libreyolo train

Навчає одну модель на одному датасеті та записує контрольні точки, метрики й логи в каталог запуску. Кожен аргумент нижче має типове значення з визначення команди, яке може замінити власна конфігурація навчання сімейства моделей.

Команда: libreyolo train
Обов'язково: data
Результат: Контрольні точки, метрики й логи в runs/train/exp

Синопсис

bash

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

Аргументи задаються парами key=value, і POSIX-форма теж працює, тому epochs=50 і --epochs 50 означають той самий аргумент. Логічні значення приймають true і false: amp=false перетворюється на --no-amp там, де прапорець має заперечну форму.

Аргументи

Модель і дані

Аргумент	Типове значення	Опис
`data`		Шлях до YAML датасету (формат YOLO, напр. `coco8.yaml`). Обов'язковий
`model`	`yolox-s`	Назва моделі або шлях до ваг
`task`		Явне перевизначення задачі: `detect`, `segment`, `semantic`, `pose`, `classify`, `gaze`, `obb`, `point`, `depth`
`pretrained`	`true`	Використовувати попередньо навчені ваги. `false` будує архітектуру й навчає з нуля
`allow_download_scripts`	`false`	Дозволити вбудований Python у блоках завантаження в YAML датасету

Цикл навчання

Аргумент	Типове значення	Опис
`epochs`	`300`	Епохи навчання
`batch`	`16`	Розмір батча на пристрій
`imgsz`	`640`	Розмір зображення для навчання: `640` (квадрат) або `480x640` (HxW)
`device`	`auto`	Пристрій: `0`, `cpu`, `mps`, `auto`
`workers`	`4`	Робочі процеси завантажувача даних
`cache`	`false`	Кешувати зображення, щоб прискорити завантаження даних: `ram`, `disk`, `true`, `false`
`seed`	`0`	Випадкове зерно
`resume`		Продовжити навчання: `true` або шлях до контрольної точки
`amp`	`true`	Автоматична змішана точність
`amp_dtype`	`float16`	Тип даних CUDA AMP: `float16` або `bfloat16`
`cuda_graph`	`false`	Захоплювати прямий і зворотний проходи навчання у графи CUDA. Лише один GPU й лише підтримувані сімейства; решта працює в режимі eager
`lora`	`false`	Донавчання LoRA для трансформерних сімейств, перелічених у розділі «Примітки»
`freeze`		Заморозити шари: ціла кількість, список індексів або назви модулів

Дистиляція

Аргумент	Типове значення	Опис
`distill_model`		Учитель: контрольна точка детектора або ідентифікатор фундаментального вчителя, наприклад `dinov2`, для дистиляції ознак бекбона
`dis`		Вага функції втрат дистиляції. Якщо не задано, діє опубліковане типове значення для цього типу втрат
`distill_loss_type`	`mgd`	Втрати на ознаках для вчителів-детекторів: `mgd`, `cwd`. Фундаментальні вчителі завжди використовують `feat_mse`

Оптимізатор

Аргумент	Типове значення	Опис
`optimizer`	`sgd`	Оптимізатор: `sgd`, `adam`, `adamw`
`lr0`	`0.01`	Початкова швидкість навчання
`momentum`	`0.937`	Момент SGD і коефіцієнт першого моменту для оптимізаторів Adam
`weight_decay`	`0.0005`	L2-регуляризація
`nesterov`	`true`	Момент Нестерова

Планувальник

Аргумент	Типове значення	Опис
`scheduler`	`yoloxwarmcos`	Тип розкладу LR
`warmup_epochs`	`5`	Тривалість розігріву
`warmup_lr_start`	`0.0`	Початковий LR розігріву
`min_lr_ratio`	`0.05`	Мінімальне співвідношення LR
`lr_drop`	`100`	Епоха ступінчастого зниження LR для RF-DETR

Аугментація

Аргумент	Типове значення	Опис
`mosaic`	`1.0`	Імовірність mosaic
`mixup`	`1.0`	Імовірність mixup
`hsv_prob`	`1.0`	Імовірність HSV-джитера
`flip_prob`	`0.5`	Імовірність горизонтального віддзеркалення
`degrees`	`10.0`	Діапазон обертання, плюс і мінус, у градусах
`translate`	`0.1`	Коефіцієнт зсуву
`shear`	`2.0`	Кут скошування
`mosaic_scale`	`(0.1,2.0)`	Діапазон масштабу mosaic
`mixup_scale`	`(0.5,1.5)`	Діапазон масштабу mixup
`no_aug_epochs`	`15`	Вимкнути аугментацію на останні N епох

EMA

Аргумент	Типове значення	Опис
`ema`	`true`	Експоненційне ковзне середнє
`ema_decay`	`0.9998`	Коефіцієнт згасання EMA

Валідація під час навчання

Аргумент	Типове значення	Опис
`val`	`true`	Валідувати під час навчання
`eval_interval`	`10`	Валідувати кожні N епох
`max_det`	`300`	Максимум передбачень на зображення після NMS у валідації
`eval_max_det`		Обмеження оцінювача COCO. Якщо не задано, діє домовленість pycocotools AP@100
`faster_coco_eval`	`true`	Використовувати C++-бекенд faster-coco-eval для метрик COCO, якщо його встановлено; інакше повертається до pycocotools
`save_plots`	`false`	Зберігати підсумкові графіки валідації під час навчання
`patience`	`50`	Терпіння ранньої зупинки. `0` вимикає її

