Epoch

Un'epoca rappresenta un ciclo completo attraverso l'intero training dataset da parte di un algoritmo di machine learning. Durante questo processo, il modello ha l'opportunità di aggiornare i suoi parametri interni basandosi su ogni campione nei dati esattamente una volta. Nel contesto del deep learning, un singolo passaggio è raramente sufficiente affinché una neural network appari pattern complessi in modo efficace. Pertanto, l'addestramento coinvolge tipicamente più epoche, consentendo all'algoritmo di apprendimento di affinare iterativamente la sua comprensione e ridurre al minimo l'errore tra le sue previsioni e la ground truth effettiva.

Il ruolo delle epoch nell'ottimizzazione#

L'obiettivo principale dell'addestramento è regolare i model weights per ridurre al minimo una specifica loss function. Gli algoritmi di ottimizzazione, come lo stochastic gradient descent (SGD) o l'Adam optimizer, utilizzano l'errore calcolato durante ciascuna epoca per guidare questi aggiustamenti. Man mano che il numero di epoche aumenta, il modello generalmente passa da uno stato di errore elevato (indovinando casualmente) a un errore inferiore (pattern appresi).

Tuttavia, la selezione del corretto numero di epoche è un aspetto critico dell'hyperparameter tuning.

• Troppe poche epoche: Questo può portare a underfitting, dove il modello non ha ancora catturato il trend sottostante dei dati.
• Troppe epoche: Questo spesso risulta in overfitting, dove il modello memorizza il rumore di addestramento anziché generalizzare a nuovi dati. Per evitare ciò, gli sviluppatori monitorano spesso le prestazioni sui validation data e impiegano tecniche come l'early stopping per interrompere l'addestramento quando la generalizzazione smette di migliorare.

Epoch vs. Batch vs. Iterazione#

È comune per i principianti confondere "epoca" con termini correlati. Comprendere la gerarchia di questi concetti è essenziale per configurare correttamente i training loops:

• Epoch: un passaggio completo attraverso l'intero dataset.
• Batch: Un sottoinsieme del dataset elaborato simultaneamente. Poiché i dataset sono spesso troppo grandi per entrare tutti insieme nella GPU memory, vengono suddivisi in gruppi più piccoli definiti dal batch size.
• Iterazione: un singolo aggiornamento ai pesi del modello. Se un dataset ha 1.000 immagini e la batch size è 100, saranno necessarie 10 iterazioni per completare un'epoch.

Applicazioni nel mondo reale#

Il numero di epoch necessarie varia drasticamente a seconda della complessità del compito e della dimensione dei dati.

• Analisi di immagini mediche: Nell'medical image analysis, come il rilevamento di tumori nelle scansioni MRI, la precisione è fondamentale. I modelli addestrati per questi compiti vengono spesso eseguiti per centinaia di epoche. Questo addestramento esteso garantisce che la convolutional neural network (CNN) possa discernere sottili anomalie che distinguono il tessuto maligno dal tessuto sano, salvando potenzialmente vite umane.
• Guida autonoma: Per gli autonomous vehicles, i modelli di object detection devono identificare in modo affidabile pedoni, segnali e altri veicoli. L'addestramento di questi sistemi robusti coinvolge tipicamente dataset massicci come COCO o Objects365. Sebbene la dimensione del dataset sia enorme, il modello richiede comunque più epoche per convergere su una soluzione che si generalizzi bene a diverse condizioni meteorologiche e di illuminazione.

Gestione dei cicli di addestramento tramite codice#

Quando utilizzi framework moderni come Ultralytics YOLO, definire il numero di epoche è un argomento semplice nel comando di addestramento. Strumenti come la Ultralytics Platform possono aiutare a visualizzare le curve di perdita su ciascuna epoca per identificare il punto di arresto ottimale.

Il seguente esempio dimostra come impostare il conteggio delle epoche durante l'addestramento di un modello YOLO26:

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Train the model for 50 epochs
# The 'epochs' argument determines how many times the model sees the entire dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

In questo frammento, l'argomento epochs=50 indica al motore di addestramento di eseguire 50 cicli distinti attraverso il dataset coco8.yaml. Durante ogni ciclo, il modello esegue forward propagation e backpropagation per affinare le sue capacità di rilevamento.