libreyolo train

Синопсис

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

Цикл навчання

Дистиляція

Оптимізатор

Планувальник

Аугментація

EMA

Валідація під час навчання

Вивід

Прапорці для агентів

Приклади

# 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

# 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

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 ігнорують цей набір, крім mixup, який для них означає пакетний MixUp, і читають flip_prob. SegFormer, LingBot-Vision 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. Він встановлює eval_interval у 0, що вимикає валідацію під час навчання, включно з останньою епохою, і запуск не записує best.pt.

Інша поведінка, яку варто знати

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

clip_max_norm приймають сімейства, у конфігурації навчання яких його оголошено: YOLOv9, YOLOv9-E2E і YOLOv9-P2, де типове значення 10, а також D-FINE, Dome-DETR, DEIM, DEIMv2, TinyFormer, RT-DETR, RT-DETRv2, RT-DETRv4, RF-DETR, DINOv2 і GTR, де типове значення 0.1. Будь-яке інше сімейство завершується з config_unsupported, а від'ємне значення або значення, що не є скінченним числом, завершується з config_type_error.

device=0,1 будує модель на першому GPU зі списку й передає список у train(), який запускає по одному процесу на кожен GPU. Див. навчання на кількох GPU.

RF-DETR не має перенесення з виявлення на сегментацію. task=segment з контрольною точкою сегментації RF-DETR завантажує цю контрольну точку незалежно від назви її файлу, бо завдання визначають метадані контрольної точки, а контрольна точка виявлення зупиняється з помилкою, замість навчати ненавчену голову масок.

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; для класифікаційної моделі mixup натомість означає пакетний MixUp. 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.