Batch Size
了解批大小（batch size）如何影响机器学习的训练速度和准确性。探索硬件约束并使用 AutoBatch 优化 Ultralytics YOLO26。
在机器学习尤其是深度学习领域中，Batch Size（批大小）是指模型训练的一次迭代中所使用的训练样本数量。由于内存限制，将整个训练数据一次性输入神经网络通常在计算上是不可能的，因此数据集被划分为称为批次的小子集。模型处理一个批次，计算误差，并通过反向传播更新其内部模型权重，然后再处理下一个批次。这个超参数在决定训练速度和学习过程的稳定性方面起着核心作用。
批次训练的动态机制#
批大小的选择根本性地改变了优化算法（通常是随机梯度下降的一种变体）在损失空间中导航的方式。
- 小Batch Size： 使用较小的数字（例如 8 或 16）会导致“噪声”更新。虽然这对整个数据集的梯度估计不够精确，但这种噪声有时可以帮助模型逃离局部最小值，从而可能获得更好的泛化能力。然而，较小的批次意味着每个 epoch 需要更多的更新次数，由于开销原因，这在挂钟时间（wall-clock time）上可能会使训练变慢。
- **大批大小：**较大的批次（例如 128 或 256）提供更准确的梯度估计，从而使损失函数能够更平滑地收敛。它允许在现代硬件上进行大规模并行化，显著加快计算速度。然而，如果批次太大，模型可能会陷入尖锐且并非最优的极小值，从而导致过拟合，并降低对新数据的泛化能力。
硬件和内存的影响#
从业者通常必须根据硬件限制而不是纯粹的理论偏好来选择批大小。深度学习模型，尤其是像 Transformer 或高级卷积网络这样的大型架构，都存储在GPU的显存中。
在使用NVIDIA CUDA进行加速时，显存必须容纳模型参数、输入数据批次以及计算梯度所需的中间激活输出。如果批大小超过了可用内存，训练将会因“内存溢出”（OOM）错误而崩溃。诸如混合精度训练之类的技术通常被用来减少内存使用，从而在相同的硬件上支持更大的批大小。
区分相关概念#
为了有效地配置训练，必须将Batch Size与训练循环中的其他时间术语区分开来。
- **Batch Size 与 Epoch：**一个 Epoch 表示对整个训练数据集的完整遍历一次。批大小决定了数据在该 Epoch 内部被拆分成了多少个块。例如，如果你有 1,000 张图像且批大小为 100，则需要 10 次迭代才能完成一个 Epoch。
- **Batch Size 与 Iteration：**一次迭代（或步数）是处理一个批次并更新权重的动作。训练中的总迭代次数等于每个 Epoch 的批次数乘以 Epoch 的总数。
- **Batch Size 与 BatchNorm：**虽然它们名字相似，但批量归一化是一种特定类型的层，它根据当前批次的均值和方差来对层输入进行归一化。该技术严重依赖批大小；如果批大小太小（例如 2），统计估计就会变得不可靠，从而可能降低性能。
实际应用#
在各行各业部署计算机视觉解决方案时，调整Batch Size是一项常规必要工作。
-
**高保真医学影像：**在医疗AI领域，从业者经常处理诸如 MRI 或 CT 扫描等 3D 体积数据。这些文件极其密集且占用大量内存。为了执行诸如医学图像分析或复杂的图像分割等任务而不导致系统崩溃，工程师通常会将批大小减少到一个非常小的数字，有时甚至为 1。在这里，优先级是处理高分辨率细节，而不是原始训练速度。
-
**工业质量控制：**相反，在制造AI中，速度至关重要。在传送带上检查产品的自动化系统需要每小时处理数千张图像。在推理期间，工程师可能会将传入的摄像头数据聚合为更大的批次，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 Batch Size#
使用Ultralytics Python 软件包时，设置批大小非常简单。你可以指定一个固定的整数，或者使用动态的 batch=-1 设置，它利用AutoBatch 功能自动计算硬件可以安全处理的最大批大小。
以下示例演示了如何使用特定的批次设置来训练YOLO26模型——速度和准确性的最新标准。
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)为了管理大规模实验并可视化不同的批大小如何影响你的训练指标，诸如Ultralytics 平台之类的工具为记录和比较运行结果提供了全面的环境。对批大小进行恰当的超参数调优通常是从模型中榨取最佳性能的最后一步。
