3.2 使用 Ultralytics YOLO 进行模型训练

---

前言：

这一部分在我看来就是他们公司推销自己了 

---

3.2 使用 Ultralytics YOLO 进行模型训练

Ultralytics YOLO 生态系统和集成

引言

训练深度学习模型的过程包括向模型提供数据并调整其参数，以便其能够做出准确的预测。Ultralytics YOLO11 的 Train 模式专为高效训练目标检测模型而设计，充分利用现代硬件的能力。本指南旨在涵盖使用 YOLO11 训练模型所需的所有详细信息。

为什么选择 Ultralytics YOLO 进行训练？

以下是选择 YOLO11 Train 模式的一些令人信服的理由：

• 高效性：无论是在单 GPU 环境还是在多 GPU 环境下，YOLO11 都能最大限度地发挥硬件的性能。

• 多样性：可以使用自定义数据集进行训练，也可以使用 COCO、VOC、ImageNet 等常用数据集。

• 用户友好：提供简单且强大的 CLI 和 Python 接口，便于进行训练。

• 超参数灵活性：支持广泛的超参数自定义，以优化模型性能。

Train 模式的主要功能

以下是 YOLO11 Train 模式的一些显著功能：

• 自动数据集下载：COCO、VOC、ImageNet 等标准数据集在首次使用时会自动下载。

• 多 GPU 支持：可以无缝扩展训练到多个 GPU，以加速训练过程。

• 超参数配置：可以通过 YAML 配置文件或 CLI 参数来修改超参数。

• 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。

提示：YOLO11 的数据集（如 COCO、VOC、ImageNet 等）在首次使用时会自动下载，例如 yolo train data=coco.yaml。

使用示例

在 COCO8 数据集上训练 YOLO11n，进行 100 个 epoch，图像大小为 640。可以使用 device 参数指定训练设备。如果没有传递该参数，系统会自动选择可用的 GPU，否则会使用 CPU。

单 GPU 和 CPU 训练示例

如果有 GPU 可用，训练将自动使用 GPU，否则将使用 CPU。

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 构建并传递权重

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

多 GPU 训练

多 GPU 训练通过在多个 GPU 之间分配训练负载，更高效地利用可用的硬件资源。可以通过 Python API 和命令行界面启用此功能。指定要使用的 GPU 设备 ID 即可启用多 GPU 训练。

多 GPU 训练示例

使用两个 GPU（CUDA 设备 0 和 1）进行训练的示例：

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）

# 使用两个 GPU 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

Apple M1 和 M2 MPS 训练

Ultralytics YOLO 模型现已支持 Apple M1 和 M2 芯片，允许在利用 Metal Performance Shaders (MPS) 框架的设备上进行模型训练。MPS 提供了一种高性能的方法，在苹果自定义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，只需在训练过程中将设备指定为 "mps"。

MPS 训练示例

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")

恢复中断的训练

从之前保存的状态恢复训练是深度学习模型训练中的一项重要功能。在训练过程意外中断时，或者希望使用新数据或进行更多 epoch 来继续训练时，此功能非常有用。

恢复训练时，Ultralytics YOLO 会加载上次保存的模型权重，并恢复优化器状态、学习率调度器和 epoch 号，从而无缝继续训练过程。

恢复训练示例

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)

通过设置 resume=True，训练函数将继续从上次保存的状态开始训练。

训练设置

YOLO 模型的训练设置包括各种超参数和训练过程中使用的配置。这些设置会影响模型的性能、速度和精度。关键的训练设置包括批量大小、学习率、动量和权重衰减等。选择合适的优化器、损失函数以及训练数据集的构成对于优化模型性能至关重要。

有关详细的训练设置和参数的使用说明，请参阅 Ultralytics 官方文档。

FAQ

如何使用 Ultralytics YOLO11 训练目标检测模型？

可以使用 Python API 或命令行接口进行训练，以下是单 GPU 和 CPU 的训练示例：

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)

YOLO11 Train 模式的主要功能有哪些？

• 自动数据集下载：首次使用时自动下载 COCO、VOC、ImageNet 等标准数据集。

• 多 GPU 支持：可扩展训练到多个 GPU，以加快训练速度。

• 超参数配置：可以通过 YAML 文件或命令行参数自定义超参数。

• 可视化和监控：实时跟踪训练指标，以获得更好的洞察。

如何恢复中断的训练？

要恢复中断的训练，设置 resume=True 并指定上次保存的检查点路径。

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)

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 芯片上进行训练，只需将设备指定为 "mps"。

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")

常见的训练设置有哪些，如何配置它们？

Ultralytics YOLO11 允许通过参数配置各种训练设置，例如批量大小、学习率、epoch 等。

参数	默认值	描述
model	None	模型文件路径，用于训练。
data	None	数据集配置文件路径（例如 coco8.yaml）。
epochs	100	总训练 epoch 数。
batch	16	批量大小，可调整为整数或自动模式。
imgsz	640	训练目标图像大小。
device	None	用于训练的设备，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。

更多训练设置的详细指南，请参阅相关的 Ultralytics 官方文档。