--- comments: true description: Пошаговое руководство по обучению моделей YOLOv8 с использованием Ultralytics YOLO, включая примеры обучения на одном и нескольких GPU keywords: Ultralytics, YOLOv8, YOLO, обнаружение объектов, режим обучения, настраиваемый набор данных, обучение на GPU, много-GPU, гиперпараметры, примеры CLI, примеры Python --- # Обучение моделей с помощью Ultralytics YOLO Экосистема и интеграции Ultralytics YOLO ## Введение Обучение глубокой обучающей модели включает в себя подачу данных и настройку её параметров, так чтобы она могла делать точные прогнозы. Режим обучения в Ultralytics YOLOv8 предназначен для эффективного и результативного обучения моделей обнаружения объектов с полным использованием возможностей современной аппаратуры. Это руководство нацелено на описание всех деталей, необходимых для начала обучения ваших моделей с использованием богатого набора функций YOLOv8.



Смотреть: Как обучить модель YOLOv8 на вашем настраиваемом наборе данных в Google Colab.

## Почему стоит выбрать Ultralytics YOLO для обучения? Вот несколько убедительных причин использовать режим Train YOLOv8: - **Эффективность:** Используйте максимум возможностей вашего оборудования, будь то настройка с одним GPU или распределение нагрузки на несколько GPU. - **Универсальность:** Обучайте на настраиваемых наборах данных, помимо уже доступных, таких как COCO, VOC и ImageNet. - **Дружелюбный интерфейс:** Простой, но мощный интерфейс командной строки (CLI) и Python для прямолинейного опыта обучения. - **Гибкость гиперпараметров:** Широкий спектр настраиваемых гиперпараметров для тонкой настройки производительности модели. ### Ключевые особенности режима Train Вот некоторые заметные особенности режима Train YOLOv8: - **Автоматическая загрузка набора данных:** Стандартные наборы данных, такие как COCO, VOC и ImageNet, загружаются автоматически при первом использовании. - **Поддержка многих GPU:** Масштабируйте усилия по обучению без проблем на нескольких GPU, чтобы ускорить процесс. - **Настройка гиперпараметров:** Возможность изменения гиперпараметров через файлы конфигурации YAML или аргументы CLI. - **Визуализация и мониторинг:** Отслеживание метрик обучения в реальном времени и визуализация процесса обучения для лучшего понимания. !!! Tip "Совет" * Наборы данных YOLOv8, такие как COCO, VOC, ImageNet и многие другие, автоматически загружаются при первом использовании, например, `yolo train data=coco.yaml` ## Примеры использования Обучение YOLOv8n на наборе данных COCO128 в течение 100 эпох с размером изображения 640. Устройство для обучения может быть указано с помощью аргумента `device`. Если аргумент не передан, будет использоваться GPU `device=0`, если доступен, в противном случае будет использоваться `device=cpu`. Смотрите раздел Аргументы ниже для полного списка аргументов обучения. !!! Example "Пример обучения на одном GPU и CPU" Устройство определяется автоматически. Если доступен GPU, то он будет использован, иначе обучение начнется на CPU. === "Python" ```python from ultralytics import YOLO # Загрузить модель model = YOLO('yolov8n.yaml') # создать новую модель из YAML model = YOLO('yolov8n.pt') # загрузить предобученную модель (рекомендуется для обучения) model = YOLO('yolov8n.yaml').load('yolov8n.pt') # создать из YAML и перенести веса # Обучить модель results = model.train(data='coco128.yaml', epochs=100, imgsz=640) ``` === "CLI" ```bash # Создать новую модель из YAML и начать обучение с нуля yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640 # Начать обучение с предобученной модели *.pt yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 # Создать новую модель из YAML, перенести предобученные веса и начать обучение yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640 ``` ### Обучение на нескольких GPU Обучение на нескольких GPU позволяет более эффективно использовать доступные аппаратные ресурсы, распределяя нагрузку по обучению на несколько GPU. Эта функция доступна как через Python API, так и через командный интерфейс. Чтобы включить обучение на нескольких GPU, укажите идентификаторы устройств GPU, которые вы хотите использовать. !!! Example "Пример обучения на нескольких GPU" Чтобы обучить с использованием 2 GPU, устройств CUDA 0 и 1 используйте следующие команды. Расширьте до дополнительных GPU по мере необходимости. === "Python" ```python from ultralytics import YOLO # Загрузить модель model = YOLO('yolov8n.pt') # загрузить предобученную модель (рекомендуется для обучения) # Обучить модель с использованием 2 GPU results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device=[0, 1]) ``` === "CLI" ```bash # Начать обучение с предобученной модели *.pt используя GPU 0 и 1 yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1 ``` ### Обучение на Apple M1 и M2 с использованием MPS С интеграцией поддержки чипов Apple M1 и M2 в модели Ultralytics YOLO теперь можно обучать ваши модели на устройствах, использующих мощную платформу Metal Performance Shaders (MPS). MPS предлагает производительный способ выполнения вычислений и задач обработки изображений на пользовательских кремниевых чипах Apple. Чтобы запустить обучение на чипах Apple M1 и M2, вы должны указать 'mps' в качестве вашего устройства при запуске процесса обучения. Ниже приведены примеры использования Python и командной строки: !!! Example "Пример обучения с MPS" === "Python" ```python from ultralytics import YOLO # Загрузить модель model = YOLO('yolov8n.pt') # загрузить предобученную модель (рекомендуется для обучения) # Обучить модель с использованием MPS results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device='mps') ``` === "CLI" ```bash # Начать обучение с предобученной модели *.pt используя MPS yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps ``` Используя вычислительные возможности чипов M1/M2, это позволяет более эффективно обрабатывать задачи обучения. Для более подробного руководства и расширенных параметров конфигурации, пожалуйста, обратитесь к [документации PyTorch MPS](https://pytorch.org/docs/stable/notes/mps.html). ## Логирование В процессе обучения модели YOLOv8 вы можете найти ценным отслеживание производительности модели со временем. Здесь на помощь приходит логирование. YOLO от Ultralytics поддерживает три типа логгеров - Comet, ClearML и TensorBoard. Чтобы использовать логгер, выберите его из выпадающего меню в приведенном выше примере кода и запустите его. Выбранный логгер будет установлен и инициализирован. ### Comet [Comet](https://www.comet.ml/site/) - это платформа, которая позволяет ученым и разработчикам отслеживать, сравнивать, объяснять и оптимизировать эксперименты и модели. Она предоставляет такие функции, как метрики в реальном времени, сравнение кода и отслеживание гиперпараметров. Чтобы использовать Comet: !!! Example "Пример" === "Python" ```python # pip install comet_ml import comet_ml comet_ml.init() ``` Не забудьте войти в свою учетную запись Comet на их сайте и получить свой API-ключ. Вам нужно будет добавить его в переменные среды или в свой скрипт, чтобы вести журнал своих экспериментов. ### ClearML [ClearML](https://www.clear.ml/) - это открытая платформа, которая автоматизирует отслеживание экспериментов и помогает в эффективном обмене ресурсами. Она предназначена для помощи командам в управлении, выполнении и воспроизведении их работы в области ML более эффективно. Чтобы использовать ClearML: !!! Example "Пример" === "Python" ```python # pip install clearml import clearml clearml.browser_login() ``` После запуска этого скрипта вам нужно будет войти в вашу учетную запись ClearML в браузере и аутентифицировать вашу сессию. ### TensorBoard [TensorBoard](https://www.tensorflow.org/tensorboard) - это инструмент визуализации для TensorFlow. Он позволяет вам визуализировать граф TensorFlow, выводить количественные метрики о выполнении вашего графа и показывать дополнительные данные, такие как изображения, проходящие через него. Чтобы использовать TensorBoard в [Google Colab](https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb): !!! Example "Пример" === "CLI" ```bash load_ext tensorboard tensorboard --logdir ultralytics/runs # заменить на директорию 'runs' ``` Чтобы использовать TensorBoard локально, запустите приведенную ниже команду и просмотрите результаты по адресу http://localhost:6006/. !!! Example "Пример" === "CLI" ```bash tensorboard --logdir ultralytics/runs # заменить на директорию 'runs' ``` Это загрузит TensorBoard и направит его к каталогу, где сохраняются ваши журналы обучения. После настройки вашего логгера вы можете продолжать обучение модели. Все метрики обучения будут автоматически записаны на выбранной вами платформе, и вы сможете получить доступ к этим журналам, чтобы отслеживать производительность вашей модели со временем, сравнивать различные модели и определять области для улучшения.