
    df = pd.read_csv(csv)
    best = df["metrics/mAP50-95(B)"].max()
    print(f"{csv.parent.name:<14} epochs={len(df):<3} best mAP50-95={best:.3f}")

pills_resume   epochs=5   best mAP50-95=0.579
pills_v1       epochs=10  best mAP50-95=0.659
pills_v2_warm  epochs=5   best mAP50-95=0.694

Fünf Epochen mit Warmstart steigerten mAP50-95 von 0.659 auf 0.694, während fünf Epochen mit COCO-Gewichten (pills_resume) nur 0.579 erreichten. Ein Warmstart bringt Fortschritte mit weniger Aufwand – sofern sich Klassen und Labels nicht geändert haben. Ab einer Handvoll Trainingsläufe lohnt sich ein Tracking-Werkzeug: Die Ultralytics Platform (siehe Trainingsläufe vergleichen und den besten auswählen) oder die Integrationen von Comet und Weights & Biases protokollieren jeden Trainingslauf automatisch.

Jeden Durchlauf mit geringem Aufwand halten#

Die meisten Durchläufe beantworten eine Frage, etwa: „Haben die neuen Bilder geholfen?“. Mit diesen Argumenten erhältst du beim Erkunden schneller Antworten:

Ändere pro Durchlauf nur eine Sache und bestätige das beste Ergebnis mit einem vollständigen Trainingslauf bei voller Bildgröße, bevor du es einsetzt. Wenn du tatsächlich neu starten musst, verwendest du denselben Aufruf mit den vortrainierten Gewichten:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # zurück zu den mit COCO vortrainierten Gewichten
model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v3_relabeled")

Diese Fehler vermeiden#