Reanudar e iterar

Elige el tipo de ejecución adecuado#

Ejemplo práctico: reanudar una ejecución interrumpida#

resume=True restaura el modelo, el estado del optimizador, el plan de tasa de aprendizaje y el contador de épocas desde last.pt; después, continúa con el plan original:

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

Salida real de una ejecución de 5 épocas interrumpida después de la época 2:

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: reanudó la ejecución justo después de la última época guardada y mantuvo el objetivo original.
• No has pasado data ni epochs: todos los argumentos procedían del punto de control. Algunos ajustes de ejecución, como batch, device y workers, se pueden sobrescribir al reanudar; cualquier otro ajuste se ignora y genera una advertencia Resume ignores ....

Ejemplo práctico: iniciar la segunda ronda desde pesos preentrenados#

La mayoría de los experimentos de la «siguiente ronda» no reanudan una ejecución; son ejecuciones nuevas que parten de tu último buen modelo: es aprendizaje por transferencia dentro de tu propio proyecto. Usa una tasa de aprendizaje más baja para que el modelo se refine en lugar de volver a aprender:

from ultralytics import YOLO

model = YOLO("runs/detect/pills_v1/weights/best.pt")  # iniciar desde los pesos de la ronda 1
model.train(
    data="my_dataset/data.yaml",
    epochs=5,
    imgsz=320,
    optimizer="AdamW",  # establecer explícitamente: optimizer="auto" ignora lr0
    lr0=0.0005,  # más suave que el 0.002 seleccionado automáticamente en la ronda 1
    name="pills_v2_warm",
)

El registro confirma que el ajuste se ha aplicado: optimizer: AdamW(lr=0.0005, momentum=0.937). La guía de ajuste fino explica cómo congelar capas y entrenar en dos fases; la guía de ajuste de hiperparámetros explica los barridos.

Ejemplo práctico: comparar ejecuciones#

Pon a cada ejecución un nombre que indique qué ha cambiado —pills_v2_warm, pills_v3_imgsz640, pills_v4_edge_frames—; nunca uses train2 ni final. Cada ejecución genera un results.csv, así que comparar resultados solo requiere unas pocas líneas:

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

Cinco épocas iniciadas desde pesos preentrenados elevaron mAP50-95 de 0.659 a 0.694, mientras que cinco épocas con los pesos de COCO (pills_resume) solo alcanzaron 0.579. Iniciar desde pesos preentrenados permite avanzar con menos coste, siempre que las clases y las etiquetas no hayan cambiado. Cuando acumules varias ejecuciones, un sistema de seguimiento compensa: Ultralytics Platform (consulta Comparar ejecuciones y elegir la mejor) o las integraciones con Comet y Weights & Biases, que registran automáticamente todas las ejecuciones.

Reduce el coste de cada ronda#

La mayoría de las rondas responden a una pregunta, como «¿han servido de algo los fotogramas nuevos?». Estos argumentos te permiten obtener respuestas más rápido mientras exploras:

Cambia una sola cosa por ronda y confirma que es la mejor opción con una ejecución a tamaño completo antes de ponerla en producción. Si necesitas empezar de cero, usa la misma llamada con los pesos preentrenados:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # volver a los pesos preentrenados con COCO
model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v3_relabeled")

Evita estos errores#