Hiperparametry

Ustawianie argumentów

train() przyjmuje argumenty nazwane, a CLI te same nazwy w postaci key=value.

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

Obie ścieżki prowadzą do tego samego miejsca. Argumenty nazwane są przekazywane do TrainConfig.from_kwargs(), które buduje dataclass konfiguracji rodziny.

Literówka nie powoduje błędu

from_kwargs() odrzuca każdy klucz, który nie jest polem konfiguracji, i generuje UserWarning z jego nazwą. Trenowanie rozpoczyna się wtedy z wartością domyślną:

# UserWarning: Nieznane klucze konfiguracji trenowania (zignorowano): ['learning_rate']model.train(data="my-dataset.yaml", learning_rate=0.001)

Nic nie ulega awarii, przebieg zostaje ukończony, a współczynnik uczenia nigdy nie ma wartości żądanej przez kod wywołujący. W pierwszej epoce nowej receptury należy przeczytać ostrzeżenia. CLI jest bardziej rygorystyczne, ponieważ waliduje nazwy flag przed zbudowaniem konfiguracji, więc błędnie napisana flaga CLI zostaje od razu odrzucona.

Wartości domyślne zależą od rodziny

TrainConfig definiuje pole i podstawową wartość domyślną. Każda rodzina dziedziczy po tej klasie i zastępuje elementy zmienione w swojej opublikowanej recepturze. Nie istnieje więc jedna prawidłowa odpowiedź na pytanie „jaki jest domyślny współczynnik uczenia”.

Podstawowe wartości domyślne to optimizer="sgd", lr0=0.01, momentum=0.937, weight_decay=5e-4, scheduler="yoloxwarmcos", epochs=300, batch=16, imgsz=640 i amp=True. Trzy przykłady odchyleń rodziny od tych wartości:

D-FINE, DEIM, RT-DETRv4 i detekcja YOLO-NAS domyślnie używają amp=True z amp_dtype="float16". Dome-DETR, PP-YOLOE i YOLO-NAS OBB zachowują domyślne FP32. Gdy wymagane jest FP32, należy przekazać amp=False.

Aby odczytać rzeczywiste wartości domyślne rodziny zamiast zgadywać:

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}")

# Wyświetla wartości domyślne train, val i predict, w tym zastąpienia rodziny.libreyolo cfg

Rozmiar batcha

batch jest globalnym batchem. Podczas trenowania na wielu GPU każdy proces wczytuje batch // world_size, więc podana liczba jest liczbą obrazów na krok optymalizatora niezależnie od liczby używanych GPU. Zobacz trenowanie na wielu GPU.

batch=-1 włącza autobatch. Trener sprawdza model w trybie trenowania z rzeczywistym przebiegiem wstecznym dla kolejnych potęg dwójki, dopasowuje prostą do krzywej pamięci i wybiera największą potęgę dwójki ściśle mniejszą niż ekstrapolowana wartość mieszcząca się w 60 procentach całkowitej pamięci VRAM.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9s.pt") # batch=-1 sprawdza pamięć GPU i rozwiązuje wartość do konkretnej potęgi dwójki.model.train(data="my-dataset.yaml", batch=-1, imgsz=640)

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

Istotą jest sprawdzanie w trybie trenowania z przebiegiem wstecznym. Test w trybie inferencji pomija zachowane aktywacje i tensory gradientów, które dla głębokiej sieci CNN zajmują kilka razy więcej pamięci niż inferencja. RF-DETR obniża docelowy udział do 45 procent, ponieważ syntetyczny przebieg wsteczny w teście nadal zaniża koszt kryterium i pomocniczych warstw dekodera.

Autobatch jest funkcją CUDA. Na CPU lub MPS zapisuje jeden wiersz w logu i pozostawia domyślny batch.

min_samples=0 pozostawia długość epoki bez zmian. Dodatnia wartość minimalna powoduje próbkowanie ze zwracaniem w krótszych zbiorach detekcji. class_balanced=False, po ustawieniu na true, włącza próbkowanie obrazów ze współczynnikiem powtórzeń; współpracuje z min_samples i DDP. Wyspecjalizowane loadery pomijające wspólny sampler odrzucają włączone równoważenie.

Akumulacja gradientów

nbs ustawia nominalny, czyli efektywny, rozmiar batcha. Trener akumuluje round(nbs / batch) mikrobatchy na krok optymalizatora.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9s.pt") # 4 mikrobatche po 16 na krok optymalizatora, efektywny batch 64.model.train(data="my-dataset.yaml", batch=16, nbs=64)

Pozostawienie wartości domyślnej None wyłącza akumulację i nie zmienia trenowania.

