批次大小

在机器学习领域，尤其是深度学习中， 批量大小指每次模型训练迭代中使用的训练样本数量。 由于内存限制，通常无法将全部训练数据一次性输入神经网络， 因此数据集会被划分为称为批次的较小子集。 模型处理一个批次后，会计算误差并通过反向传播更新内部模型权重， 随后才处理下一个批次。 该超参数对训练速度和学习过程的稳定性具有决定性影响。

批量训练的动态特性

批量大小的选择从根本上改变了优化算法（通常是随机梯度下降的变体）在损失函数空间中的探索方式。

• 小批量训练：使用较小的批量大小（例如8或16）会导致更新过程产生"噪声"。虽然梯度估计对整个数据集的准确性较低，但这种噪声有时能帮助模型逃离局部最优解，从而可能获得更好的泛化能力。然而，较小的批量需要每个 epoch 进行更多次更新，由于额外开销，这会导致实际训练时间变慢。
• 大批量：较大的批量（例如128或256）能提供更精确的梯度估计，从而使损失函数收敛更平滑。它支持在现代硬件上进行大规模并行计算，显著加快运算速度。 然而，若批量过大，模型可能陷入局部最优的尖锐极小值，导致过拟合并降低对新数据的泛化能力。

硬件与内存影响

实践者通常需要根据硬件限制而非纯粹理论偏好来选择批量大小。 深度学习模型——尤其是变压器或高级卷积网络等大型架构——存储在显存中。 GPU。

在使用 NVIDIA CUDA 进行加速时，显存必须同时容纳 模型参数、输入数据批次以及梯度计算所需的中间激活输出。若 批次大小超过可用内存，训练将因"内存不足"（OOM）错误而崩溃。 混合精度训练等技术常被 用于降低内存占用，从而在相同硬件上支持更大的批次规模。

区分相关概念

要有效配置训练，必须区分训练循环中批量大小与其他时间参数。

• 批量大小与 epoch：一个 epoch 代表对整个训练数据集的完整遍历。批量大小决定了数据在该 epoch内被分割成多少个数据块。例如，若拥有 1,000 张图像且批量大小为 100，则需 10 次迭代才能完成一个 epoch。
• 批量大小与迭代次数： 一次迭代（或步骤）是指处理一个批次并更新权重的过程。训练中的总迭代次数 等于每个 epoch 的批次数乘以 epoch 的总数。
• 批量大小与批归一化： 尽管名称相似，批归一化是一种特定的层类型，它根据当前批次的均值和方差对层输入进行归一化处理。该技术高度依赖批量大小；若批量过小（例如2），统计估计将变得不可靠，可能导致性能下降。

实际应用

在不同行业部署计算机视觉解决方案时，调整批处理规模是常规必需操作。

1. 高保真医学影像：在医疗健康领域的人工智能应用中，从业者常需处理MRI或CT扫描等三维体积数据。这类文件数据密度极高且对内存需求巨大。 为避免系统崩溃，工程师在执行医学影像分析或复杂图像分割等任务时，常将批处理规模缩减至极小数值，有时甚至仅处理单张图像。此时的优先级在于处理高分辨率细节，而非追求原始训练速度。
2. 工业质量控制：反之，在制造业中，速度至关重要。自动化系统在传送带上检测产品时，每小时需处理数千张图像。在推理过程中，工程师可能将传入的摄像头数据聚合为更大批次，以最大化边缘AI设备的利用率，确保实时缺陷检测的高吞吐量。

在Python中配置批处理大小

使用时 Ultralytics Python 软件包设置批处理大小 操作非常简单。您可以指定固定整数值，或使用动态 batch=-1 设置，该设置利用 的 自动批处理功能 自动计算 硬件可安全处理的最大批处理量。

以下示例演示了如何使用特定批处理设置训练 YOLO26模型——该模型是当前速度与准确性方面的最新标准。

from ultralytics import YOLO

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

# Train on the COCO8 dataset
# batch=16 is manually set.
# Alternatively, use batch=-1 for auto-tuning based on available GPU memory.
results = model.train(data="coco8.yaml", epochs=5, batch=16)

对于管理大规模实验并可视化不同批量大小对训练指标的影响，Ultralytics 提供了全面的环境来记录和比较运行结果。对批量大小进行恰当的超参数调优，通常是榨取模型最佳性能的最后一步。