Hyperparameter Tuning

探索超参数调优以优化模型性能。了解贝叶斯优化等技术，以及如何使用 Ultralytics YOLO26 进行自动化调优。

超参数调优是一个迭代过程，用于优化控制机器学习 (ML) 模型训练过程的外部配置变量。与在训练过程中从数据中学习到的内部参数（如权重和偏置）不同，超参数是在学习过程开始前由数据科学家或工程师设定的。这些设置控制着模型的结构和算法的行为，就像微调性能的“旋钮和刻度盘”。找到这些值的理想组合对于最大化准确率 (accuracy) 和效率至关重要，往往决定了一个模型是平庸之作还是最前沿的解决方案。

Link to this section核心概念与技术#

所有可能的超参数组合构成了一个高维搜索空间。从业者使用各种策略来探索这个空间，以找到最小化损失函数 (loss function) 的最优配置。

网格搜索 (Grid Search)： 这种穷举法会在网格中评估每一个指定的参数组合。虽然方法全面，但在处理多个变量时计算成本高昂，且会受到维度灾难 (curse of dimensionality) 的影响。
随机搜索 (Random Search)： 该技术不测试每一个组合，而是选择随机的超参数组合。研究表明，这通常比网格搜索更高效，因为它能更有效地探索搜索空间，从而找到最具影响力的参数。
贝叶斯优化 (Bayesian Optimization)： 这种概率方法通过构建代理模型，根据以往的评估结果预测哪些超参数会产生最佳效果，从而将搜索集中在最有希望的区域。
进化算法 (Evolutionary Algorithms)： 受生物进化启发，该方法使用变异和交叉等机制，在多代演进中迭代一组配置。这是 ultralytics 库用于优化 YOLO26 等现代架构的主要方法。

Link to this section超参数调优与模型训练#

区分调优和训练非常重要，因为它们代表了 MLOps 生命周期中截然不同的阶段：

模型训练 (Model Training)： 算法通过训练数据 (training data) 迭代，利用反向传播 (backpropagation) 学习内部参数的过程。目标是最小化训练集上的误差。
超参数调优： 在训练开始前选择操作设置（如学习率 (learning rate)、批次大小 (batch size) 和动量 (momentum)）的元过程。其目标是最大化在验证数据 (validation data) 上的性能，以防止过拟合 (overfitting)。

在农业 AI (AI in Agriculture) 中，自主无人机利用计算机视觉 (computer vision) 来识别杂草和农作物病害。这些模型通常运行在电池寿命有限的边缘设备上。工程师利用超参数调优来优化数据增强 (data augmentation) 流水线和输入分辨率，确保模型在推理速度 (inference speeds) 与仅喷洒杂草所需的精度之间取得平衡，从而减少化学品的使用。

Link to this section医学诊断#

对于医疗 AI (AI in Healthcare)，特别是在医学图像分析 (medical image analysis) 领域，漏诊可能产生严重后果。在训练模型检测 MRI 扫描中的异常时，从业者会积极调优与类别加权和焦点损失相关的超参数。这种调优能最大化召回率 (recall)，确保即使是微小的病理迹象也能被标记供人工复核，从而极大地辅助早期诊断。

Link to this section使用 Ultralytics 进行自动调优#

ultralytics 库通过包含一个利用遗传算法的内置调优器 (tuner) 来简化优化过程。这使用户无需手动试错，即可自动为其自定义数据集搜索最佳超参数。对于大规模操作，团队可以利用 Ultralytics Platform 在云端管理数据集并可视化这些调优实验。

以下示例演示了如何为 YOLO26 模型启动超参数调优。调优器将在多次迭代中对超参数进行变异，以最大化平均精度均值 (mAP)。

from ultralytics import YOLO

# Initialize a YOLO26 model (using the 'nano' weight for speed)
model = YOLO("yolo26n.pt")

# Start tuning hyperparameters on the COCO8 dataset
# The tuner runs for 30 epochs per iteration, evolving parameters like lr0 and momentum
model.tune(data="coco8.yaml", epochs=30, iterations=100, optimizer="AdamW", plots=False)

通过自动化此过程，开发者可以更接近自动机器学习 (AutoML) 的理念，即系统能够自我优化，从而针对特定任务实现最佳性能。