Współczynnik uczenia i harmonogram

lr0 jest początkowym współczynnikiem uczenia, a optimizer przyjmuje sgd, adam lub adamw. momentum jest momentem SGD albo beta1 algorytmu Adam, weight_decay składnikiem L2, a nesterov dotyczy SGD.

Kształt harmonogramu określają scheduler, warmup_epochs, warmup_lr_start i min_lr_ratio. no_aug_epochs ustawia liczbę końcowych epok bez silnej augmentacji. Kilka harmonogramów używa go również do kształtowania swojej końcówki, więc nie jest to wyłącznie parametr augmentacji. Sposób wykorzystania części augmentacyjnej przez każdą rodzinę opisano na stronie augmentacje.

Niektóre rodziny dodają własne parametry współczynnika uczenia. backbone_lr_mult skaluje grupę backbone względem głowicy, clip_max_norm ustawia przycinanie gradientów, a SegFormer używa head_lr_mult, aby uruchamiać głowicę dekodującą z dziesięciokrotnie większym współczynnikiem niż backbone. Parametry te znajdują się w podklasie konfiguracji rodziny, a nie w klasie podstawowej.

clip_max_norm obcina normę L2 gradientu do tej wartości przed każdym krokiem optymalizatora, a 0 wyłącza obcinanie. YOLOv9, YOLOv9-E2E i YOLOv9-P2 mają domyślnie 10. D-FINE, Dome-DETR, DEIM, DEIMv2, TinyFormer, RT-DETR, RT-DETRv2, RT-DETRv4, RF-DETR, DINOv2, GTR i EC mają domyślnie 0.1. W CLI jest to clip_max_norm= lub --clip-max-norm; rodziny, które je tam przyjmują, opisuje libreyolo train.

EMA

ema=True utrzymuje wykładniczą średnią ruchomą wag obok wag trenowanych. Jest domyślnie włączone wszędzie poza FOMO.

ema_decay jest docelowym współczynnikiem zaniku. Zanik narasta, zamiast zaczynać od wartości docelowej. Efektywna wartość w aktualizacji n wynosi ema_decay * (1 - exp(-n / tau)), przy domyślnej wartości tau równej 2000, dzięki czemu wczesne aktualizacje dokładniej śledzą model, a późne je wygładzają. Wartości domyślne rodzin obejmują zakres od 0.997 dla pozy YOLO-NAS przez 0.9998 dla YOLOX do 0.9999 dla YOLOv9 i linii DETR.

Do walidacji używane są wagi EMA i to one trafiają do best.pt oraz last.pt. Surowe wytrenowane wagi również są przechowywane pod kluczem train_model, aby wznowienie kontynuowało trenowaną trajektorię, a nie średnią.

Precyzja

amp=True uruchamia przebieg do przodu w ramach CUDA autocast. amp_dtype wybiera float16 (wartość domyślna) albo bfloat16. Akceptowane są też pisownie fp16 i bf16.

Float16 wymaga dynamicznego skalowania funkcji straty i otrzymuje aktywny GradScaler. Szerszy zakres wykładnika Bfloat16 go nie wymaga, dlatego jego skaler jest tworzony, ale wyłączony, co zachowuje identyczną ścieżkę optymalizatora. Żądanie bfloat16 na urządzeniu CUDA bez jego obsługi powoduje błąd podczas konfiguracji zamiast cichego obniżenia możliwości.

Dane wyjściowe, checkpointy i zatrzymywanie

Przebiegi są zapisywane w project/name. project ma wszędzie wartość domyślną runs/train, ale name jest jednym z pól zastępowanych dla poszczególnych rodzin. Podstawową wartością domyślną jest exp, podczas gdy YOLOv9 używa yolo9_exp, a D-FINE dfine_exp. Przy domyślnym exist_ok=False istniejący katalog otrzymuje zwiększony sufiks zamiast zostać nadpisany.

save_period zapisuje dodatkowy plik weights/epoch_<N>.pt co N epok, oprócz weights/last.pt po każdej epoce i weights/best.pt przy każdej poprawie śledzonej metryki. eval_interval ustawia częstotliwość walidacji, a ostatnia epoka jest zawsze walidowana; val=False wyłącza walidację, a taki przebieg nie zapisuje best.pt. patience zatrzymuje przebieg po tylu epokach bez poprawy. Wartość 0 wyłącza early stopping.

cache przyspiesza powtarzane epoki przez przechowywanie zdekodowanych obrazów w RAM (True lub "ram") albo jako pliki .npy obok źródeł ("disk"). Odczyty z pamięci podręcznej są identyczne bajt po bajcie ze świeżymi odczytami. Przy workerach modułu wczytującego dane bezpieczniejszą opcją jest "disk".

