Tiếp tục và lặp lại

Chọn đúng loại lần chạy#

Ví dụ thực hành: Tiếp tục lần chạy bị gián đoạn#

resume=True khôi phục model, trạng thái optimizer, lịch trình learning rate và bộ đếm epoch từ last.pt, rồi tiếp tục kế hoạch ban đầu:

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

Đầu ra thực tế từ lần chạy 5 epoch bị dừng sau epoch thứ 2:

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: quá trình chạy tiếp tục chính xác sau epoch được lưu gần nhất, với số epoch mục tiêu ban đầu.
• Bạn không truyền data hoặc epochs: mọi đối số đều được lấy từ checkpoint. Có thể ghi đè một số thiết lập runtime như batch, device và workers khi tiếp tục; mọi thiết lập khác sẽ bị bỏ qua kèm cảnh báo Resume ignores ....

Ví dụ thực hành: Khởi tạo vòng hai từ weights hiện có#

Hầu hết thử nghiệm ở “vòng tiếp theo” không phải là tiếp tục lần chạy cũ; đó là những lần chạy mới bắt đầu từ model tốt gần nhất của bạn — hình thức transfer learning thông thường trong chính dự án của bạn. Hãy dùng learning rate thấp hơn để model được tinh chỉnh thay vì học lại:

from ultralytics import YOLO

model = YOLO("runs/detect/pills_v1/weights/best.pt")  # khởi tạo từ weights của vòng 1
model.train(
    data="my_dataset/data.yaml",
    epochs=5,
    imgsz=320,
    optimizer="AdamW",  # đặt rõ ràng: optimizer="auto" bỏ qua lr0
    lr0=0.0005,  # nhẹ hơn mức 0.002 được tự động chọn cho vòng 1
    name="pills_v2_warm",
)

Log xác nhận thiết lập đã có hiệu lực: optimizer: AdamW(lr=0.0005, momentum=0.937). Hướng dẫn fine-tuning trình bày cách đóng băng layer và training hai giai đoạn; hướng dẫn tinh chỉnh hyperparameter trình bày các lượt tìm kiếm.

Ví dụ thực hành: So sánh các lần chạy#

Đặt tên mỗi lần chạy theo thay đổi đã thực hiện — pills_v2_warm, pills_v3_imgsz640, pills_v4_edge_frames — không dùng train2 hoặc final. Mỗi lần chạy ghi một results.csv, vì vậy chỉ cần vài dòng để so sánh:

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

Năm epoch khởi tạo từ weights hiện có đã nâng mAP50-95 từ 0.659 lên 0.694, trong khi năm epoch bắt đầu từ weights COCO (pills_resume) chỉ đạt 0.579. Khởi tạo từ weights hiện có giúp tiến triển với chi phí thấp hơn — miễn là class và nhãn không bị thay đổi trong quá trình đó. Khi số lần chạy tăng lên, dùng một công cụ theo dõi sẽ rất hữu ích: Ultralytics Platform (xem So sánh các lần chạy và chọn kết quả tốt nhất), hoặc các tích hợp Comet và Weights & Biases, sẽ tự động ghi lại mọi lần chạy.

Giảm chi phí cho mỗi vòng#

Hầu hết các vòng giải đáp một câu hỏi, chẳng hạn “các khung hình mới có hữu ích không?”. Những đối số này giúp bạn nhận được câu trả lời nhanh hơn trong quá trình thử nghiệm:

Mỗi vòng chỉ thay đổi một yếu tố, rồi xác nhận kết quả tốt nhất bằng một lần chạy ở kích thước đầy đủ trước khi đưa vào sử dụng. Khi cần bắt đầu mới, chỉ cần dùng cùng lệnh với weights pretrained:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # quay lại trọng số được huấn luyện trước trên COCO
model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v3_relabeled")

Tránh những lỗi này#