使用Ultralytics YOLO进行模型训练

Ultralytics YOLO生态系统及集成

引言

训练一个深度学习模型涉及向其提供数据并调整其参数，以便它能做出准确的预测。Ultralytics YOLO11的训练模式旨在有效且高效地训练目标检测模型，充分利用现代硬件能力。本指南旨在涵盖您开始使用YOLO11的强大功能集训练自己的模型所需的所有细节。

观看: 如何在Google Colab上使用自定义数据集训练YOLO模型。

为何选择Ultralytics YOLO进行训练？

以下是选择YOLO11训练模式的一些令人信服的理由：

效率: 充分利用您的硬件，无论是单GPU设置还是跨多GPU扩展。
多功能性: 除了像COCO、VOC和ImageNet这样的现成数据集外，还可以在自定义数据集上进行训练。
用户友好: 简单而强大的CLI和Python接口，提供直接的训练体验。
超参数灵活性: 广泛的定制化超参数，以微调模型性能。

训练模式的关键特性

以下是YOLO11训练模式的一些显著特性：

自动数据集下载: 标准数据集如COCO、VOC和ImageNet在首次使用时自动下载。
多GPU支持: 无缝扩展您的训练工作量到多个GPU，以加速过程。
超参数配置: 通过YAML配置文件或CLI参数修改超参数的选项。
可视化和监控: 实时跟踪训练指标和学习过程的可视化，以获得更好的洞察。

Tip

YOLO11数据集如COCO、VOC、ImageNet等在首次使用时自动下载，即yolo train data=coco.yaml

使用示例

在COCO8数据集上训练YOLO11n模型100个epoch，图像大小为640。训练设备可以通过device参数指定。如果没有传递参数，将使用可用的GPU device=0，否则将使用device='cpu'。请参阅下面的参数部分，了解完整的训练参数列表。

单GPU和CPU训练示例

设备是自动确定的。如果有GPU可用，则将使用它，否则训练将在CPU上开始。

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.yaml")  # 从YAML构建新模型
model = YOLO("yolo11n.pt")  # 加载预训练模型（推荐用于训练）
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # 从YAML构建并转移权重

# 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 从YAML构建新模型并开始从头训练
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# 从预训练的*.pt模型开始训练
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# 从YAML构建新模型，转移预训练权重并开始训练
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

多GPU训练

多GPU训练通过将训练负载分布到多个GPU上，更有效地利用可用硬件资源。此功能可通过Python API和命令行接口获得。要启用多GPU训练，请指定您希望使用的GPU设备ID。

多GPU训练示例

要使用2个GPU，CUDA设备0和1，请使用以下命令。根据需要扩展到其他GPU。

Python

```python from ultralytics import YOLO

加载模型

```python model = YOLO("yolo11n.pt") # 加载预训练模型（推荐用于训练）

使用2个GPU训练模型

results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1]) ```

CLI

```bash

从预训练的*.pt模型开始训练，使用GPU 0和1

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1 ```

Apple M1和M2 MPS训练

随着Ultralytics YOLO模型对Apple M1和M2芯片的支持，现在可以在使用Metal Performance Shaders（MPS）框架的设备上训练您的模型。MPS提供了一种高性能的方式，在Apple的自定义硅芯片上执行计算和图像处理任务。

要在Apple M1和M2芯片上启用训练，您应在启动训练过程时将'mps'指定为设备。以下是如何在Python和命令行中执行此操作的示例：

MPS训练示例

PythonCLI

```python from ultralytics import YOLO

加载模型

model = YOLO("yolo11n.pt") # 加载预训练模型（推荐用于训练）

使用MPS训练模型

results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps") ```

```bash

从预训练的*.pt模型开始训练，使用MPS

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps ```

在利用M1/M2芯片的计算能力的同时，这使得训练任务的处理更加高效。有关更详细的指导和高级配置选项，请参阅PyTorch MPS文档。

恢复中断的训练

从先前保存的状态恢复训练是处理深度学习模型时的一个关键功能。这在各种情况下非常有用，例如当训练过程意外中断时，或者当您希望使用新数据或更多时期继续训练模型时。

当恢复训练时，Ultralytics YOLO会从最后保存的模型加载权重，并恢复优化器状态、学习率调度器和时期编号。这使您能够无缝地从上次中断的地方继续训练过程。

您可以通过在调用train方法时将resume参数设置为True，并指定包含部分训练模型权重的.pt文件的路径，轻松地在Ultralytics YOLO中恢复训练。

以下是如何使用Python和命令行恢复中断训练的示例：

恢复训练示例

PythonCLI

