하이퍼파라미터

인수 설정

train()는 키워드 인수를 사용하며 CLI는 key=value 형식으로 동일한 이름을 사용합니다.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9s.pt")results = model.train(    data="my-dataset.yaml",    epochs=100,    batch=16,    imgsz=640,    lr0=0.01,) print(results["best_mAP50_95"])

libreyolo train model=LibreYOLO9s.pt data=my-dataset.yaml \  epochs=100 batch=16 imgsz=640 lr0=0.01

두 경로 모두 같은 장소에서 끝납니다. kwargs는 TrainConfig.from_kwargs()에 전달되며, 이 클래스는 계열의 구성 데이터 클래스를 만듭니다.

오타 처리 동작

from_kwargs()는 config에 필드가 아닌 모든 키를 제거하고 UserWarning라는 이름으로 내보냅니다. 그런 다음 기본값이 적용된 상태에서 학습이 시작됩니다:

# 사용자 경고: 알 수 없는 학습 구성 키(무시됨): ['learning_rate']
model.train(data="my-dataset.yaml", learning_rate=0.001)

아무것도 실패하지 않고, 실행이 완료되며, 학습률는 호출자가 요청한 값과 달랐습니다. 새로운 레시피의 첫 번째 에포크에서 경고를 읽으십시오. CLI는 더 엄격합니다. 왜냐하면 설정이 만들어지기 전에 플래그 이름을 검증하기 때문에 잘못된 철자의 CLI 플래그는 즉시 거부되기 때문입니다.

계열별 기본값

TrainConfig는 필드와 기본 기본값을 정의합니다. 각 계열는 이를 서브클래싱하고 게시된 레시피가 변경하는 것을 재정의하므로 '기본 학습률이 무엇인가'에 대한 단일 정답은 없습니다.

기본 기본값은 optimizer="sgd", lr0=0.01, momentum=0.937, weight_decay=5e-4, scheduler="yoloxwarmcos", epochs=300, batch=16, imgsz=640 및 amp=True입니다. 계열이 그 기준에서 얼마나 멀리 이동하는지에 대한 세 가지 예는 다음과 같습니다:

D-FINE과 DEIM은 D-FINE 디코더가 활성화를 가장 큰 유한 float16 값인 65504로 제한하기 때문에 amp=False와 함께 제공됩니다. YOLO-NAS와 FOMO 또한 기본적으로 이를 끕니다. CLI의 --amp 플래그는 모든 계열에 대해 기본적으로 True로 설정되므로, 사용자 제공으로 간주되어 계열 기본값을 덮어씁니다; 변경하려는 의도가 아니라면 그대로 두십시오.

추측하기보다는 계열의 실제 채무 불이행을 읽기 위해:

from dataclasses import fields from libreyolo import LibreYOLO9from libreyolo.training.config import TrainConfig family_cfg = LibreYOLO9.TRAIN_CONFIG()base_cfg = TrainConfig() for f in fields(family_cfg):    family_value = getattr(family_cfg, f.name)    base_value = getattr(base_cfg, f.name, None)    if not hasattr(base_cfg, f.name) or family_value != base_value:        print(f"{f.name}: {family_value}")

# 계열 재정의를 포함하여 학습(train), val 및 예측(predict) 기본값을 출력합니다.libreyolo cfg

배치 크기

batch는 글로벌 배치입니다. 멀티 GPU 학습에서는 각 랭크가 batch // world_size를 로드하므로, 전달하는 숫자는 얼마나 많은 GPU가 사용되든 관계없이 옵티마이저 단계당 이미지 수입니다. 멀티 GPU 학습을 참조하십시오.

