Возобновление и итерации

Выбери подходящий тип запуска#

Пример: возобновление прерванного запуска#

resume=True восстанавливает модель, состояние оптимизатора, расписание скорости обучения и счётчик эпох из last.pt, а затем продолжает выполнение исходного плана:

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

Реальный вывод запуска на 5 эпох, остановленного после второй эпохи:

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: запуск продолжился точно с момента последней сохранённой эпохи, с первоначальным целевым числом эпох.
• Ты не передавал data или epochs: все аргументы были взяты из контрольной точки. Некоторые параметры среды выполнения, например batch, device и workers, можно переопределить при возобновлении; остальные игнорируются с предупреждением Resume ignores ....

Пример: дообучение во втором раунде#

Большинство экспериментов в духе «следующего раунда» — это не возобновление, а новые запуски с последней удачной моделью: обычное переносное обучение в рамках собственного проекта. Задай более низкую скорость обучения, чтобы модель уточняла знания, а не училась заново:

from ultralytics import YOLO

model = YOLO("runs/detect/pills_v1/weights/best.pt")  # начать с весов первого раунда
model.train(
    data="my_dataset/data.yaml",
    epochs=5,
    imgsz=320,
    optimizer="AdamW",  # задать явно: optimizer="auto" игнорирует lr0
    lr0=0.0005,  # ниже, чем автоматически выбранное значение 0.002 в первом раунде
    name="pills_v2_warm",
)

В журнале подтверждается, что настройка применена: optimizer: AdamW(lr=0.0005, momentum=0.937). В руководстве по тонкой настройке описаны заморозка слоёв и двухэтапное обучение; в руководстве по настройке гиперпараметров — поиск по сетке.

Пример: сравнение запусков#

Называй каждый запуск по внесённому изменению — pills_v2_warm, pills_v3_imgsz640, pills_v4_edge_frames, — а не train2 или final. Каждый запуск сохраняет results.csv, поэтому для сравнения хватит нескольких строк:

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

Пять эпох дообучения с хороших весов повысили mAP50-95 с 0.659 до 0.694, тогда как пять эпох с весами COCO (pills_resume) дали лишь 0.579. Дообучение с хороших весов — более быстрый путь к улучшению, если классы и разметка не изменились. После нескольких запусков начинает окупаться система отслеживания экспериментов: Ultralytics Platform (см. Сравнение запусков и выбор лучшего) или интеграции с Comet и Weights & Biases автоматически регистрируют каждый запуск.

Сократи затраты на каждый раунд#

Большинство раундов отвечают на один вопрос, например: «помогли ли новые кадры?». Эти аргументы ускорят получение ответов на этапе экспериментов:

Меняй по одному параметру за раунд и проверь лучший вариант на полном размере перед выпуском. Если понадобится начать с нуля, используй тот же вызов, указав предобученные веса:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # вернуться к весам, предобученным на COCO
model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v3_relabeled")

Избегай этих ошибок#