📝 はじめに

こんにちは、piyovateです。
YOLO（Ultralytics系）は学習時に指定できるパラメータが非常に多く、
「動かしてはいるけど、各パラメータの意味を毎回思い出すのが大変」
という状態になりがちです。

本記事では、

YOLOの model.train() でよく使うパラメータ
それぞれの役割・意図
どんなときに調整するか

を 完全に備忘録目的 でまとめます。
（GPU / CPU 問わず使える考え方に絞ります）

🎯 今回まとめる対象

以下のような学習設定を前提にしています。

model = YOLO("yolo11x.pt")

model.train(
    data=DATA_YAML,
    project="runs/detect",
    name="train-x",

    device="cpu",   # ※ device自体の意味のみ扱う
    imgsz=960,
    batch=8,

    epochs=300,
    patience=50,

    mosaic=1.0,
    mixup=0.15,
    copy_paste=0.3,
    close_mosaic=30,

    optimizer="AdamW",
    lr0=0.001,
    lrf=0.01,
    warmup_epochs=5,
)

🖥️ 基本パラメータ

device

device="cpu" / device=0

学習を実行するデバイス指定
0 や 0,1 → GPU
"cpu" → CPU

👉 後からGPUで学習する場合でもコードは同じ
👉 環境に応じて切り替えるだけ

imgsz

imgsz=960

学習時の入力画像サイズ
大きいほど 小物体検出に有利
計算量・メモリ消費が急激に増える

目安：

imgsz	特徴
640	標準・高速
960	精度と負荷のバランス
1280	高精度（重い）

batch

batch=8

1 stepで処理する画像枚数
大きいほど勾配が安定
メモリ制約を強く受ける

👉 OOMが出たら batch → imgsz の順で下げる

📚 学習制御系パラメータ

epochs

epochs=300

学習の最大epoch数
実際には Early Stopping が止める

👉 多めに設定しておくのが安全

patience（Early Stopping）

patience=50

validation指標が改善しないepoch数
大きいほど粘る

用途別目安：

軽い学習：20〜30
本腰学習：50以上

🎨 データ拡張系パラメータ

mosaic

mosaic=1.0

4枚の画像を合成
汎化性能向上に非常に効果的

👉 基本ON推奨

mixup

mixup=0.15

2枚の画像をブレンド
過学習防止・境界の滑らかさ向上

注意：

強すぎると収束が遅くなる

copy_paste

copy_paste=0.3

オブジェクト単位でコピー
少数クラス対策に有効

👉 クラス不均衡がある場合は積極的に使う

close_mosaic

close_mosaic=30

最後のN epochでmosaicを無効化
実画像分布に寄せる最終調整

👉 mAP安定にかなり効く

⚙️ 最適化・学習率系

optimizer

optimizer="AdamW"

Adam + Weight Decay
初期収束が安定

lr0 / lrf

lr0=0.001
lrf=0.01

lr0：初期学習率
lrf：最終学習率の倍率

👉 後半しっかり減衰させたい場合は lrf を小さく

warmup_epochs

warmup_epochs=5

学習初期のlrを徐々に上げる
loss爆発防止

📝 まとめ（自分用チェックリスト）

imgsz / batch は精度と計算量のトレードオフ
epochsは多め、止めるのはpatience
mosaic + close_mosaic の組み合わせは鉄板
クラス不均衡があれば copy_paste
学習率系は触る前に データと損失を見る

🔜 次にまとめたい内容

小物体検出特化パラメータ
クラス不均衡時の調整指針
学習が発散・収束しない時のチェックポイント
いいね 👍 やストック 📦 してもらえると励みになります！
それでは、また次回の記事でお会いしましょう ✨

📚 参考

Train Settings - Ultralytics YOLO Docs