average_best=0 wyłącza uśrednianie checkpointów; dodatnie N zapisuje weights/average.pt na podstawie najwyżej N najlepszych snapshotów. Tensory zmiennoprzecinkowe są uśredniane równomiernie, a bufory całkowitoliczbowe pochodzą z najlepszego snapshotu. Można włączyć export_check=False, aby przerwać trenowanie przed pierwszą epoką, jeśli eksport ONNX się nie powiedzie. Pasujące surowe wyjścia są porównywane przy rtol=1e-3, atol=1e-4; przy niezgodnych układach zapisywana jest informacja o pominięciu porównania.

precise_bn=0 wyłącza końcową rekalibrację BatchNorm. Dodatnia wartość ogranicza liczbę obrazów z loadera treningowego przed końcową walidacją; w DDP limit obowiązuje osobno dla każdego uczestniczącego procesu rank. Zamrożone BatchNorm pozostaje zamrożone. Własne callbacki fitness mogą wybierać najlepsze checkpointy i sterować patience.

Wznawianie

resume=True kontynuuje przerwany przebieg od wczytanego checkpointu; resume="path/to/last.pt" kontynuuje zamiast tego od tego pliku.

from libreyolo import LibreYOLO # Wczytaj checkpoint przerwanego przebiegu, a następnie zażądaj wznowienia.model = LibreYOLO("runs/train/yolo9_exp/weights/last.pt")model.train(data="my-dataset.yaml", resume=True)

libreyolo train model=runs/train/yolo9_exp/weights/last.pt \  data=my-dataset.yaml resume=true

Wznowienie przywraca zapisane argumenty trenowania przebiegu, a argument przekazany jawnie zastępuje zapisany. Nadal zapisuje dane do katalogu przebiegu checkpointu. Przywraca wytrenowane wagi, stan optymalizatora, wagi EMA i liczbę aktualizacji, śledzenie najlepszej metryki, skalę GradScaler oraz stany losowe PyTorch, CUDA i NumPy. Rozpoczyna od epoki następującej po epoce checkpointu i przewija harmonogram do tej pozycji.

Nie wykona trzech czynności. resume=True nie można łączyć z pretrained, gdyż powoduje to błąd. Opublikowane wagi i przebieg, który osiągnął już swoją wartość epochs, nie zawierają niczego do wznowienia i zgłaszają informujący o tym ValueError. Jeśli klucz najlepszej metryki checkpointu różni się od klucza bieżącego przebiegu, śledzenie najlepszej metryki jest zerowane z ostrzeżeniem, zamiast porównywać wartości o różnych znaczeniach.

Receptury w pliku

cfg= wczytuje mapowanie YAML z nazwami pól TrainConfig i scala je pod jawnymi argumentami nazwanymi, dlatego argument nazwany zawsze ma pierwszeństwo przed plikiem.

from libreyolo import LibreYOLO # Klucze w yaml są nazwami pól TrainConfig. Jawne argumenty nazwane mają pierwszeństwo.model = LibreYOLO("LibreYOLO9s.pt")model.train(data="my-dataset.yaml", cfg="my-recipe.yaml", epochs=50)

size i num_classes są usuwane z pliku, ponieważ instancja modelu już nimi zarządza. CLI nie ma flagi --cfg. Ścieżka pliku jest argumentem Pythona.

Powiązane strony

• Zbiory danych opisują wartości przyjmowane przez data=.
• Augmentacje opisują parametry augmentacji i rodziny, które je respektują.
• Zamrażanie warstw i LoRA opisują trenowanie podzbioru wag.
• Walidacja i metryki opisują raportowane wyniki przebiegu.

Wybór klas i ważenie funkcji straty

W detekcji YOLO9, RF-DETR, EdgeCrafter, RT-DETR, D-FINE, DEIM, TinyFormer i YOLO-NAS classes=None zachowuje wszystkie klasy zbioru; lista filtruje etykiety nadzorujące z zachowaniem oryginalnych identyfikatorów, nc i names. single_cls=False można włączyć, aby mapować zachowane etykiety na klasę 0 o nazwie object. Wznowienie i walidacja dziedziczą zapisane ustawienia. Trenowanie OBB odrzuca single_cls.

ResNet, ConvNeXt, ConvNeXt V2, MobileNetV4, EfficientNetV2 i DINOv2 obsługują cls_pw=0.0: wartości z [0, 1] ważą każdą klasę odwrotnością częstości podniesioną do tej potęgi, z normalizacją do średniej 1. class_weights=False, po włączeniu, wybiera alternatywne ważenie N / (C * n_c). Nie można go łączyć z dodatnim cls_pw; wznowienie wymaga zgodnych ustawień ważenia.

plot_samples=8 określa limit przykładowych obrazów walidacyjnych. 0 wyłącza je, a -1 wybiera wszystkie; nie zmniejsza to liczby ocenianych obrazów.