Retomar e iterar

Escolhe o tipo de execução certo#

Exemplo prático: retomar uma execução interrompida#

resume=True restaura o modelo, o estado do otimizador, o plano da taxa de aprendizagem e o contador de épocas a partir de last.pt e, depois, continua o plano original:

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

Saída real de uma execução de 5 épocas interrompida após a 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: retomou exatamente após a última época guardada, com o objetivo original.
• Não especificaste data nem epochs: todos os argumentos vieram do ponto de controlo. Algumas definições de execução, como batch, device e workers, podem ser substituídas ao retomar; todas as outras são ignoradas, com um aviso Resume ignores ....

Exemplo prático: iniciar o segundo ciclo a partir de pesos existentes#

A maioria das experiências do tipo "ciclo seguinte" não consiste em retomar uma execução; são novas execuções que partem do teu último modelo válido — aprendizagem por transferência simples dentro do teu próprio projeto. Usa uma taxa de aprendizagem mais baixa para refinar o modelo em vez de o treinar novamente:

from ultralytics import YOLO

model = YOLO("runs/detect/pills_v1/weights/best.pt")  # # iniciar a partir dos pesos do ciclo 1
model.train(
    data="my_dataset/data.yaml",
    epochs=5,
    imgsz=320,
    optimizer="AdamW",  # # definir explicitamente: optimizer="auto" ignora lr0
    lr0=0.0005,  # # mais suave do que os 0.002 selecionados automaticamente no ciclo 1
    name="pills_v2_warm",
)

O registo confirma que a definição foi aplicada: optimizer: AdamW(lr=0.0005, momentum=0.937). O guia de ajuste fino aborda o congelamento de camadas e o treino em duas etapas; o guia de ajuste de hiperparâmetros aborda as pesquisas.

Exemplo prático: comparar execuções#

Dá a cada execução um nome que indique o que foi alterado — pills_v2_warm, pills_v3_imgsz640, pills_v4_edge_frames — nunca train2 nem final. Cada execução cria um results.csv, por isso a comparação requer apenas algumas linhas:

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 a partir de pesos existentes elevaram o mAP50-95 de 0.659 para 0.694, enquanto cinco épocas com pesos de COCO (pills_resume) chegaram apenas a 0.579. Iniciar a partir de pesos existentes permite progredir com menos esforço — desde que as classes e as anotações não tenham sido alteradas entretanto. Após algumas execuções, uma ferramenta de acompanhamento compensa: Ultralytics Platform (consulta Comparar execuções e escolher a melhor) ou as integrações Comet e Weights & Biases, que registam automaticamente todas as execuções.

Mantém cada ciclo económico#

A maioria dos ciclos responde a uma pergunta, como "os novos fotogramas ajudaram?". Estes argumentos permitem obter respostas mais rapidamente enquanto exploras:

Altera uma coisa por ciclo e confirma o melhor resultado com uma execução em tamanho completo antes de o lançar. Quando precisares de começar do zero, usa a mesma chamada com os pesos pré-treinados:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # voltar aos pesos pré-treinados no COCO
model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v3_relabeled")

Evita estes erros#