Навчання моделі детекції об'єктів (YOLOv8, YOLO11, RT-DETR)

---
model: yolov8m.pt
data: dataset.yaml
imgsz: 640
batch: 16
epochs: 200
optimizer: AdamW
lr0: 0.001
lrf: 0.01
momentum: 0.937
weight_decay: 0.0005
warmup_epochs: 3.0
mosaic: 1.0
mixup: 0.15
copy_paste: 0.1
degrees: 10.0
translate: 0.1
scale: 0.5
flipud: 0.0
fliplr: 0.5
hsv_h: 0.015
hsv_s: 0.7
hsv_v: 0.4

from ultralytics import YOLO
model = YOLO('yolov8m.pt')
results = model.train(
    data='dataset/data.yaml',
    imgsz=640,
    batch=16,
    epochs=200,
    device='0',
    project='runs/detect',
    name='defect_v1',
    save_period=10,
    val=True,
    plots=True,
    patience=50
)

Якщо imgsz збільшити до 1280, [email protected] для дрібних об'єктів (15–40 px) зростає на 5–8%, але час навчання збільшується в 4 рази, а VRAM — до 24 ГБ. Для сцен з дрібними об'єктами ми також вимикаємо mosaic в останніх 10 епохах та знижуємо його вагу до 0.5.

Типові проблеми навчання: розбір трьох причин

Найчастіша ситуація: loss падає, val mAP зростає до ~0.6 і стагнує. Аналіз confusion matrix показує систематичні FP одного класу. Три основні причини:

1. Аннотаційні помилки. Навіть 5% неправильних bbox руйнують навчання дрібних класів. Інструмент діагностики — скрипт аудиту, який перевіряє вихід за межі, мікро-bbox та дублікати.

import numpy as np
from pathlib import Path

def audit_annotation_quality(labels_dir: str) -> dict:
    issues = {'out_of_bounds': [], 'tiny_boxes': [], 'duplicates': []}
    for label_path in Path(labels_dir).glob('*.txt'):
        boxes = np.loadtxt(label_path, ndmin=2)
        if boxes.shape[0] == 0:
            continue
        cls_ids, cx, cy, bw, bh = (boxes[:, i] for i in range(5))
        oob = (cx - bw/2 < 0) | (cx + bw/2 > 1) | \
              (cy - bh/2 < 0) | (cy + bh/2 > 1)
        if oob.any():
            issues['out_of_bounds'].append(str(label_path))
        tiny = (bw * bh) < 0.0004
        if tiny.any():
            issues['tiny_boxes'].append(str(label_path))
    return issues

2. Незбалансований датасет. YOLOv8 anchor-free, але spatial bias — об'єкти одного класу в одній області кадру — призводить до того, що модель вивчає кореляції з фоном. Рішення — стратифіковане розбиття та аугментації: RandomPerspective, Copy-Paste.

3. Занадто агресивний mosaic. Для дрібних об'єктів mosaic зменшує їх у 2–4 рази, роблячи недетектованими. Ми вмикаємо mosaic тільки на перших 90% епох, а для датасетів з об'єктами < 20 px знижуємо його вагу до 0.5 і комбінуємо з MixUp.

Як проходить навчання: покроковий план

1. Аналіз даних. Перевіряємо кількість об'єктів на клас, розміри bbox, розподіл по зображеннях. Якщо даних менше 500 об'єктів на клас — використовуємо передтреновані ваги YOLOv8m і фіксуємо backbone.
2. Конфігурація. Підбираємо imgsz, batch size, optimiser, LR schedule. Для дрібних об'єктів — imgsz=960 або 1280, зменшуємо mosaic.
3. Запуск тренування. Використовуємо Ultralytics HUB або локальний скрипт з моніторингом через TensorBoard/WandB. Зупиняємо по patience=50.
4. Валідація. Дивимося confusion matrix, Precision-Recall криві, [email protected]:0.95. Якщо [email protected] < 0.8 — повертаємося до кроку 1.
5. Експорт. Конвертуємо в TensorRT (FP16) або ONNX. Перевіряємо latency на цільових GPU.

Коли YOLO не вистачає? Переваги RT-DETR

RT-DETR (Real-Time DEtection TRansformer) — трансформерна детекція без NMS. Перевершує YOLOv8 на сценах з сильними оклюзіями та нестандартними співвідношеннями сторін об'єктів. На задачі детекції дрібних дефектів (об'єкти 15–40px) RT-DETR-L дає [email protected] на 7% вище YOLOv8m при всього на 4ms більше latency. Як зазначено в документації Ultralytics, RT-DETR забезпечує state-of-the-art співвідношення точності та швидкості. Порівняння:

Приклад навчання RT-DETR:

from ultralytics import RTDETR
model = RTDETR('rtdetr-l.pt')
model.train(
    data='dataset/data.yaml',
    imgsz=640,
    batch=8,
    epochs=100,
    device='0',
    optimizer='AdamW',
    lr0=0.0001,
    warmup_epochs=2
)

TensorRT для production

Для продакшену експортуємо навчену модель в TensorRT з FP16 — це дає ~2x прискорення інференсу порівняно з PyTorch при падінні mAP не більше 0.5%. Розглядаємо також INT8-квантування, якщо допустиме зниження точності до 1% (економія пам'яті до 50%). Приклад експорту:

from ultralytics import YOLO
trained_model = YOLO('runs/detect/defect_v1/weights/best.pt')
trained_model.export(
    format='engine',
    device=0,
    half=True,
    dynamic=False,
    imgsz=640,
    batch=1,
    workspace=4
)

Що входить в нашу роботу

• Аналіз задачі та підбір архітектури (YOLO / RT-DETR / Detectron2 / кастомні трансформери)
• Збір та розмітка датасету (конвертація з COCO, Pascal VOC, Supervisely, CVAT)
• Навчання з оптимізацією гіперпараметрів та аугментацій (Grid Search, Bayesian Optimization)
• Валідація на контрольній вибірці: mAP, confusion matrix, PR-curve, FPS
• Експорт в TensorRT / ONNX з квантуванням FP16/INT8
• Документація по моделі (model card) та інференс-скрипт
• Підтримка після впровадження (2 тижні)

Терміни та вартість

Вартість розраховується індивідуально під кожну задачу. Включає фіксований SLA — ми гарантуємо досягнення цільової метрики ([email protected] > 90%) або доопрацьовуємо модель безкоштовно. Отримайте консультацію по вашому проекту — розкажемо, який підхід дасть максимальну точність при ваших обмеженнях по бюджету та часу.

Про досвід команди

Більше 10 років у комп'ютерному зорі. Навчили 50+ моделей для задач: дефектоскопія на виробництві, детекція об'єктів на супутникових знімках, підрахунок людей в retail, розпізнавання тварин на фермах. Працюємо з YOLO, RT-DETR, Detectron2, DETR, Swin Transformer. Повний стек: PyTorch, TensorRT, ONNX, NVIDIA Triton. Наші спеціалісти — учасники Kaggle Grandmaster та автори open-source CV-бібліотек.

Зв'яжіться з нами для обговорення вашого проекту.