Reprendre et itérer

Choisir le bon type d’exécution#

Exemple pratique : reprendre une exécution interrompue#

resume=True restaure le modèle, l’état de l’optimiseur, le calendrier du taux d’apprentissage et le compteur d’époques à partir de last.pt, puis poursuit le plan initial :

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

Sortie réelle d’une exécution de 5 époques arrêtée après l’époque 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 : l’exécution a repris exactement après la dernière époque enregistrée, avec l’objectif initial.
• Tu n’as pas transmis data ni epochs : tous les arguments proviennent du point de contrôle. Quelques paramètres d’exécution, comme batch, device et workers, peuvent être remplacés lors de la reprise ; tout le reste est ignoré avec un avertissement Resume ignores ....

Exemple pratique : commencer à chaud la deuxième itération#

La plupart des expériences de « prochaine itération » ne sont pas des reprises ; ce sont de nouvelles exécutions qui partent de ton dernier bon modèle — un simple apprentissage par transfert au sein de ton propre projet. Utilise un taux d’apprentissage plus faible pour affiner le modèle plutôt que de le réentraîner :

from ultralytics import YOLO

model = YOLO("runs/detect/pills_v1/weights/best.pt")  # # démarrer à chaud à partir de l’itération 1
model.train(
    data="my_dataset/data.yaml",
    epochs=5,
    imgsz=320,
    optimizer="AdamW",  # # définir explicitement : optimizer="auto" ignore lr0
    lr0=0.0005,  # # plus doux que le 0.002 sélectionné automatiquement pour l’itération 1
    name="pills_v2_warm",
)

Le journal confirme que le paramètre a bien été appliqué : optimizer: AdamW(lr=0.0005, momentum=0.937). Le guide d’ajustement fin aborde le gel des couches et l’entraînement en deux étapes ; le guide de réglage des hyperparamètres présente les balayages.

Exemple pratique : comparer les exécutions#

Nomme chaque exécution selon la modification — pills_v2_warm, pills_v3_imgsz640, pills_v4_edge_frames — jamais train2 ni final. Chaque exécution écrit un results.csv, donc la comparaison ne demande que quelques lignes :

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

Cinq époques avec démarrage à chaud ont fait passer mAP50-95 de 0.659 à 0.694, tandis que cinq époques à partir des poids COCO (pills_resume) n’ont atteint que 0.579. Le démarrage à chaud permet de progresser à moindre coût — tant que les classes et les annotations n’ont pas changé entre-temps. Après quelques exécutions, un outil de suivi devient vite rentable : Ultralytics Platform (voir Comparer les exécutions et choisir la meilleure), ou les intégrations Comet et Weights & Biases, qui enregistrent automatiquement chaque exécution.

Limiter le coût de chaque itération#

La plupart des itérations répondent à une question, par exemple « les nouvelles images ont-elles aidé ? ». Ces arguments permettent d’obtenir des réponses plus rapidement pendant l’exploration :

Ne change qu’un élément par itération, et confirme le meilleur résultat avec une exécution à taille réelle avant de le déployer. Quand tu dois repartir de zéro, utilise le même appel avec les poids préentraînés :

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # retour aux poids préentraînés sur COCO
model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v3_relabeled")

Éviter ces erreurs#