libreyolo train

Sinossi

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

Gli argomenti sono coppie key=value, e funziona anche la forma POSIX, quindi epochs=50 e --epochs 50 sono lo stesso argomento. I booleani accettano true e false: amp=false diventa --no-amp dove il flag ha una forma negativa.

Argomenti

Modello e dati

Ciclo di addestramento

Distillazione

Ottimizzatore

Scheduler

Augmentation

EMA

Validazione durante l'addestramento

Output

Flag per agenti

Esempi

# coco8.yaml è incluso nel pacchetto e scarica le sue 8 immagini al primo uso.libreyolo train model=LibreYOLO9s.pt data=coco8.yaml epochs=10 imgsz=640 batch=8

# Stampa quello che l'esecuzione userebbe, valori predefiniti della famiglia# inclusi, ed esce senza addestrare né caricare dati.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

Note

I valori predefiniti qui sopra non sono sempre quelli usati

Ogni famiglia di modelli porta con sé la propria configurazione di addestramento, e dove quella configurazione differisce da quella di base, il suo valore sostituisce il valore predefinito del comando per ogni argomento che non hai impostato esplicitamente. Impostare l'argomento tu vince sempre. libreyolo cfg stampa i valori predefiniti di base e le sostituzioni per famiglia, ed è il modo per vedere che cosa userà davvero una data famiglia.

imgsz è l'argomento per cui questo conta di più. Il valore predefinito del comando è 640, che non è l'input nativo di ogni checkpoint: le dimensioni pubblicate per il rilevamento con RF-DETR sono 384, 512, 576 e 704, e i checkpoint YOLOX n e t sono a 416. RF-DETR e DEIMv2 sono gestiti inoltrando imgsz solo quando è stato impostato esplicitamente, così altrimenti resta in vigore la loro dimensione. Alle altre famiglie il valore arriva così com'è e ci addestrano sopra. FOMO è la famiglia rigida: ogni dimensione accetta solo il proprio input nativo (96, 192 e 224), quindi un addestramento FOMO ha bisogno di imgsz impostato di conseguenza, altrimenti si ferma con un errore. RF-DETR richiede anche che il valore sia divisibile per la dimensione delle sue patch moltiplicata per il numero delle sue finestre, e quando non lo è riporta le due dimensioni valide più vicine.

Argomenti che una famiglia ignora

Non tutte le famiglie leggono tutti gli argomenti, e quelli della data augmentation sono il caso in cui si nota di più. RF-DETR, D-FINE, DEIM, DEIMv2, RT-DETRv4 e DINOv2 si addestrano con pipeline pass-through senza mosaic, senza mixup e senza warp affine, quindi lì mosaic, mixup, hsv_prob, degrees, translate, shear, mosaic_scale e mixup_scale non raggiungono nulla. EC condivide quella pipeline ma legge hsv_prob, degrees e translate quando il suo task è la stima della posa. Le famiglie di classificazione ignorano quell'insieme tranne mixup, che per loro è MixUp a livello di batch, e leggono flip_prob. SegFormer, LingBot-Vision e NAFNet ignorano tutto quell'insieme e con esso flip_prob, perché il loro flip gira a una probabilità fissa e non configurabile. YOLO-NAS ignora solo mosaic, dato che al suo posto fa data augmentation con una trasformazione affine per campione sempre attiva. RF-DETR ne ignora altri tre oltre a quella lista: optimizer, momentum e nesterov.

Impostarne uno non è un errore. L'esecuzione scrive una riga su stderr con il nome della famiglia e gli argomenti che ignorerà, poi addestra, e quella riga è la lista autorevole per la versione installata. È anche l'unico segnale, quindi un'esecuzione da script con quiet=true sopprime l'avviso insieme a tutto il resto su stderr.

val=false è un caso collegato. Imposta eval_interval a 0, che disattiva la validazione durante l'addestramento, ultima epoca inclusa, e l'esecuzione non scrive best.pt.

Altri comportamenti da conoscere

lora=true è accettato da RF-DETR, D-FINE, DEIM, DEIMv2, RT-DETR v1, v2 e v4, EC, GTR e ConvNeXt. Qualsiasi altra famiglia esce con config_unsupported invece di addestrare senza LoRA.

clip_max_norm è accettato dalle famiglie la cui configurazione di addestramento lo dichiara: YOLOv9, YOLOv9-E2E e YOLOv9-P2, dove vale 10 di default, e D-FINE, Dome-DETR, DEIM, DEIMv2, TinyFormer, RT-DETR, RT-DETRv2, RT-DETRv4, RF-DETR, DINOv2 e GTR, dove vale 0.1. Qualsiasi altra famiglia esce con config_unsupported, e un valore negativo o non finito esce con config_type_error.

device=0,1 costruisce il modello sulla prima GPU elencata e passa la lista a train(), che avvia un processo per GPU. Vedi addestramento multi-GPU.

RF-DETR non ha il trasferimento da detect a segment. task=segment con un checkpoint di segmentazione RF-DETR carica quel checkpoint qualunque sia il nome del file, perché è il metadato del checkpoint a decidere il task, mentre un checkpoint di rilevamento si ferma con un errore invece di addestrare una testa di maschere non addestrata.

pretrained=false combinato con resume viene rifiutato per le famiglie che supportano l'addestramento da zero, dato che i due chiedono cose opposte.

mosaic e mixup sono la scrittura da riga di comando dei campi di configurazione mosaic_prob e mixup_prob; su un modello di classificazione mixup è invece MixUp a livello di batch. Nelle famiglie il cui mixup si applica solo ai campioni con mosaic, mixup sopra zero con mosaic a zero non scatta mai, e l'esecuzione lo dice.

dry_run=true risolve il riferimento al modello, applica i valori predefiniti della famiglia e stampa la configurazione con cui addestrerebbe. Non carica il dataset, quindi è il modo economico per confermare che un argomento sia arrivato al valore che ti aspettavi.

stdout porta l'oggetto con il risultato finale; avanzamento e avvisi vanno su stderr. Il codice di uscita è 0 in caso di successo, 2 per un errore d'uso o di configurazione, 3 quando il dataset non si trova o non si può leggere, 4 quando il modello non si può caricare, e 1 per gli altri errori a runtime.

Correlati: libreyolo doctor per controllare un dataset prima di impegnarsi in un addestramento, libreyolo monitor per seguire un'esecuzione nel browser, libreyolo val per misurare il risultato.