```python from ultralytics import YOLO

加载模型

model = YOLO("path/to/last.pt") # 加载部分训练的模型

恢复训练

results = model.train(resume=True) ```

```bash

恢复中断的训练

yolo train resume model=path/to/last.pt ```

通过设置resume=True，train函数将从上次中断的地方继续训练，使用存储在'path/to/last.pt'文件中的状态。如果省略resume参数或设置为False，train函数将开始一个新的训练会话。

请记住，默认情况下，检查点在每个时期结束时保存，或者使用save_period参数以固定间隔保存，因此您必须至少完成1个时期才能恢复训练运行。

训练设置

YOLO模型的训练设置包括在训练过程中使用的各种超参数和配置。这些设置影响模型的性能、速度和准确性。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外，优化器的选择、损失函数和训练数据集的组成也会影响训练过程。仔细调整和实验这些设置对于优化性能至关重要。

参数	默认值	描述
`model`	`None`	指定用于训练的模型文件。接受一个指向 `.pt` 预训练模型或 `.yaml` 配置文件的路径。对于定义模型结构或初始化权重是必不可少的。
`data`	`None`	数据集配置文件的路径（例如，`coco8.yaml`）。该文件包含数据集特定的参数，包括训练和验证数据的路径、类别名称和类别数量。
`epochs`	`100`	训练的总轮数。每个轮次代表对整个数据集的一次完整遍历。调整此值会影响训练时长和模型性能。
`time`	`None`	最大训练时间，以小时为单位。如果设置，此参数将覆盖 `epochs` 参数，允许训练在指定时长后自动停止。适用于时间受限的训练场景。
`patience`	`100`	在验证指标没有改善的情况下等待的轮次数，之后将提前停止训练。通过在性能停滞时停止训练，有助于防止过拟合。
`batch`	`16`	批量大小，有三种模式：设置为整数（例如，`batch=16`），自动模式以60%的GPU内存利用率（`batch=-1`），或指定利用率分数的自动模式（`batch=0.70`）。
`imgsz`	`640`	训练的目标图像尺寸。所有图像在输入模型前都会被调整为该尺寸。影响模型的准确性和计算复杂度。
`save`	`True`	启用保存训练检查点和最终模型权重。对于恢复训练或模型部署很有用。
`save_period`	`-1`	保存模型检查点的频率，以轮次为单位。值为-1时禁用此功能。对于在长时间训练过程中保存中间模型很有用。
`cache`	`False`	启用数据集图像的缓存，可以选择内存缓存（`True`/`ram`）、磁盘缓存（`disk`）或禁用缓存（`False`）。通过减少磁盘I/O来提高训练速度，但会增加内存使用量。
`device`	`None`	指定用于训练的计算设备：单个GPU（`device=0`）、多个GPU（`device=0,1`）、CPU（`device=cpu`）或适用于Apple硅芯片的MPS（`device=mps`）。
`workers`	`8`	数据加载的辅助线程数（如果是多GPU训练，则为每个`RANK`）。影响数据预处理和输入模型的速度，特别是在多GPU设置中特别有用。
`project`	`None`	保存训练输出的项目目录名称。便于组织不同实验的存储。
`name`	`None`	训练运行的名称。用于在项目文件夹内创建子目录，训练日志和输出将存储在该子目录中。
`exist_ok`	`False`	如果为True，允许覆盖现有的项目/名称目录。对于无需手动清除先前输出的迭代实验很有用。
`pretrained`	`True`	确定是否从预训练模型开始训练。可以是布尔值或指向特定模型的字符串路径，以加载权重。提高训练效率和模型性能。
`optimizer`	`'auto'`	训练时选择的优化器。选项包括 `SGD`、`Adam`、`AdamW`、`NAdam`、`RAdam`、`RMSProp` 等，或 `auto` 根据模型配置自动选择。影响收敛速度和稳定性。
