libreyolo train

Синтаксис

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

Аргументы задаются парами key=value, POSIX-форма тоже работает, поэтому epochs=50 и --epochs 50 — один и тот же аргумент. Логические аргументы принимают true и false: amp=false превращается в --no-amp там, где у флага есть отрицательная форма.

Аргументы

Модель и данные

Цикл обучения

Дистилляция

Оптимизатор

Планировщик

Аугментация

EMA

Валидация во время обучения

Вывод

Флаги для агентов

Примеры

# coco8.yaml входит в пакет и скачивает свои 8 изображений при первом использовании.libreyolo train model=LibreYOLO9s.pt data=coco8.yaml epochs=10 imgsz=640 batch=8

# Печатает, что будет использовать запуск, включая значения по умолчанию# семейства, и выходит без обучения и загрузки данных.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

Примечания

Значения по умолчанию выше используются не всегда

У каждого семейства моделей есть собственный конфиг обучения, и там, где он отличается от базового, его значение заменяет значение команды по умолчанию для любого аргумента, который вы не задали явно. Аргумент, заданный вами, всегда побеждает. libreyolo cfg печатает базовые значения по умолчанию и переопределения по семействам — так и смотрят, что конкретное семейство использует на самом деле.

Больше всего это важно для imgsz. По умолчанию команда берёт 640, а это не родной вход для каждого чекпойнта: опубликованные размеры детекции RF-DETR — 384, 512, 576 и 704, а чекпойнты YOLOX n и t — 416. Для RF-DETR и DEIMv2 imgsz передаётся дальше, только если он задан явно, поэтому иначе остаётся в силе их собственный размер. Другим семействам значение передаётся как есть, и они обучаются с ним. FOMO — самый строгий случай: каждый размер принимает только свой родной вход (96, 192 и 224), поэтому запуску FOMO нужен imgsz, заданный под него, иначе он останавливается с ошибкой. RF-DETR вдобавок требует, чтобы значение делилось на размер патча, умноженный на число окон, и сообщает два ближайших допустимых размера, если это не так.

Аргументы, которые семейство игнорирует

Не каждое семейство читает каждый аргумент, и заметнее всего это на аргументах аугментации. RF-DETR, D-FINE, DEIM, DEIMv2, RT-DETRv4 и DINOv2 обучаются через сквозные пайплайны без mosaic, без mixup и без аффинных искажений, поэтому mosaic, mixup, hsv_prob, degrees, translate, shear, mosaic_scale и mixup_scale там ни до чего не доходят. EC использует тот же пайплайн, но читает hsv_prob, degrees и translate, когда его задача — оценка позы. Семейства классификации игнорируют этот набор, кроме mixup, который у них означает батчевый MixUp, и читают flip_prob. SegFormer, LingBot-Vision и NAFNet игнорируют весь набор, а вместе с ним и flip_prob, потому что отражение у них работает с фиксированной вероятностью, а не с настраиваемой. YOLO-NAS игнорирует только mosaic, поскольку вместо него аугментирует всегда включённым аффинным преобразованием для каждого примера. RF-DETR игнорирует ещё три сверх этого списка: optimizer, momentum и nesterov.

Задать один из них — не ошибка. Запуск пишет в stderr строку с названием семейства и аргументами, которые он проигнорирует, затем обучается, и эта строка — авторитетный список для установленной версии. Она же и единственный сигнал, поэтому скриптовый запуск с quiet=true подавляет это предупреждение вместе со всем остальным в stderr.

val=false — смежный случай. Он выставляет eval_interval в 0, что выключает валидацию во время обучения, включая последнюю эпоху, и запуск не записывает best.pt.

Другое поведение, о котором стоит знать

lora=true принимают RF-DETR, D-FINE, DEIM, DEIMv2, RT-DETR v1, v2 и v4, EC, GTR и ConvNeXt. Любое другое семейство завершается с config_unsupported, а не обучается без LoRA.

clip_max_norm принимают семейства, в конфиге обучения которых он объявлен: YOLOv9, YOLOv9-E2E и YOLOv9-P2, где по умолчанию он равен 10, а также D-FINE, Dome-DETR, DEIM, DEIMv2, TinyFormer, RT-DETR, RT-DETRv2, RT-DETRv4, RF-DETR, DINOv2 и GTR, где по умолчанию он равен 0.1. Любое другое семейство завершается с config_unsupported, а отрицательное или неконечное значение завершается с config_type_error.

device=0,1 строит модель на первом GPU из списка и передаёт список в train(), который запускает по одному процессу на каждый GPU. См. обучение на нескольких GPU.

У RF-DETR нет переноса с детекции на сегментацию. task=segment с чекпойнтом сегментации RF-DETR загружает этот чекпойнт независимо от имени файла, потому что задачу определяют метаданные чекпойнта, а с чекпойнтом детекции запуск останавливается с ошибкой, вместо того чтобы обучать необученную голову масок.

pretrained=false вместе с resume отклоняется для семейств, которые поддерживают обучение с нуля, поскольку эти два аргумента требуют противоположного.

mosaic и mixup — это написание в командной строке для полей конфига mosaic_prob и mixup_prob; у модели классификации mixup вместо этого означает батчевый MixUp. В семействах, где mixup применяется только к mosaic-примерам, mixup больше нуля при mosaic, равном нулю, никогда не срабатывает, и запуск об этом сообщает.

dry_run=true разрешает ссылку на модель, применяет значения по умолчанию семейства и печатает конфигурацию, с которой шло бы обучение. Датасет он не загружает, поэтому это дешёвый способ убедиться, что аргумент получил ожидаемое значение.

В stdout идёт итоговый объект результата; прогресс и предупреждения идут в stderr. Код возврата — 0 при успехе, 2 при ошибке использования или конфигурации, 3, если датасет не удаётся найти или прочитать, 4, если не удаётся загрузить модель, и 1 при прочих сбоях во время выполнения.

Связанное: libreyolo doctor — проверить датасет, прежде чем браться за обучение, libreyolo monitor — следить за запуском в браузере, libreyolo val — измерить результат.