libreyolo train

Sinopsis

libreyolo train data=<dataset.yaml> [model=<name|path>] [key=value ...]

Los argumentos son pares key=value, y la forma POSIX también funciona, de modo que epochs=50 y --epochs 50 son el mismo argumento. Los booleanos aceptan true y false: amp=false se convierte en --no-amp cuando el flag tiene forma negativa.

Argumentos

Modelo y datos

Bucle de entrenamiento

Destilación

Optimizador

Scheduler

Aumento de datos

EMA

Validación durante el entrenamiento

Salida

Flags de agente

Ejemplos

# coco8.yaml viene con el paquete y descarga sus 8 imágenes en el primer uso.libreyolo train model=LibreYOLO9s.pt data=coco8.yaml epochs=10 imgsz=640 batch=8

# Imprime lo que usaría la ejecución, incluidos los valores por defecto de# la familia, y sale sin entrenar ni cargar datos.libreyolo train model=LibreDFINEn.pt data=coco8.yaml epochs=10 dry_run=true

libreyolo train model=LibreYOLO9s.pt data=coco8.yaml \  epochs=50 batch=8 optimizer=adamw lr0=0.001 weight_decay=0.0001 \  patience=20 save_period=5 project=runs/train name=yolo9s-coco8 exist_ok=true

Notas

Los valores por defecto de arriba no siempre son los que se usan

Cada familia de modelos lleva su propia configuración de entrenamiento y, allí donde esa configuración difiere de la base, su valor sustituye al valor por defecto del comando para cualquier argumento que no hayas fijado explícitamente. Fijar tú mismo el argumento gana siempre. libreyolo cfg imprime los valores por defecto base y las sustituciones de cada familia, que es la forma de ver qué usará realmente una familia dada.

imgsz es el argumento donde más importa. El valor por defecto del comando es 640, que no es la entrada nativa de todos los checkpoints: los tamaños de detección publicados de RF-DETR son 384, 512, 576 y 704, y los checkpoints n y t de YOLOX son de 416. RF-DETR y DEIMv2 se tratan pasándoles imgsz solo cuando se ha fijado explícitamente, de modo que en los demás casos sigue vigente su propio tamaño. A las otras familias se les entrega el valor tal cual y entrenan con él. FOMO es la estricta: cada tamaño acepta únicamente su entrada nativa (96, 192 y 224), así que una ejecución de FOMO necesita imgsz fijado para que coincida o se detiene con un error. RF-DETR exige además que el valor sea divisible por su tamaño de patch multiplicado por su número de ventanas, e informa de los dos tamaños válidos más cercanos cuando no lo es.

Argumentos que una familia ignora

No todas las familias leen todos los argumentos, y donde más se nota es en los del aumento de datos. RF-DETR, D-FINE, DEIM, DEIMv2, RT-DETRv4 y DINOv2 entrenan con pipelines de paso directo, sin mosaic, sin mixup y sin deformación afín, así que ahí mosaic, mixup, hsv_prob, degrees, translate, shear, mosaic_scale y mixup_scale no llegan a nada. EC comparte ese pipeline, pero sí lee hsv_prob, degrees y translate cuando su tarea es pose. Las familias de clasificación ignoran ese conjunto salvo mixup, que para ellas es MixUp por batch, y leen flip_prob. SegFormer, LingBot-Vision y NAFNet ignoran todo ese conjunto y flip_prob con él, porque su volteo se aplica con una probabilidad fija en lugar de una configurable. YOLO-NAS ignora solo mosaic, ya que en su lugar aumenta con una transformación afín por muestra siempre activa. RF-DETR ignora tres más además de esa lista: optimizer, momentum y nesterov.

Fijar uno de estos no es un error. La ejecución escribe una línea en stderr con el nombre de la familia y los argumentos que va a ignorar, y a continuación entrena; esa línea es la lista autoritativa para la versión instalada. También es la única señal, así que una ejecución con quiet=true dentro de un script silencia el aviso junto con todo lo demás que va a stderr.

val=false es un caso relacionado. Pone eval_interval a 0, lo que desactiva la validación durante el entrenamiento, última época incluida, y la ejecución no escribe best.pt.

Otros comportamientos que conviene conocer

lora=true lo aceptan RF-DETR, D-FINE, DEIM, DEIMv2, RT-DETR v1, v2 y v4, EC, GTR y ConvNeXt. Cualquier otra familia sale con config_unsupported en lugar de entrenar sin ello.

clip_max_norm lo aceptan las familias cuya configuración de entrenamiento lo declara: YOLOv9, YOLOv9-E2E y YOLOv9-P2, donde vale 10 por defecto, y D-FINE, Dome-DETR, DEIM, DEIMv2, TinyFormer, RT-DETR, RT-DETRv2, RT-DETRv4, RF-DETR, DINOv2 y GTR, donde vale 0.1 por defecto. Cualquier otra familia sale con config_unsupported, y un valor negativo o no finito sale con config_type_error.

device=0,1 construye el modelo en la primera GPU de la lista y pasa la lista a train(), que arranca un proceso por GPU. Consulta entrenamiento multi-GPU.

RF-DETR no tiene transferencia de detección a segmentación. task=segment con un checkpoint de segmentación de RF-DETR carga ese checkpoint sea cual sea su nombre de fichero, porque los metadatos del checkpoint deciden la tarea, mientras que un checkpoint de detección se detiene con un error en lugar de entrenar una cabeza de máscaras sin entrenar.

pretrained=false combinado con resume se rechaza en las familias que admiten el entrenamiento desde cero, ya que ambos piden cosas opuestas.

mosaic y mixup son las grafías de línea de comandos de los campos de configuración mosaic_prob y mixup_prob; en un modelo de clasificación, mixup es en cambio MixUp por batch. En las familias cuyo mixup solo se aplica a las muestras de mosaic, un mixup por encima de cero con mosaic a cero no se activa nunca, y la ejecución lo indica.

dry_run=true resuelve la referencia del modelo, aplica los valores por defecto de la familia e imprime la configuración con la que entrenaría. No carga el dataset, así que es la forma barata de confirmar que un argumento ha llegado al valor que esperabas.

stdout lleva el objeto de resultado final; el progreso y los avisos van a stderr. El código de salida es 0 si todo va bien, 2 ante un error de uso o de configuración, 3 cuando no se encuentra o no se puede leer el dataset, 4 cuando no se puede cargar el modelo, y 1 para el resto de fallos en tiempo de ejecución.

Relacionado: libreyolo doctor para comprobar un dataset antes de comprometerte con una ejecución, libreyolo monitor para seguir una ejecución en el navegador, libreyolo val para medir el resultado.