`verbose`	`False`	在训练期间启用详细输出，提供详细的日志和进度更新。有助于调试和密切监控训练过程。
`seed`	`0`	设置训练的随机种子，确保在相同配置下运行的结果可重复。
`deterministic`	`True`	强制使用确定性算法，确保结果可重复，但由于限制了非确定性算法的使用，可能会影响性能和速度。
`single_cls`	`False`	在训练期间将多类数据集中的所有类视为单个类。适用于二分类任务或当关注对象存在而非分类时。
`rect`	`False`	启用矩形训练，优化批次组成以最小化填充。可以提高效率和速度，但可能会影响模型准确性。
`cos_lr`	`False`	使用余弦学习率调度器，在epochs期间根据余弦曲线调整学习率。有助于更好地管理学习率以实现更好的收敛。
`close_mosaic`	`10`	在最后N个epochs禁用马赛克数据增强以在完成前稳定训练。设置为0禁用此功能。
`resume`	`False`	从最后一个保存的检查点恢复训练。自动加载模型权重、优化器状态和epoch计数，无缝继续训练。
`amp`	`True`	启用自动混合精度（AMP）训练，减少内存使用并可能通过最小化对准确性的影响来加速训练。
`fraction`	`1.0`	指定用于训练的数据集的比例。允许在完整数据集的子集上进行训练，适用于实验或资源有限时。
`profile`	`False`	在训练期间启用ONNX和TensorRT速度的分析，有助于优化模型部署。
`freeze`	`None`	冻结模型的前N层或通过索引指定的层，减少可训练参数的数量。适用于微调或迁移学习。
`lr0`	`0.01`	初始学习率（即 `SGD=1E-2`，`Adam=1E-3`）。调整此值对优化过程至关重要，影响模型权重更新的速度。
`lrf`	`0.01`	最终学习率作为初始率的分数 = (`lr0 * lrf`)，与调度器结合使用以随时间调整学习率。
`momentum`	`0.937`	SGD的动量因子或Adam优化器的beta1，影响当前更新中过去梯度的整合。
`weight_decay`	`0.0005`	L2 正则化项，惩罚大权重以防止过拟合。
`warmup_epochs`	`3.0`	学习率预热期数，逐渐将学习率从低值增加到初始学习率，以在训练初期稳定训练。
`warmup_momentum`	`0.8`	预热阶段的初始动量，在预热期间逐渐调整到设定的动量。
`warmup_bias_lr`	`0.1`	预热阶段偏置参数的学习率，有助于在初始时期稳定模型训练。
`box`	`7.5`	损失函数中边界框损失分量的权重，影响对边界框坐标准确预测的重视程度。
`cls`	`0.5`	总损失函数中分类损失的权重，影响相对于其他分量的正确类别预测的重要性。
`dfl`	`1.5`	分布焦点损失的权重，用于某些YOLO版本的细粒度分类。
`pose`	`12.0`	姿态估计模型中姿态损失的权重，影响对准确预测姿态关键点的重视程度。
`kobj`	`2.0`	姿态估计模型中关键点目标性损失的权重，平衡检测置信度与姿态准确性。
`label_smoothing`	`0.0`	应用标签平滑，将硬标签软化为目标标签与均匀分布标签的混合，可以改善泛化能力。
`nbs`	`64`	损失归一化的名义批次大小。
`overlap_mask`	`True`	确定在训练期间分割掩码是否应重叠，适用于实例分割任务。
`mask_ratio`	`4`	分割掩码的下采样比率，影响训练期间使用的掩码分辨率。
`dropout`	`0.0`	分类任务中用于正则化的丢弃率，通过在训练期间随机忽略单元来防止过拟合。
`val`	`True`	在训练期间启用验证，允许在单独的数据集上定期评估模型性能。
`plots`	`False`	生成并保存训练和验证指标的图表，以及预测示例，提供对模型性能和学习进展的视觉洞察。

关于批量大小设置的说明

batch参数可以通过三种方式配置：

固定批量大小：设置一个整数值（例如，batch=16），直接指定每批图像的数量。
自动模式（60% GPU内存）：使用batch=-1自动调整批量大小，以大约60%的CUDA内存利用率。
