Первое дообучение и цикл итераций

Начни с предобученных весов#

Дообучение начинается с весов, которые уже распознают границы, текстуры и формы, поэтому модель сходится быстрее и требует гораздо меньше данных, чем при обучении со случайными весами. Выбери чекпойнт YOLO26, подходящий для твоей задачи:

Backbone и neck переносятся без изменений; голова задачи частично переинициализируется в соответствии с количеством классов. Обучение с нуля имеет смысл только для очень больших датасетов из необычных предметных областей. Начни с модели nano (n), чтобы быстро получить базовый результат, и переходи к более крупным моделям, только если цикл работы с данными перестанет приносить улучшения. В руководстве по дообучению описано, что происходит внутри модели.

Запусти базовое обучение#

Используй настройки по умолчанию: цель первого запуска — получить базовый результат, а не рекорд. Модель обучается на разбиении учебного набора из раздела Как правильно разделить датасет; сначала создай YAML-файл с данными:

from ultralytics import YOLO
from ultralytics.data.utils import check_det_dataset
from ultralytics.utils import YAML

names = check_det_dataset("coco128.yaml")["names"]  # в учебном наборе сохранены названия классов COCO
YAML.save("practice.yaml", {"path": "datasets/practice", "train": "train.txt", "val": "val.txt", "test": "test.txt", "names": names})

model = YOLO("yolo26n.pt")  # предобучена на COCO; используй чекпойнт для своей задачи
model.train(data="practice.yaml", epochs=3, imgsz=320)  # реальный запуск: epochs=100, imgsz=640

                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)
                   all         20        143      0.614        0.6      0.664      0.486

В папке запуска (runs/detect/train/) теперь находится weights/best.pt. Для первого запуска стоит рассмотреть только три аргумента:

В разделе Обучи свою первую модель подробно описаны вызов обучения и его текущий лог.

Ранжируй классы и анализируй пропуски#

Общее значение mAP скрывает источник проблемы. Ранжируй классы по AP50-95 и используй матрицу ошибок, чтобы разделить ошибки для каждого класса на объекты, которые модель вообще не заметила, и объекты, которым она присвоила другой класс:

from ultralytics import YOLO

model = YOLO("runs/detect/train/weights/best.pt")  # your fine-tuned checkpoint
metrics = model.val(data="practice.yaml", imgsz=320, verbose=False)  # same data YAML and imgsz as training

matrix = metrics.confusion_matrix.matrix  # rows: predicted class, columns: true class; last row = background
for ap, cls in sorted(zip(metrics.box.ap, metrics.box.ap_class_index))[:5]:  # weakest five classes first
    total, missed, correct = matrix[:, cls].sum(), matrix[-1, cls], matrix[cls, cls]
    print(f"{model.names[cls]:>8}  AP50-95={ap:.3f}  {total:2.0f} labeled: {correct:2.0f} found, "
          f"{missed:2.0f} missed, {total - correct - missed:2.0f} called another class")

     car  AP50-95=0.000   4 labeled:  0 found,  4 missed,  0 called another class
    fork  AP50-95=0.000   1 labeled:  0 found,  0 missed,  1 called another class
 handbag  AP50-95=0.025   1 labeled:  1 found,  0 missed,  0 called another class
     cup  AP50-95=0.039  14 labeled:  0 found, 10 missed,  4 called another class
    sink  AP50-95=0.075   1 labeled:  1 found,  0 missed,  0 called another class

Каждый тип ошибки указывает на своё исправление датасета:

• Слишком мало экземпляров в val (fork, handbag, sink — по 1 экземпляру): AP — это шум. Не принимай решений по классу, пока в val не будет хотя бы нескольких десятков его экземпляров; сначала собери больше групп для val.
• Пропуски (car: 4 из 4, cup: 10 из 14): модель вообще не видит объект. Проверь, представлен ли этот сценарий в train, и найди отсутствующие метки с помощью suspect_labels.py.
• Отнесены к другому классу (cup: 4 из 14): определения классов пересекаются. Открой эти изображения, уточни определения и укажи в руководстве похожий класс.

Здесь важен вывод по cup: 14 размеченных экземпляров, ни один не найден.

Используй папку запуска для анализа данных#

Каждый запуск обучения сохраняет эти файлы, а на платформе Ultralytics во время облачного обучения в реальном времени отображаются те же графики:

В разделе Валидация и диагностика разобраны все графики; здесь всегда нужно выяснить, каких данных не хватает.

Цикл с приоритетом данных#

Типичная итерация: выбери самый слабый класс с достаточным количеством экземпляров в val, проверь около 50 изображений с этим классом, исправь данные, переобучи модель с теми же настройками и разбиением, а затем сравни AP по классам. После этого переходи к следующему по слабости классу.

Когда переходить к настройке гиперпараметров#

После двух или трёх итераций по данным, когда оставшиеся слабые классы уже не связаны с охватом данных, разметкой или определениями, настройка может дать последние несколько пунктов прироста. В руководстве по дообучению описаны заморозка слоёв, темпы обучения и выбор оптимизатора. Но если настраивать модель до исправления данных, ты потратишь недели на оптимизацию модели для неправильного датасета.

Когда модель проходит acceptance_test.py на закрытом тестовом наборе, в Ultralytics YOLO в продакшене рассматриваются экспорт и развёртывание, а в разделах Мониторинг состояния и точности и Автоматизация цикла переобучения из Создание решений на платформе Ultralytics — цикл переобучения.