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) 中的一个基本过程，涉及将预训练模型适配到特定任务或数据集。与其从头开始训练（这需要海量的数据、时间和计算能力），开发者通常会从一个已经在诸如 ImageNet 等庞大数据集上学习过通用特征的“基础模型”开始。这种方法是迁移学习的一种实际应用，让 AI 系统能够以极少的资源在细分领域问题上实现高性能。

Link to this section适配机制#

微调的核心思想是利用模型已经获得的“知识”。基础模型通常对基本视觉元素（如边缘、纹理和形状）有很强的理解能力。在微调过程中，模型的参数（权重）会进行细微调整，以适应新的、专业数据的细微差别。

This adjustment is usually achieved through gradient descent using a lower learning rate. A conservative learning rate ensures that the valuable features learned during the initial pre-training are refined rather than destroyed. In many computer vision (CV) workflows, engineers may freeze the initial layers of the backbone—which detect universal features—and only update the deeper layers and the detection head responsible for making final class predictions.

Link to this section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 AI： 标准的视觉模型可以区分猫和狗，但缺乏医学背景。通过在包含标注 X 光片的医学图像分析数据集上对该模型进行微调，研究人员可以创建出能以高准确率检测肺炎或骨折的诊断工具。这有助于放射科医生在快节奏的环境中优先处理危急病例。
制造 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 等最先进的架构适配到特定的装配线上。这使得自动化的质量控制系统能够发现微小的缺陷，如微裂纹或油漆瑕疵，从而提高产品可靠性并减少浪费。

Link to this section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。

从头开始训练： 这涉及用随机权重初始化模型，并在数据集上对其进行训练直到收敛。它需要一个非常大的标注数据集和大量的 GPU 资源。这通常仅保留用于创建新架构或当领域完全独特时（例如，分析深空星云与分析日常物品）。
微调： 从优化过的权重开始。它所需的数据少得多（通常只需几千张图像），训练速度也快得多。对于大多数商业应用，例如零售库存管理或安防监控，微调是部署最高效的路径。

Link to this section使用 Ultralytics 实现微调#

现代框架让这一过程变得触手可及。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。当然，开发者也可以使用 Python 在本地对模型进行微调。

以下示例展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，这会向库发出信号以启动迁移学习。

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