自动模式与利用率分数：设置一个分数值（例如，batch=0.70），根据指定的GPU内存使用分数调整批量大小。

增强设置和超参数

增强技术通过在训练数据中引入多样性，对于提升YOLO模型的鲁棒性和性能至关重要，有助于模型更好地泛化到未见过的数据。下表概述了每个增强参数的目的和效果：

参数	类型	默认值	范围	描述
`hsv_h`	`float`	`0.015`	`0.0 - 1.0`	通过色轮的一定比例调整图像的色调，引入颜色变化。有助于模型在不同光照条件下泛化。
`hsv_s`	`float`	`0.7`	`0.0 - 1.0`	通过一定比例改变图像的饱和度，影响颜色的强度。用于模拟不同的环境条件。
`hsv_v`	`float`	`0.4`	`0.0 - 1.0`	通过一定比例修改图像的亮度，帮助模型在各种光照条件下表现良好。
`degrees`	`float`	`0.0`	`-180 - +180`	在指定角度范围内随机旋转图像，提高模型识别不同方向物体的能力。
`translate`	`float`	`0.1`	`0.0 - 1.0`	通过图像尺寸的一定比例水平和垂直平移图像，有助于学习检测部分可见的物体。
`scale`	`float`	`0.5`	`>=0.0`	通过增益因子缩放图像，模拟物体与摄像机的不同距离。
`shear`	`float`	`0.0`	`-180 - +180`	通过指定角度剪切图像，模拟物体从不同角度观看的效果。
`perspective`	`float`	`0.0`	`0.0 - 0.001`	对图像应用随机透视变换，增强模型理解3D空间中物体的能力。
`flipud`	`float`	`0.0`	`0.0 - 1.0`	以指定概率上下翻转图像，增加数据多样性而不影响物体的特征。
`fliplr`	`float`	`0.5`	`0.0 - 1.0`	以指定概率左右翻转图像，有助于学习对称物体并增加数据集的多样性。
`bgr`	`float`	`0.0`	`0.0 - 1.0`	以指定概率将图像通道从RGB翻转为BGR，有助于增加对错误通道顺序的鲁棒性。
`mosaic`	`float`	`1.0`	`0.0 - 1.0`	将四张训练图像组合成一张，模拟不同的场景组合和物体交互。对复杂场景理解非常有效。
`mixup`	`float`	`0.0`	`0.0 - 1.0`	混合两张图像及其标签，创建合成图像。通过引入标签噪声和视觉多样性，增强模型的泛化能力。
`copy_paste`	`float`	`0.0`	`0.0 - 1.0`	从一张图像中复制物体并粘贴到另一张图像上，有助于增加物体实例并学习物体遮挡。
`copy_paste_mode`	`str`	`flip`	-	选择Copy-Paste增强方法，选项包括(`"flip"`, `"mixup"`)。
`auto_augment`	`str`	`randaugment`	-	自动应用预定义的增强策略（`randaugment`, `autoaugment`, `augmix`），通过多样化视觉特征优化分类任务。
`erasing`	`float`	`0.4`	`0.0 - 0.9`	在分类训练期间随机擦除图像的一部分，鼓励模型关注不太明显的特征以进行识别。
`crop_fraction`	`float`	`1.0`	`0.1 - 1.0`	将分类图像裁剪到其尺寸的一定比例，以强调中心特征并适应物体尺度，减少背景干扰。

这些设置可以根据当前数据集和任务的具体需求进行调整。通过尝试不同的值，可以帮助找到最优的增强策略，从而达到最佳的模型性能。

Info

有关训练增强操作的更多信息，请参阅参考部分。

日志记录

在训练YOLO11模型时，您可能会发现跟踪模型随时间的表现非常有价值。这就是日志记录的作用。Ultralytics的YOLO支持三种类型的日志记录器——Comet、ClearML和TensorBoard。

要使用日志记录器，请从上面的代码片段中的下拉菜单中选择它并运行。所选的日志记录器将被安装和初始化。

Comet

Comet是一个平台，允许数据科学家和开发者跟踪、比较、解释和优化实验和模型。它提供了实时指标、代码差异和超参数跟踪等功能。

要使用Comet：

Example

Python

