Обучи свою первую модель

Пример: обучение детектора таблеток#

В диалоге Train New Model на Ultralytics Platform нужно выбрать те же параметры, что и в коде ниже: базовую модель, датасет, количество эпох и размер изображения. Обучение можно запустить на облачных GPU или получить соответствующую команду для локального запуска. С этими параметрами обучение на CPU ноутбука займёт около минуты:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # предобучена на COCO
results = model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v1")
print(results.save_dir)

CLI и Python дают одинаковый результат. epochs=10 и imgsz=320 сокращают время запуска на CPU; при наличии GPU убери оба параметра и используй значения по умолчанию (epochs=100, imgsz=640), поскольку большее число эпох и пикселей почти всегда помогает. Режим Train выполняет за тебя следующий цикл:

Разбери журнал построчно#

Реальный вывод, сокращённый до первых и последних двух эпох:

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 ...): оптимизатор и скорость обучения за тебя выбрал параметр optimizer=auto, установленный по умолчанию.
• Using 92 train, 23 val images: проверь, что эти значения соответствуют твоему датасету. Меньшее число означает, что часть изображений пропущена.
• GPU_mem 0G: обучение идёт на CPU. На GPU здесь отображалась бы используемая память; 0G на компьютере с GPU означает, что GPU не используется.
• Первая строка каждой эпохи: три значения потерь на обучающей выборке, количество размеченных объектов в последнем батче (Instances) и размер изображения.
• Строка all каждой эпохи: точность, полнота, mAP50 и mAP50-95 на валидационной выборке. Именно на неё нужно смотреть.

Здесь mAP50-95 вырос с базового значения 0.0002 до 0.548 после одной эпохи и 0.659 после десяти. На четвёртой эпохе точность снизилась до 0.80, а затем восстановилась: результаты отдельных эпох на 23 валидационных изображениях нестабильны, поэтому оценивай общую динамику, а не одну строку. Как принимать решения во время обучения:

• Потери снижаются, mAP растёт: дай обучению продолжиться.
• Потери не меняются с первой эпохи: останови обучение сочетанием Ctrl+C и проверь разметку и YAML.
• Точность намного выше полноты: модель слишком осторожна и пропускает объекты. Полнота намного выше точности: модель обнаруживает объекты там, где их нет.
• mAP долго не меняется: дополнительные эпохи не помогут; измени данные или imgsz.

Три значения потерь — компоненты функции потерь YOLO26; в руководстве по метрикам производительности подробно объясняется каждая метрика.

Посмотри, что сохранил запуск#

Все файлы сохраняются в runs/detect/pills_v1/:

Прежде всего открой train_batch0.jpg. Если рамки не совпадают с объектами, значит, разметка неверна, и никакое количество эпох это не исправит.

Сначала измени эти аргументы#

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

Значение patience по умолчанию — 100, поэтому запуск на 100 эпох никогда не остановится досрочно. Меньшее значение остановит застопорившийся запуск в момент, указанный кривыми выше; в любом случае сохраняется best.pt.

При использовании нескольких GPU передай список, например device=[0, 1, 2, 3]: Ultralytics сама запускает распределённое обучение с параллельной обработкой данных (DDP), batch задаёт общее число эпох для всех GPU, а при обучении по умолчанию используется смешанная точность (amp=True). Когда возможностей ноутбука станет недостаточно, тот же датасет и те же аргументы можно использовать для обучения на облачных GPU через Ultralytics Platform; подробнее об этом рассказывается в разделе «Обучение, просмотр и дообучение запусков».

Избегай этих ошибок#

В руководстве по советам для обучения модели описаны остальные аргументы, а в руководстве по настройке гиперпараметров — подбор скорости обучения и генетический оптимизатор. В руководстве по дообучению описана заморозка слоёв.