Epoch

Эпоха представляет собой один полный проход алгоритма машинного обучения по всему обучающему набору данных. В ходе этого процесса модель получает возможность обновить свои внутренние параметры на основе каждого образца данных ровно один раз. В контексте глубокого обучения одного прохода редко бывает достаточно, чтобы нейронная сеть эффективно выучила сложные закономерности. Поэтому обучение обычно включает несколько эпох, позволяя алгоритму обучения итеративно уточнять свои представления и минимизировать ошибку между предсказаниями и фактической эталонной разметкой.

Роль эпох в оптимизации#

Основная цель обучения — скорректировать веса модели, чтобы минимизировать определённую функцию потерь. Алгоритмы оптимизации, такие как стохастический градиентный спуск (SGD) или оптимизатор Adam, используют ошибку, рассчитанную на каждой эпохе, чтобы направлять эти корректировки. По мере увеличения числа эпох модель обычно переходит от состояния высокой ошибки (случайных предположений) к меньшей ошибке (выученным закономерностям).

Однако выбор правильного числа эпох — критически важная часть настройки гиперпараметров.

• Слишком мало эпох: Это может привести к недообучению, при котором модель ещё не уловила основную закономерность данных.
• Слишком много эпох: Это часто приводит к переобучению, при котором модель запоминает шум в обучающих данных вместо обобщения на новые данные. Чтобы предотвратить это, разработчики часто отслеживают производительность на данных для валидации и применяют такие методы, как ранняя остановка, чтобы остановить обучение, когда качество обобщения перестаёт улучшаться.

Эпоха, батч и итерация#

Начинающие часто путают термин «эпоха» со связанными с ним понятиями. Для правильной настройки циклов обучения важно понимать иерархию этих концепций:

• Эпоха: Один полный проход по всему набору данных.
• Батч: Подмножество набора данных, обрабатываемое одновременно. Поскольку наборы данных часто слишком велики, чтобы целиком поместиться в память GPU, они делятся на небольшие группы, размер которых определяется размером батча.
• Итерация: Одно обновление весов модели. Если набор данных содержит 1 000 изображений, а размер батча равен 100, для завершения одной эпохи потребуется 10 итераций.

Практические применения#

Необходимое число эпох существенно различается в зависимости от сложности задачи и объёма данных.

• Анализ медицинских изображений: В задачах анализа медицинских изображений, например при обнаружении опухолей на МРТ-снимках, точность имеет первостепенное значение. Модели для таких задач часто обучаются в течение сотен эпох. Такое продолжительное обучение позволяет свёрточной нейронной сети (CNN) выявлять тонкие аномалии, отличающие злокачественную ткань от здоровой, что потенциально может спасти жизни.
• Автономное вождение: Для автономных транспортных средств модели обнаружения объектов должны надёжно распознавать пешеходов, дорожные знаки и другие транспортные средства. Обучение таких надёжных систем обычно проводится на огромных наборах данных, таких как COCO или Objects365. Хотя размер набора данных огромен, модели всё равно требуется несколько эпох, чтобы сойтись к решению, которое хорошо обобщается на разнообразные погодные условия и уровни освещения.

Управление циклами обучения с помощью кода#

При использовании современных фреймворков, таких как Ultralytics YOLO, число эпох задаётся простым аргументом в команде обучения. Такие инструменты, как Ultralytics Platform, помогают визуализировать кривые потерь для каждой эпохи и определить оптимальную точку остановки.

В следующем примере показано, как задать число эпох при обучении модели 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)

В этом фрагменте аргумент epochs=50 указывает движку обучения выполнить 50 отдельных проходов по набору данных coco8.yaml. Во время каждого прохода модель выполняет прямое распространение и обратное распространение, чтобы улучшить свои возможности обнаружения.