batch=-1는 자동 배치를 켭니다. 트레이너는 학습 모드에서 모델을 실제 역전파로 두의 제곱 단위로 탐색하고, 메모리 곡선에 선을 맞추며, 전체 VRAM의 60% 내에 맞는 외삽 값보다 엄격히 작은 가장 큰 두의 제곱을 선택합니다.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9s.pt") # batch=-1은 GPU 메모리를 탐색하고 2의 구체적인 거듭제곱으로 결정됩니다.model.train(data="my-dataset.yaml", batch=-1, imgsz=640)

libreyolo train model=LibreYOLO9s.pt data=my-dataset.yaml batch=-1

역전파와 함께 학습 모드에서 프로빙하는 것이 핵심입니다: 추론 모드의 프로브는 보존된 활성화와 그래디언트 텐서를 놓치는데, 깊은 CNN의 경우 이들은 추론 시 점유량보다 몇 배 더 많습니다. RF-DETR은 목표 비율을 45%로 낮추는데, 이는 프로브의 합성 역전파가 여전히 기준과 보조 디코더 층이 소모하는 비용을 과소평가하기 때문입니다.

Autobatch는 CUDA 기능입니다. CPU나 MPS에서는 한 줄을 기록하고 기본 배치를 유지합니다.

그래디언트 누적

nbs는 명목상의 또는 실제 배치 크기를 설정합니다. 트레이너는 옵티마이저 단계당 round(nbs / batch) 마이크로 배치를 누적합니다.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9s.pt") # 최적화 단계당 16개씩 4개의 마이크로 배치, 유효 배치 64.model.train(data="my-dataset.yaml", batch=16, nbs=64)

기본값인 None로 두면 누적은 꺼져 있고 학습은 변경되지 않습니다.

학습률과 스케줄

lr0는 초기 학습률이고 optimizer는 sgd, adam 및 adamw를 허용합니다. momentum는 SGD 모멘텀 또는 Adam의 beta1이고, weight_decay는 L2 항이며, nesterov는 SGD에 적용됩니다.

일정은 scheduler, warmup_epochs, warmup_lr_start 및 min_lr_ratio에 의해 형성됩니다. no_aug_epochs는 강한 증강 없이 최종 에포크가 몇 번 실행될지를 설정하며, 여러 일정이 꼬리를 형성하기 위해 이것을 사용하기도 하므로 순수하게 증강 조절기만은 아닙니다. 각 계열이 증강 부분으로 무엇을 하는지는 Augmentations에서 확인할 수 있습니다.

일부 가정에서는 자체 학습률 조절 장치를 추가합니다. backbone_lr_mult는 백본 그룹을 헤드에 맞춰 조정하고, clip_max_norm는 그래디언트 클리핑을 설정하며, SegFormer는 head_lr_mult를 사용하여 디코드 헤드를 백본 속도의 10배로 실행합니다. 이들은 기본 클래스가 아닌 가정의 구성 서브클래스에 존재합니다.

EMA

ema=True는 학습된 가중치와 함께 가중치의 지수 이동 평균을 유지합니다. FOMO를 제외한 모든 곳에서 기본적으로 켜져 있습니다.

ema_decay은 목표 감쇠입니다. 감쇠는 목표에서 바로 시작하지 않고 점차 증가합니다: 업데이트 시점 n에서의 유효 값은 ema_decay * (1 - exp(-n / tau))이며, tau는 기본값이 2000으로 설정되어 있어 초기 업데이트는 모델을 더 가깝게 추적하고 나중 업데이트는 이를 부드럽게 만듭니다. 계열 기본값은 YOLO-NAS pose의 0.997에서부터 YOLOX의 0.9998, 그리고 YOLOv9와 DETR 계열의 0.9999까지 다양합니다.

EMA 가중치는 검증되는 것이며 best.pt와 last.pt가 운반하는 것입니다. 원시 학습 가중치도 train_model 키 아래에 저장되어 있어, 재개 시 평균이 아니라 학습된 경로에서 계속 진행됩니다.

정확성

amp=True는 CUDA 오토캐스트 하에서 순방향 패스를 실행합니다. amp_dtype는 float16(기본값) 또는 bfloat16를 선택합니다; fp16와 bf16는 허용되는 철자입니다.

