Riprendi e itera

Scegli il tipo di esecuzione giusto#

Esempio pratico: riprendere un'esecuzione interrotta#

resume=True ripristina il modello, lo stato dell'ottimizzatore, la pianificazione del tasso di apprendimento e il contatore delle epoche da last.pt, poi prosegue seguendo il piano originale:

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

Output reale di un'esecuzione di 5 epoche interrotta dopo l'epoca 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: è ripartita esattamente dall'ultima epoca salvata, mantenendo il numero di epoche previsto in origine.
• Non hai passato data né epochs: tutti gli argomenti provenivano dal checkpoint. Alcune impostazioni di esecuzione, come batch, device e workers, possono essere sovrascritte quando riprendi; tutte le altre vengono ignorate con un avviso Resume ignores ....

Esempio pratico: avvio iniziale della seconda iterazione#

La maggior parte degli esperimenti della «iterazione successiva» non consiste nel riprendere un'esecuzione: si tratta di nuove esecuzioni che partono dall'ultimo modello valido — semplice apprendimento per trasferimento all'interno del tuo progetto. Usa un tasso di apprendimento più basso, così il modello affina le proprie prestazioni invece di reimparare da zero:

from ultralytics import YOLO

model = YOLO("runs/detect/pills_v1/weights/best.pt")  # avvio iniziale dalla prima iterazione
model.train(
    data="my_dataset/data.yaml",
    epochs=5,
    imgsz=320,
    optimizer="AdamW",  # impostalo esplicitamente: optimizer="auto" ignora lr0
    lr0=0.0005,  # più moderato dello 0.002 selezionato automaticamente per la prima iterazione
    name="pills_v2_warm",
)

Il log conferma che l'impostazione è stata applicata: optimizer: AdamW(lr=0.0005, momentum=0.937). La guida al fine-tuning tratta il congelamento dei layer e il training in due fasi; la guida all'ottimizzazione degli iperparametri tratta le ricerche sistematiche.

Esempio pratico: confrontare le esecuzioni#

Assegna a ogni esecuzione un nome che descriva la modifica — pills_v2_warm, pills_v3_imgsz640, pills_v4_edge_frames — e non usare mai train2 o final. Ogni esecuzione genera un results.csv, quindi bastano poche righe per confrontarle:

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

Cinque epoche con avvio iniziale hanno aumentato mAP50-95 da 0.659 a 0.694, mentre cinque epoche con i pesi COCO (pills_resume) hanno raggiunto solo 0.579. L'avvio iniziale permette di migliorare spendendo meno, purché classi e annotazioni non siano cambiate nel frattempo. Dopo alcune esecuzioni, uno strumento di monitoraggio si ripaga da sé: la Ultralytics Platform (consulta Confrontare le esecuzioni e scegliere la migliore) oppure le integrazioni Comet e Weights & Biases, che registrano automaticamente ogni esecuzione.

Riduci i costi di ogni iterazione#

La maggior parte delle iterazioni serve a rispondere a una domanda, ad esempio «i nuovi fotogrammi sono stati utili?». Mentre esplori, questi argomenti ti aiutano a ottenere risposte più rapidamente:

Modifica una sola cosa per iterazione e conferma il risultato migliore con un'esecuzione alla dimensione completa prima di distribuirlo. Quando hai bisogno di ripartire da zero, usa lo stesso comando con i pesi preaddestrati:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # torna ai pesi preaddestrati su COCO
model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v3_relabeled")

Evita questi errori#