libreyolo train

Sinopsis

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

Argumen berbentuk pasangan key=value, dan bentuk POSIX juga berlaku, jadi epochs=50 dan --epochs 50 adalah argumen yang sama. Boolean menerima true dan false: amp=false menjadi --no-amp pada flag yang punya bentuk negatif.

Argumen

Model dan data

Loop pelatihan

Distilasi

Optimizer

Scheduler

Augmentasi

EMA

Validasi selama pelatihan

Keluaran

Flag agent

Contoh

# coco8.yaml disertakan dalam paket dan mengunduh 8 gambarnya saat pertama dipakai.libreyolo train model=LibreYOLO9s.pt data=coco8.yaml epochs=10 imgsz=640 batch=8

# Mencetak apa yang akan dipakai run ini, termasuk default family, lalu keluar# tanpa melatih atau memuat data.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

Catatan

Default di atas tidak selalu jadi nilai yang dipakai

Setiap family model membawa config pelatihannya sendiri, dan di tempat config itu berbeda dari config dasar, nilainya menggantikan default perintah untuk setiap argumen yang tidak diatur secara eksplisit. Nilai yang diatur sendiri selalu menang. libreyolo cfg mencetak default dasar berikut override per family, dan itulah cara melihat apa yang benar-benar akan dipakai sebuah family.

imgsz adalah argumen yang paling terdampak. Default perintahnya 640, dan itu bukan input native setiap checkpoint: ukuran deteksi RF-DETR yang dipublikasikan adalah 384, 512, 576 dan 704, sedangkan checkpoint YOLOX n dan t memakai 416. RF-DETR dan DEIMv2 ditangani dengan hanya meneruskan imgsz ketika nilainya diatur secara eksplisit, sehingga di luar itu ukuran mereka sendiri yang tetap berlaku. Family lain menerima nilai apa adanya dan dilatih pada ukuran tersebut. FOMO yang paling ketat: setiap ukuran hanya menerima input native-nya (96, 192 dan 224), jadi run FOMO perlu imgsz yang cocok atau prosesnya berhenti dengan error. RF-DETR juga menuntut nilainya habis dibagi ukuran patch dikali jumlah window, dan melaporkan dua ukuran legal terdekat bila tidak.

Argumen yang diabaikan sebuah family

Tidak setiap family membaca setiap argumen, dan argumen augmentasi adalah tempat hal itu paling terlihat. RF-DETR, D-FINE, DEIM, DEIMv2, RT-DETRv4 dan DINOv2 dilatih lewat pipeline pass-through tanpa mosaic, tanpa mixup dan tanpa affine warp, jadi mosaic, mixup, hsv_prob, degrees, translate, shear, mosaic_scale dan mixup_scale tidak mengenai apa pun di sana. EC memakai pipeline yang sama tapi tetap membaca hsv_prob, degrees dan translate ketika task-nya pose. Family klasifikasi mengabaikan kumpulan itu kecuali mixup, yang bagi mereka berarti MixUp batch, dan mereka membaca flip_prob. SegFormer, LingBot-Vision dan NAFNet mengabaikan seluruh kumpulan itu berikut flip_prob, karena flip mereka berjalan pada probabilitas tetap, bukan probabilitas yang bisa diatur. YOLO-NAS hanya mengabaikan mosaic, sebab ia justru melakukan augmentasi dengan affine per sampel yang selalu aktif. RF-DETR mengabaikan tiga argumen lagi di luar daftar itu: optimizer, momentum dan nesterov.

Mengatur salah satunya bukan error. Run akan mencatat satu baris ke stderr yang menyebut family dan argumen yang akan diabaikan, lalu melatih, dan baris itu adalah daftar otoritatif untuk versi yang terpasang. Baris itu juga satu-satunya sinyal, jadi run terskrip dengan quiet=true ikut meredam peringatan tersebut bersama semua keluaran stderr lainnya.

val=false adalah kasus serupa. Nilai itu menetapkan eval_interval ke 0, yang mematikan validasi selama pelatihan, termasuk pada epoch terakhir, dan run tidak menulis best.pt.

Perilaku lain yang perlu diketahui

lora=true diterima oleh RF-DETR, D-FINE, DEIM, DEIMv2, RT-DETR v1, v2 dan v4, EC, GTR serta ConvNeXt. Family lain akan keluar dengan config_unsupported alih-alih melatih tanpa LoRA.

clip_max_norm diterima oleh family yang config pelatihannya mendeklarasikannya: YOLOv9, YOLOv9-E2E dan YOLOv9-P2, dengan nilai bawaan 10, serta D-FINE, Dome-DETR, DEIM, DEIMv2, TinyFormer, RT-DETR, RT-DETRv2, RT-DETRv4, RF-DETR, DINOv2 dan GTR, dengan nilai bawaan 0.1. Family lain akan keluar dengan config_unsupported, dan nilai negatif atau tidak hingga akan keluar dengan config_type_error.

device=0,1 membangun model di GPU pertama dalam daftar dan meneruskan daftar itu ke train(), yang memulai satu proses per GPU. Lihat pelatihan multi-GPU.

RF-DETR tidak punya transfer dari detect ke segment. task=segment dengan checkpoint segment RF-DETR memuat checkpoint itu apa pun nama berkasnya, karena metadata checkpoint yang menentukan task-nya, sedangkan checkpoint deteksi berhenti dengan error alih-alih melatih mask head yang belum terlatih.

pretrained=false yang digabung dengan resume ditolak pada family yang mendukung pelatihan dari nol, karena keduanya meminta hal yang berlawanan.

mosaic dan mixup adalah penulisan versi baris perintah dari field config mosaic_prob dan mixup_prob; pada model klasifikasi, mixup justru berarti MixUp batch. Pada family yang mixup-nya hanya berlaku untuk sampel mosaic, mixup di atas nol dengan mosaic bernilai nol tidak pernah aktif, dan run akan memberi tahu hal itu.

dry_run=true meresolusi referensi model, menerapkan default family, dan mencetak config yang akan dipakai untuk melatih. Perintah ini tidak memuat dataset, jadi ini cara murah untuk memastikan sebuah argumen sampai pada nilai yang diharapkan.

stdout membawa objek hasil akhir; progres dan peringatan dikirim ke stderr. Kode keluar adalah 0 bila berhasil, 2 untuk error penggunaan atau konfigurasi, 3 bila dataset tidak ditemukan atau tidak terbaca, 4 bila model tidak bisa dimuat, dan 1 untuk kegagalan runtime lainnya.

Terkait: libreyolo doctor untuk memeriksa dataset sebelum memutuskan menjalankan pelatihan, libreyolo monitor untuk memantau run di browser, libreyolo val untuk mengukur hasilnya.