```python

pip install comet_ml

import comet_ml

comet_ml.init() ```

请记住在Comet网站上登录您的账户并获取您的API密钥。您需要将此添加到您的环境变量或脚本中以记录您的实验。

ClearML

ClearML是一个开源平台，自动跟踪实验并帮助高效共享资源。它旨在帮助团队更高效地管理、执行和重现其ML工作。

要使用ClearML：

Example

Python

```python

pip install clearml

import clearml

clearml.browser_login() ```

运行此脚本后，您需要在浏览器中登录您的ClearML账户并验证您的会话。

TensorBoard

TensorBoard是TensorFlow的可视化工具包。它允许您可视化TensorFlow图，绘制关于图执行的定量指标，并显示通过它的其他数据，如图像。

要在Google Colab中使用TensorBoard：

Example

CLI

bash load_ext tensorboard tensorboard --logdir ultralytics/runs # 替换为'runs'目录

要在本地使用TensorBoard，运行以下命令并在http://localhost:6006/查看结果。

Example

CLI

bash tensorboard --logdir ultralytics/runs # 替换为'runs'目录

这将加载TensorBoard并将其指向保存训练日志的目录。

设置好日志记录器后，您可以继续进行模型训练。所有训练指标将自动记录在您选择的平台上，您可以访问这些日志以监控模型随时间的表现，比较不同模型，并识别改进的领域。

常见问题

如何使用Ultralytics YOLO11训练一个目标检测模型？

要使用Ultralytics YOLO11训练一个目标检测模型，您可以使用Python API或CLI。以下是两者的示例：

单GPU和CPU训练示例

PythonCLI

```python from ultralytics import YOLO

加载模型

model = YOLO("yolo11n.pt") # 加载预训练模型（推荐用于训练）

训练模型

results = model.train(data="coco8.yaml", epochs=100, imgsz=640) ```

bash yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

更多详情，请参阅训练设置部分。

Ultralytics YOLO11的训练模式有哪些关键特性？

Ultralytics YOLO11的训练模式的关键特性包括：

自动数据集下载：自动下载标准数据集，如COCO、VOC和ImageNet。
多GPU支持：跨多个GPU扩展训练以加快处理速度。
超参数配置：通过YAML文件或CLI参数自定义超参数。
可视化和监控：实时跟踪训练指标以获得更好的洞察。这些功能使得训练高效且可根据您的需求进行定制。更多详情，请参阅训练模式的关键特性部分。

如何在Ultralytics YOLO11中从被打断的会话恢复训练？

要从被打断的会话恢复训练，请将resume参数设置为True，并指定到最后保存的检查点的路径。

恢复训练示例

PythonCLI

```python from ultralytics import YOLO

加载部分训练的模型

model = YOLO("path/to/last.pt")

恢复训练

results = model.train(resume=True) ```

bash yolo train resume model=path/to/last.pt

更多信息请查看恢复中断的训练部分。

我可以在Apple M1和M2芯片上训练YOLO11模型吗？

是的，Ultralytics YOLO11支持在Apple M1和M2芯片上利用Metal Performance Shaders（MPS）框架进行训练。请将'mps'指定为您的训练设备。

MPS训练示例

PythonCLI

```python from ultralytics import YOLO

加载预训练模型

model = YOLO("yolo11n.pt")

在M1/M2芯片上训练模型

results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps") ```

bash yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

更多详情，请参阅Apple M1和M2 MPS训练部分。

常见的训练设置有哪些，我该如何配置它们？

Ultralytics YOLO11允许您通过参数配置各种训练设置，如批量大小、学习率、周期等。以下是简要概述：

参数	默认值	描述
`model`	`None`	用于训练的模型文件路径。
`data`	`None`	数据集配置文件路径（例如，`coco8.yaml`）。
`epochs`	`100`	训练的总周期数。
`batch`	`16`	批量大小，可调整为整数或自动模式。
`imgsz`	`640`	训练的目标图像大小。
`device`	`None`	用于训练的计算设备，如`cpu`、`0`、`0,1`或`mps`。
`save`	`True`	启用保存训练检查点和最终模型权重。