İlk Modelini Eğit

Uygulamalı Örnek: Hap Algılayıcıyı Eğit#

Ultralytics Platform'un Yeni Model Eğit iletişim kutusu, aşağıdaki kodla aynı seçenekleri sorar — temel model, veri kümesi, epoch sayısı, görüntü boyutu — ve bunları ya bulut GPU'larında çalıştırır ya da eşleşen yerel komutu oluşturur. Bu ayarlarla dizüstü bilgisayar CPU'sunda eğitim yaklaşık bir dakikada tamamlanır:

from ultralytics import YOLO

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

CLI ve Python eşdeğerdir. epochs=10 ve imgsz=320 CPU çalıştırmalarını kısa tutar; GPU'da ikisini de kaldırıp varsayılanları (epochs=100, imgsz=640) kullan, çünkü daha fazla epoch ve piksel neredeyse her zaman işe yarar. Eğit modu bu döngüyü senin için çalıştırır:

Günlüğü Satır Satır Oku#

İlk ve son iki epoch'a kısaltılmış gerçek çıktı:

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 ...): varsayılan optimizer=auto senin için eniyileyiciyi ve öğrenme oranını seçti.
• Using 92 train, 23 val images: bunların veri kümenle eşleştiğini doğrula. Daha düşük sayı, atlanan görüntüler olduğu anlamına gelir.
• GPU_mem 0G: CPU'da eğitim yapılıyor. GPU'da burada bellek kullanımını görürdün; GPU'lu bir makinede 0G görünüyorsa GPU kullanılmıyor demektir.
• Her epoch'un ilk satırı: eğitim bölümü için üç kayıp, son gruptaki etiketli nesne sayısı (Instances) ve görüntü boyutu.
• Her epoch'un all satırı: doğrulama bölümündeki kesinlik, duyarlılık, mAP50 ve mAP50-95. İzlemen gereken satır budur.

Burada mAP50-95, 0.0002 başlangıç değerinden bir epoch sonra 0.548'e, on epoch sonra 0.659'a yükseldi. Kesinlik 4. epoch'ta 0.80'e düştü ve toparlandı: 23 doğrulama görüntüsünde tekil epoch'lar gürültülüdür, bu yüzden tek bir satırı değil eğilimi değerlendir. Çalıştırma devam ederken kullanabileceğin karar kuralları:

• Kayıplar düşüyor ve mAP yükseliyorsa: çalıştırmayı sürdür.
• Kayıplar 1. epoch'tan beri sabitse: Ctrl+C ile durdur ve etiketleri ve YAML dosyasını kontrol et.
• Kesinlik duyarlılıktan çok yüksekse: model temkinlidir ve nesneleri kaçırır. Duyarlılık kesinlikten çok yüksekse: gerçekte olmayan şeyleri algılar.
• mAP birçok epoch boyunca sabitse: daha fazla epoch işe yaramaz; verileri veya imgsz değerini değiştir.

Üç kayıp, YOLO26'nın kayıp fonksiyonunun bileşenleridir; performans metrikleri kılavuzu her metriği ayrıntılı biçimde açıklar.

Çalıştırmanın Oluşturduğu Dosyaları Bul#

Her şey runs/detect/pills_v1/ konumuna kaydedilir:

Başka bir şey yapmadan önce train_batch0.jpg dosyasını aç. Kutular nesnelerin üzerine oturmuyorsa etiketler yanlıştır ve hiçbir epoch sayısı bunu düzeltemez.

Önce Bu Argümanları Değiştir#

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

patience için varsayılan 100 değeri, 100 epoch'luk bir çalıştırmanın erken durmayacağı anlamına gelir. Daha düşük bir değer, yukarıdaki eğrilerin durması gerektiğini gösterdiği yerde takılan çalıştırmayı bitirir; her iki durumda da best.pt korunur.

Birden fazla GPU varsa device=[0, 1, 2, 3] gibi bir liste geçir: Ultralytics senin için dağıtık veri paralel (DDP) eğitimi başlatır, batch GPU'lar genelindeki toplamı belirtir ve eğitim varsayılan olarak karma duyarlılık kullanır (amp=True). Çalıştırma dizüstü bilgisayarının kapasitesini aştığında aynı veri kümesi ve argümanlar Ultralytics Platform'da bulut GPU'larında çalışır; bu konu Çalıştırmaları Eğit, Oku ve İnce Ayar Yap bölümünde ele alınır.

Bu Hatalardan Kaçın#

Model eğitimi ipuçları kılavuzu kalan argümanları, hiperparametre ayarlama kılavuzu ise öğrenme oranı taramalarını ve genetik eniyileyiciyi ele alır. İnce ayar kılavuzu katmanları dondurmayı açıklar.