最初のモデルを学習する

実践例：錠剤検出器を学習する#

Ultralytics Platformの「新しいモデルを学習」ダイアログでは、以下のコードと同じ項目（ベースモデル、データセット、エポック数、画像サイズ）を指定します。設定をクラウドGPUで実行するか、対応するローカルコマンドを生成できます。これらの設定ならノートPCのCPUでも約1分で完了します。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # COCOで事前学習済み
results = model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v1")
print(results.save_dir)

CLIとPythonは同等です。epochs=10 と imgsz=320 はCPUでの実行時間を短くする設定です。GPUでは両方を省略してデフォルト（epochs=100、imgsz=640）を使用します。エポック数とピクセル数を増やすと、ほとんどの場合に精度が向上するためです。Trainモードでは、このループが自動で実行されます。

ログを1行ずつ読む#

実際の出力を、最初と最後の2エポックに絞って示します。

optimizer: AdamW(lr=0.002, momentum=0.9) with parameter groups ...
Using 92 train, 23 val images for fraction=1.0 at imgsz=320
      Epoch    GPU_mem   box_loss   cls_loss    l1_loss  Instances       Size
       1/10         0G      1.818      3.899   0.008805        206        320: 100% 6/6 3.3s
                   all         23        399      0.957      0.805      0.927      0.548
       2/10         0G      1.434      3.291   0.006285        208        320: 100% 6/6 4.4s
                   all         23        399      0.953      0.911      0.964      0.592
       ...
       9/10         0G      1.121      1.103   0.005143        194        320: 100% 6/6 5.0s
                   all         23        399      0.949      0.957      0.975      0.656
      10/10         0G      1.174      1.125   0.005068        212        320: 100% 6/6 5.1s
                   all         23        399       0.97      0.957      0.977      0.659
10 epochs completed in 0.015 hours.

• optimizer: AdamW(lr=0.002 ...)：デフォルトの optimizer=auto が、オプティマイザーと学習率を自動で選択しました。
• Using 92 train, 23 val images：これらがデータセットと一致していることを確認します。数が少ない場合は、画像がスキップされています。
• GPU_mem 0G：CPUで学習しています。GPUの場合はここに使用中のメモリが表示されます。GPU搭載マシンで 0G と表示される場合、GPUは使用されていません。
• 各エポックの最初の行：学習用データ分割の3つの損失と、最後のバッチに含まれるラベル付き物体の数（Instances）、画像サイズが表示されます。
• 各エポックの all 行：検証用データ分割の適合率、再現率、mAP50、mAP50-95が表示されます。注目すべきなのはこの行です。

ここでは、mAP50-95はベースラインの0.0002から1エポック後に0.548、10エポック後に0.659になりました。適合率はエポック4で0.80まで下がった後、回復しました。検証画像は23枚なので、エポックごとの数値にはばらつきがあります。単独の行ではなく、推移を見て判断してください。実行中の判断基準は次のとおりです。

• 損失が低下し、mAPが上昇している場合： 続行します。
• 1エポック目から損失が横ばいの場合： Ctrl+Cで停止し、ラベルとYAMLを確認します。
• 適合率が再現率を大きく上回る場合： モデルが慎重になり、物体を見逃しています。再現率が適合率を大きく上回る場合： 実際には存在しない物体にも反応しています。
• mAPが多くのエポックで横ばいの場合： エポック数を増やしても改善しません。データまたは imgsz を変更します。

3つの損失はYOLO26の損失関数を構成する要素です。性能指標ガイドでは、各指標を詳しく解説しています。

実行結果を確認する#

すべて runs/detect/pills_v1/ に保存されます。

まず train_batch0.jpg を開いてください。ボックスが物体に重なっていない場合、ラベルが間違っています。エポック数を増やしても解決しません。

まず変更する引数#

model.train(data="my_dataset/data.yaml", epochs=200, imgsz=1024, batch=-1, patience=20, name="pills_v1_1024")

patience のデフォルト値100では、100エポックの実行が早期停止しません。より小さい値にすると、上の曲線が示す停滞した実行を終了できます。どちらの場合も best.pt は保持されます。

複数のGPUを使う場合は、device=[0, 1, 2, 3] のようなリストを渡します。Ultralyticsが分散データ並列（DDP）学習を自動で開始します。batch はGPU全体での合計値であり、学習ではデフォルトで混合精度（amp=True）が使用されます。ノートPCでは対応できない規模の実行になった場合も、同じデータセットと引数をUltralytics Platform上のクラウドGPUで実行できます。詳しくは学習、実行の確認、ファインチューニングをご覧ください。

次の間違いに注意する#

残りの引数についてはモデル学習のヒントガイド、学習率の探索と遺伝的チューナーについてはハイパーパラメータチューニングガイドで説明しています。ファインチューニングガイドではレイヤーの凍結を解説しています。