libreyolo train

Cú pháp

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

Tham số là các cặp key=value, và dạng POSIX cũng dùng được, nên epochs=50 và --epochs 50 là cùng một tham số. Giá trị boolean nhận true và false: amp=false trở thành --no-amp ở những cờ có dạng phủ định.

Tham số

Mô hình và dữ liệu

Vòng lặp huấn luyện

Distillation

Optimizer

Scheduler

Tăng cường dữ liệu

EMA

Đánh giá trong lúc huấn luyện

Đầu ra

Cờ dành cho agent

Ví dụ

# coco8.yaml có sẵn trong gói và tự tải 8 ảnh của nó ở lần chạy đầu tiênlibreyolo train model=LibreYOLO9s.pt data=coco8.yaml epochs=10 imgsz=640 batch=8

# In ra cấu hình mà lần chạy sẽ dùng, gồm cả mặc định của family, rồi thoát# mà không huấn luyện hay nạp dữ liệulibreyolo 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

Ghi chú

Mặc định ở trên không phải lúc nào cũng là giá trị được dùng

Mỗi dòng mô hình (family) đều mang cấu hình huấn luyện riêng, và ở đâu cấu hình đó khác với cấu hình cơ sở, giá trị của nó sẽ thay thế mặc định của lệnh cho mọi tham số mà bạn không đặt tường minh. Tự đặt tham số thì luôn thắng. libreyolo cfg in ra các mặc định cơ sở và phần ghi đè theo từng family, đó là cách để xem một family cụ thể thực sự sẽ dùng gì.

imgsz là tham số mà điều này quan trọng nhất. Mặc định của lệnh là 640, vốn không phải đầu vào gốc của mọi checkpoint: các kích thước phát hiện đối tượng đã công bố của RF-DETR là 384, 512, 576 và 704, còn checkpoint YOLOX n và t là 416. RF-DETR và DEIMv2 được xử lý bằng cách chỉ chuyển tiếp imgsz khi nó được đặt tường minh, nên nếu không thì kích thước riêng của chúng vẫn giữ nguyên hiệu lực. Các family khác nhận đúng giá trị được đưa vào và huấn luyện ở kích thước đó. FOMO là trường hợp nghiêm ngặt: mỗi kích thước chỉ chấp nhận đầu vào gốc của nó (96, 192 và 224), nên một lần chạy FOMO cần đặt imgsz cho khớp, nếu không nó sẽ dừng với lỗi. RF-DETR còn yêu cầu giá trị phải chia hết cho patch size nhân với số lượng window của nó, và báo hai kích thước hợp lệ gần nhất khi giá trị không thỏa.

Những tham số mà family bỏ qua

Không phải family nào cũng đọc mọi tham số, và nhóm data augmentation là chỗ điều đó lộ rõ nhất. RF-DETR, D-FINE, DEIM, DEIMv2, RT-DETRv4 và DINOv2 huấn luyện qua các pipeline pass-through không có mosaic, không mixup và không biến đổi affine, nên mosaic, mixup, hsv_prob, degrees, translate, shear, mosaic_scale và mixup_scale không tác động tới đâu cả ở đó. EC dùng chung pipeline đó nhưng vẫn đọc hsv_prob, degrees và translate khi task của nó là pose. Các family phân loại bỏ qua nhóm đó trừ mixup, vốn là batch MixUp đối với chúng, và có đọc flip_prob. SegFormer, LingBot-Vision và NAFNet bỏ qua toàn bộ nhóm đó cùng với flip_prob, vì phép lật của chúng chạy ở một xác suất cố định chứ không cấu hình được. YOLO-NAS chỉ bỏ qua riêng mosaic, vì thay vào đó nó tăng cường bằng một phép affine trên từng mẫu luôn bật. RF-DETR bỏ qua thêm ba tham số nữa ngoài danh sách đó: optimizer, momentum và nesterov.

Đặt một trong số này không phải là lỗi. Lần chạy sẽ ghi ra stderr một dòng nêu tên family và các tham số nó sẽ bỏ qua, rồi huấn luyện, và dòng đó là danh sách chuẩn cho phiên bản đang cài. Nó cũng là tín hiệu duy nhất, nên một lần chạy trong script với quiet=true sẽ chặn luôn cảnh báo đó cùng mọi thứ khác trên stderr.

val=false là một trường hợp liên quan. Nó đặt eval_interval về 0, qua đó tắt việc đánh giá trong lúc huấn luyện, kể cả ở epoch cuối, và lần chạy không ghi ra best.pt.

Những hành vi khác đáng biết

lora=true được RF-DETR, D-FINE, DEIM, DEIMv2, RT-DETR v1, v2 và v4, EC, GTR và ConvNeXt chấp nhận. Mọi family khác sẽ thoát với config_unsupported thay vì huấn luyện mà không có nó.

clip_max_norm được chấp nhận ở những family có khai báo nó trong cấu hình huấn luyện: YOLOv9, YOLOv9-E2E và YOLOv9-P2, nơi mặc định là 10, cùng D-FINE, Dome-DETR, DEIM, DEIMv2, TinyFormer, RT-DETR, RT-DETRv2, RT-DETRv4, RF-DETR, DINOv2 và GTR, nơi mặc định là 0.1. Mọi family khác sẽ thoát với config_unsupported, và một giá trị âm hoặc không hữu hạn sẽ thoát với config_type_error.

device=0,1 dựng mô hình trên GPU đầu tiên trong danh sách và truyền danh sách đó cho train(), hàm này khởi chạy một tiến trình cho mỗi GPU. Xem huấn luyện multi-GPU.

RF-DETR không có chuyển đổi từ detect sang segment. task=segment với một checkpoint segment của RF-DETR sẽ nạp checkpoint đó bất kể tên tệp của nó, vì metadata của checkpoint quyết định task, còn một checkpoint phát hiện đối tượng sẽ dừng với một lỗi thay vì huấn luyện một mask head chưa được huấn luyện.

pretrained=false kết hợp với resume bị từ chối ở những family có hỗ trợ huấn luyện từ đầu, vì hai thứ này yêu cầu những điều trái ngược nhau.

mosaic và mixup là cách viết trên dòng lệnh của các trường cấu hình mosaic_prob và mixup_prob; trên một mô hình phân loại, mixup thay vào đó là batch MixUp. Ở những family mà mixup chỉ áp dụng cho các mẫu mosaic, mixup lớn hơn không đi cùng mosaic bằng không sẽ không bao giờ kích hoạt, và lần chạy sẽ báo như vậy.

dry_run=true phân giải tham chiếu mô hình, áp dụng mặc định của family, và in ra cấu hình mà nó sẽ dùng để huấn luyện. Nó không nạp dataset, nên đây là cách rẻ để xác nhận một tham số đã nhận đúng giá trị bạn mong đợi.

stdout mang đối tượng kết quả cuối cùng; tiến trình và cảnh báo đi ra stderr. Mã thoát là 0 khi thành công, 2 khi lỗi cách dùng hoặc cấu hình, 3 khi không tìm thấy hoặc không đọc được dataset, 4 khi không nạp được mô hình, và 1 cho các lỗi runtime khác.

Liên quan: libreyolo doctor để kiểm tra dataset trước khi bắt tay vào một lần chạy, libreyolo monitor để theo dõi lần chạy trên trình duyệt, libreyolo val để đo kết quả.