Float16는 동적 손실 스케일링이 필요하며 라이브 GradScaler를 받습니다. Bfloat16의 더 넓은 지수 범위는 필요하지 않아서 스케일러가 구성되지만 비활성화되어, 옵티마이저 경로를 동일하게 유지합니다. bfloat16을 지원하지 않는 CUDA 장치에서 bfloat16을 요청하면 조용히 성능이 저하되는 대신 설정 시 오류가 발생합니다.

출력, 체크포인트 및 중지

실행은 project/name에 작성됩니다. project은 모든 곳에서 기본적으로 runs/train로 설정되어 있지만, name는 계열별 오버라이드 중 하나입니다: 기본 기본값은 exp이며, YOLOv9는 yolo9_exp를 사용하고 D-FINE은 dfine_exp를 사용합니다. exist_ok=False를 사용할 경우, 기본 설정으로 기존 디렉터리는 덮어쓰여지는 대신 번호가 증가된 접미사가 붙습니다.

save_period는 각 epoch 후 weights/last.pt 외에 N epoch마다 추가로 weights/epoch_<N>.pt를 기록하고, 추적된 지표가 개선될 때마다 weights/best.pt도 기록합니다. eval_interval는 검증이 얼마나 자주 수행되는지 설정하며, patience는 개선 없이 지정된 epoch 수가 지나면 실행을 중단하고, 0는 조기 종료를 비활성화합니다.

cache는 디코딩된 이미지를 RAM(True 또는 "ram")에 보관하거나 소스("disk") 옆에 .npy 파일로 저장하여 반복 에폭 속도를 높입니다. 캐시된 읽기는 새로 읽은 것과 바이트 단위로 동일합니다. 데이터로더 작업자와 함께, "disk"가 두 가지 중 더 안전합니다.

이력서

resume=True는 중단된 실행을 계속합니다. 먼저 체크포인트를 로드해야 합니다. 왜냐하면 재개는 별도의 인수가 아니라 모델에서 그것을 읽기 때문입니다.

from libreyolo import LibreYOLO # 중단된 실행의 체크포인트를 불러온 다음, 재개할지를 물어보십시오.model = LibreYOLO("runs/train/exp/weights/last.pt")model.train(data="my-dataset.yaml", epochs=100, resume=True)

libreyolo train model=runs/train/exp/weights/last.pt \  data=my-dataset.yaml epochs=100 resume=true

Resume는 학습된 가중치, 옵티마이저 상태, EMA 가중치 및 업데이트 수, 최고 메트릭 추적, GradScaler 스케일, 그리고 PyTorch, CUDA 및 NumPy 랜덤 상태를 복원합니다. 이는 체크포인트의 에포크에 1을 더한 시점에서 시작하며, 스케줄을 해당 위치로 빠르게 진행합니다.

두 가지는 하지 않습니다. resume=True은 pretrained와 결합할 수 없으며, 이는 오류를 발생시킵니다. 그리고 체크포인트의 최상의 메트릭 키가 현재 실행의 것과 다를 경우, 최상의 메트릭 추적은 값을 비교하지 않고 경고와 함께 0으로 재설정됩니다.

파일 속의 레시피

cfg=는 TrainConfig 필드 이름의 YAML 매핑을 로드하고 이를 명시적 키워드 인수 아래에 병합하므로, 키워드 인수가 항상 파일보다 우선합니다.

from libreyolo import LibreYOLO # yaml의 키는 TrainConfig 필드 이름입니다. 명시적인 kwargs가 우선합니다.model = LibreYOLO("LibreYOLO9s.pt")model.train(data="my-dataset.yaml", cfg="my-recipe.yaml", epochs=50)

size와 num_classes는 모델 인스턴스가 이미 소유하고 있기 때문에 파일에서 제거되었습니다. CLI에는 --cfg 플래그가 없으며, 파일 경로는 Python 인수입니다.

관련된

• 데이터셋 은 data=가 받는 것입니다.
• 증강 조절기용 증강과 어떤 계열이 이를 지원하는지.
• 레이어 동결과 LoRA를 사용하여 일부 가중치를 학습합니다.
• 실행 보고서의 검증 및 지표