Вивід

Аргумент	Типове значення	Опис
`project`	`runs/train`	Корінь каталогу виводу
`name`	`exp`	Назва експерименту
`exist_ok`	`false`	Повторно використати наявний каталог виводу
`save_period`	`10`	Зберігати контрольну точку кожні N епох
`log_interval`	`10`	Записувати втрати в лог кожні N батчів

Прапорці для агентів

Аргумент	Типове значення	Опис
`json`	`false`	Вивід JSON у stdout
`quiet`	`false`	Придушити stderr
`dry_run`	`false`	Визначити й надрукувати конфігурацію без виконання
`help_json`	`false`	Вивести схему команди як JSON і вийти

Приклади

Базовий

# coco8.yaml постачається разом з пакетом і завантажує свої 8 зображень при першому використанні.libreyolo train model=LibreYOLO9s.pt data=coco8.yaml epochs=10 imgsz=640 batch=8

Спочатку перевірити підсумкову конфігурацію

# Друкує те, що використає запуск, включно з типовими значеннями сімейства,# і завершується без навчання та завантаження даних.libreyolo train model=LibreDFINEn.pt data=coco8.yaml epochs=10 dry_run=true

Іменований запуск з явним рецептом

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

Примітки

Наведені вище типові значення використовуються не завжди

Кожне сімейство моделей несе власну конфігурацію навчання, і там, де вона відрізняється від базової, її значення замінює типове значення команди для будь-якого аргументу, який ви не задали явно. Якщо ви задаєте аргумент самі, перемагає ваше значення. libreyolo cfg друкує базові типові значення та перевизначення для кожного сімейства, і саме так можна побачити, що конкретне сімейство використає насправді.

Найбільше це стосується imgsz. Типове значення команди дорівнює 640, і воно не збігається з рідним входом кожної контрольної точки: опубліковані розміри виявлення для RF-DETR становлять 384, 512, 576 і 704, а контрольні точки YOLOX n і t працюють на 416. Для RF-DETR і DEIMv2 imgsz передається далі лише тоді, коли його задано явно, тож інакше залишається чинним їхній власний розмір. Іншим сімействам значення передається як є, і вони навчаються саме на ньому. Найсуворіше поводиться FOMO: кожен розмір приймає лише свій рідний вхід (96, 192 і 224), тому для запуску FOMO потрібно задати відповідний imgsz, інакше запуск зупиняється з помилкою. RF-DETR додатково вимагає, щоб значення ділилося на розмір патча, помножений на кількість вікон, і повідомляє два найближчі допустимі розміри, коли це не так.

Аргументи, які сімейство ігнорує

Не кожне сімейство читає кожен аргумент, і найпомітніше це на аугментаційних. RF-DETR, D-FINE, DEIM, DEIMv2, RT-DETRv4 і DINOv2 навчаються через наскрізні пайплайни без mosaic, без mixup і без афінного викривлення, тому mosaic, mixup, hsv_prob, degrees, translate, shear, mosaic_scale і mixup_scale там ні на що не впливають. EC використовує той самий пайплайн, але все ж читає hsv_prob, degrees і translate, коли працює із задачею оцінювання пози. Класифікаційні сімейства, SegFormer і NAFNet ігнорують увесь цей набір, а разом з ним і flip_prob, бо їхнє віддзеркалення виконується з фіксованою, а не з налаштовуваною ймовірністю. YOLO-NAS ігнорує лише mosaic, оскільки замість нього аугментує завжди увімкненим афінним перетворенням для кожного зразка. RF-DETR ігнорує ще три понад цей список: optimizer, momentum і nesterov.

Задати один з них не є помилкою. Запуск виводить у stderr рядок з назвою сімейства та аргументами, які він проігнорує, потім навчає, і саме цей рядок дає авторитетний список для встановленої версії. Він також є єдиним сигналом, тому скриптовий запуск із quiet=true придушує це попередження разом з усім іншим у stderr.

Схожим чином поводиться val=false. Для більшості сімейств він встановлює eval_interval у 0; RF-DETR не може так вимкнути валідацію й повідомляє, що проігнорував запит.

Інша поведінка, яку варто знати

lora=true приймають RF-DETR, D-FINE, DEIM, DEIMv2, RT-DETR v1, v2 і v4, EC та ConvNeXt. Будь-яке інше сімейство завершується з config_unsupported, замість навчатися без нього.

pretrained=false у поєднанні з resume відхиляється для сімейств, які підтримують навчання з нуля, оскільки ці два аргументи вимагають протилежного.

mosaic і mixup пишуться так у командному рядку, а в конфігурації їм відповідають поля mosaic_prob і mixup_prob. У сімействах, де mixup застосовується лише до зразків mosaic, mixup більший за нуль із mosaic на нулі ніколи не спрацьовує, і запуск про це повідомляє.

dry_run=true визначає посилання на модель, застосовує типові значення сімейства й друкує конфігурацію, з якою відбувалося б навчання. Він не завантажує датасет, тому це дешевий спосіб переконатися, що аргумент отримав очікуване значення.

stdout несе підсумковий об'єкт результату; прогрес і попередження йдуть у stderr. Код виходу дорівнює 0 в разі успіху, 2 у разі помилки використання або конфігурації, 3, коли датасет не вдається знайти чи прочитати, 4, коли не вдається завантажити модель, і 1 для інших збоїв під час виконання.

Пов'язане: libreyolo doctor, щоб перевірити датасет перед запуском, libreyolo monitor, щоб стежити за запуском у браузері, libreyolo val, щоб виміряти результат.