Sürdür ve Yinele

Doğru Çalıştırma Türünü Seç#

Uygulamalı Örnek: Kesintiye Uğrayan Bir Çalıştırmayı Sürdür#

resume=True, model durumunu, optimizer durumunu, öğrenme oranı çizelgesini ve epoch sayacını last.pt dosyasından geri yükler, ardından özgün plana devam eder:

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

2. epoch'tan sonra durdurulan 5 epoch'luk bir çalıştırmanın gerçek çıktısı:

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: kaydedilen son epoch'un hemen ardından, belirlenen özgün hedefle devam etti.
• data veya epochs değerini belirtmedin: tüm argümanlar kontrol noktasından alındı. batch, device ve workers gibi bazı çalışma zamanı ayarları sürdürme sırasında geçersiz kılınabilir; diğer her şey yok sayılır ve Resume ignores ... uyarısı verilir.

Uygulamalı Örnek: İkinci Turu Önceki Ağırlıklardan Başlat#

"Sonraki tur" deneylerinin çoğu sürdürme değildir; son iyi modelinden başlayan yeni çalıştırmalardır — kendi projen içinde doğrudan transfer öğrenmesi. Modelin yeniden öğrenmek yerine ince ayar yapması için daha düşük bir öğrenme oranı kullan:

from ultralytics import YOLO

model = YOLO("runs/detect/pills_v1/weights/best.pt")  # 1. turdan ağırlıklarla başlat
model.train(
    data="my_dataset/data.yaml",
    epochs=5,
    imgsz=320,
    optimizer="AdamW",  # açıkça ayarla: optimizer="auto", lr0 değerini yok sayar
    lr0=0.0005,  # 1. turda otomatik seçilen 0.002 değerinden daha düşük
    name="pills_v2_warm",
)

Günlük, ayarın etkili olduğunu doğruluyor: optimizer: AdamW(lr=0.0005, momentum=0.937). İnce ayar kılavuzu, katmanları dondurmayı ve iki aşamalı eğitimi ele alır; hiperparametre ayarlama kılavuzu ise taramaları ele alır.

Uygulamalı Örnek: Çalıştırmaları Karşılaştır#

Her çalıştırmayı yapılan değişikliğe göre adlandır — pills_v2_warm, pills_v3_imgsz640, pills_v4_edge_frames — asla train2 veya final olarak adlandırma. Her çalıştırma bir results.csv dosyası yazar; bu nedenle karşılaştırma için birkaç satır yeterlidir:

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

Önceki ağırlıklardan başlatılan beş epoch, mAP50-95 değerini 0.659'dan 0.694'e yükseltirken COCO ağırlıklarıyla (pills_resume) yapılan beş epoch'luk eğitim yalnızca 0.579'a ulaştı. Sınıflar ve etiketler bu sırada değişmediği sürece, önceki ağırlıklardan başlatmak daha düşük maliyetle ilerleme sağlar. Birkaç çalıştırmadan sonra bir izleme aracı masrafını çıkarır: Ultralytics Platform (Çalıştırmaları Karşılaştır ve Kazananı Seç sayfasına bak) veya Comet ve Weights & Biases entegrasyonları her çalıştırmayı otomatik olarak kaydeder.

Her Turu Ucuza Getir#

Çoğu tur, "yeni kareler işe yaradı mı?" gibi tek bir soruyu yanıtlar. Keşif yaparken bu argümanlar yanıtları daha hızlı almanı sağlar:

Her turda tek bir şeyi değiştir ve dağıtıma almadan önce kazananı tam boyutlu bir çalıştırmayla doğrula. Sıfırdan başlaman gerektiğinde, önceden eğitilmiş ağırlıkları kullanan aynı komutu çalıştır:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # COCO üzerinde önceden eğitilmiş ağırlıklara geri dön
model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v3_relabeled")

Bu Hatalardan Kaçın#