Fine-tuning

探索微调 (Fine-Tuning) 如何使 Ultralytics YOLO26 等预训练模型适应特定任务。学习利用迁移学习实现更快、更准确的 AI。

微调是机器学习 (ML)中的一个基础过程，它涉及将预训练模型适配到特定任务或数据集。开发者无需从头训练——这需要海量的数据、时间和计算能力——而是从一个已经在海量数据集（如ImageNet）上学习了通用特征的“基础模型”开始。这种方法是迁移学习的实际应用，允许AI系统以明显更少的资源在细分问题上取得高性能。

适配机制#

微调背后的核心思想是利用模型已经获取的“知识”。一个基础模型通常对基础视觉元素（如边缘、纹理和形状）具有强大的理解力。在微调过程中，模型的参数（权重）会进行微小的调整，以适应新的专业数据的细微差别。

这种调整通常是通过使用较低学习率的梯度下降来实现的。保守的学习率确保了在初始预训练期间学到的宝贵特征得到精炼而不是被破坏。在许多计算机视觉 (CV)工作流中，工程师可能会冻结主干网络（检测通用特征）的初始层，并且只更新负责做出最终类别预测的更深层以及检测头。

实际应用#

微调架起了通用 AI 能力与特定行业需求之间的桥梁。它使得通用模型能够转变为专业领域的专家。

医疗领域的AI： 标准的视觉模型可以区分猫和狗，但缺乏医学背景。通过在包含带有标注X光片的医学图像分析数据集上微调此模型，研究人员可以创建能以高准确率检测肺炎或骨折的诊断工具。这通过优先处理紧急病例，在快节奏的环境中协助放射科医生。
制造领域的AI： 在工业环境中，现成的模型可能无法识别专有组件。制造商使用微调来将诸如YOLO26之类的先进架构适配到他们的特定装配线上。这使得自动质量控制系统能够发现微小缺陷，例如微裂纹或油漆瑕疵，从而提高产品可靠性并减少浪费。

微调与从头开始训练的对比#

区分微调与完整训练有助于理解何时使用每种方法。

从头训练： 这包括用随机权重初始化模型并在数据集上对其进行训练，直到它收敛。它需要非常大的标注数据集和大量的GPU资源。这通常保留用于创建新架构，或者当领域完全独特时（例如，分析深空中的星云与日常物体）。
微调： 这从优化的权重开始。它需要少得多数据（通常只需几千张图像）并且训练速度明显更快。对于大多数商业应用，例如零售库存管理或安全监控，微调是通往部署最高效的路径。

使用 Ultralytics 实现微调#

现代框架使这个过程变得易于访问。例如，Ultralytics Platform通过自动处理数据集管理和云端训练简化了工作流。然而，开发者也可以使用Python在本地微调模型。

以下示例演示了如何在自定义数据集上微调预训练的YOLO26模型。请注意，我们加载的是 yolo26n.pt（预训练权重）而不是简化的配置文件，这向库发出了启动迁移学习的信号。

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (n=nano size)
# This automatically loads weights trained on COCO
model = YOLO("yolo26n.pt")

# Fine-tune the model on a custom dataset (e.g., 'coco8.yaml')
# The 'epochs' argument determines how many passes over the data occur
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# The model is now fine-tuned and ready for specific inference tasks