SimdYolo.Training
0.11.3
See the version list below for details.
dotnet add package SimdYolo.Training --version 0.11.3
NuGet\Install-Package SimdYolo.Training -Version 0.11.3
<PackageReference Include="SimdYolo.Training" Version="0.11.3" />
<PackageVersion Include="SimdYolo.Training" Version="0.11.3" />
<PackageReference Include="SimdYolo.Training" />
paket add SimdYolo.Training --version 0.11.3
#r "nuget: SimdYolo.Training, 0.11.3"
#:package SimdYolo.Training@0.11.3
#addin nuget:?package=SimdYolo.Training&version=0.11.3
#tool nuget:?package=SimdYolo.Training&version=0.11.3
纯 C# 五代 YOLO 检测头训练
当前源码0.11.3继续支持五代检测头微调,新增YoloTrainer.CanTrain(path, out ModelInfo info),一次取得标签与训练能力。当前验证 · 下载与文档导航。0.11.0起加入独立验证集、训练前/逐轮P/R与mAP、best.sytrain、早停和验证状态恢复;训练结果可纯.NET导出ONNX,网页支持检测框标注和预标注。完整API · 0.11.0功能验证。
0.10.1 源码与发布包支持 YOLOv8、Ultralytics YOLOv9、YOLOv10、YOLO11、YOLO26 的检测头微调,CPU 使用 C# SIMD,Vulkan 加速冻结网络和较大的前后向 GEMM。无需 Python、PyTorch、TorchSharp、ONNX Runtime、BLAS 或 CUDA 运行依赖。
0.10.1训练优化包括SIMD激活/BN/SGD、直接点积反向、1×1零复制、有界卷积工作区与小矩阵设备选择。训练速度、资源和训练后模型对比对应0.10.1程序集;0.11.2没有重新测量训练速度。
| 系列 | 仓库实际训练权重 | 回归与分类头 | 训练目标 |
|---|---|---|---|
| YOLOv8 | yolov8n.pt |
普通 Conv-BN-SiLU | TAL top10 + BCE + CIoU + DFL |
| Ultralytics YOLOv9 | yolov9t.pt |
普通 Conv-BN-SiLU | TAL top10 + BCE + CIoU + DFL |
| YOLOv10 | yolov10n.pt |
含深度卷积,one2many/one2one 两套参数 | 两头相加,TAL top10 / top1,DFL |
| YOLO11 | yolo11n.pt |
分类分支含深度可分离卷积 | TAL top10 + BCE + CIoU + DFL |
| YOLO26 | yolo26n.pt |
深度可分离分类、双头,reg_max=1 |
TAL top10 / top7→1,渐进双头权重,CIoU + 归一化距离 L1 |
本次覆盖表中的五份权重。其他 n/s/m/l/x 尺度按受支持模块结构解析,但未逐份验证;YOLOv9 原仓库的 DualDDetect/TripleDDetect、只有推理分支的融合 PT 不在此训练支持表内。不能据系列名称推断所有衍生模型都兼容。
范围保持为冻结骨干和 FPN、仅更新完整检测头。分割/姿态训练、全参数训练、Metal 训练、AdamW/MuSGD、EMA与数据增强尚未实现。0.11.0已支持调用方检测数据集的托管mAP验证,指标范围见新增文档。YOLO26 的损失与固定参考对应,优化器仍为 SGD,不声称复刻官方完整训练配方。普通 ONNX 只支持推理,不能作为本训练器的初始化结构。
Vulkan 是混合训练:矩阵乘加项数大于4,000,000的普通卷积 GEMM在GPU,小矩阵使用CPU SIMD以避免提交/回读开销;头部深度/分组卷积、im2col、BN、激活、标签分配、损失和SGD在CPU。CPU线程遵守CpuThreads。实际训练性能不能以推理速度推断。
训练后模型对比
0.10.1补充真实图片训练结果:COCO128按种子2611划分96张微调/32张验证,80类、256×256、相同初始状态、固定顺序和冻结特征,各192步SGD。CPU与原版CPU、Vulkan与原版CUDA分别比较参数、BN、动量与逐步损失;重新加载两边保存的模型,执行完整网络并比较P/R、mAP50及mAP50–95。
原始COCO128的train=val设置未用于本次微调划分;预训练权重已见过COCO train2017,不能把这32张称为独立于预训练的泛化验证集。两边的短程微调都有验证精度下降,本轮不声称提升精度或复刻官方全参数训练配方。设置、训练前后指标、误差与复现方法见0.10.1报告及验证目录。
启动网页或 C# API
需要 .NET 10 SDK;Vulkan 需要兼容驱动及系统 loader。可下载0.11.2训练库与网页运行包,或从源码启动:
git clone https://github.com/hnlyf168/SimdYolo.git
cd SimdYolo
git lfs pull
dotnet run --project examples/SimdYolo.Web -c Release
打开 **http://127.0.0.1:5188**,导入每行 class cx cy w h 的归一化 YOLO 检测标注,选择五份模型之一。支持真实损失曲线、取消、恢复、检查点下载/重新上传及推理。网页说明与数据限制见示例文档。
引用 src/SimdYolo.Training/SimdYolo.Training.csproj:
using SimdYolo;
using SimdYolo.Training;
var dataset = TrainingDataset.CreateDemo(count: 8, seed: 26);
string path = "models/pt/yolo26n.pt"; // 也可以是 v8n、v9t、v10n、11n
Console.WriteLine(YoloTrainer.CanTrain(path)); // 按实际结构探测,不看文件名
using var trainer = new YoloTrainer(path, dataset, new()
{
Device = ComputeDevice.Cpu, // 可显式选择 Vulkan
ImageSize = 128,
Epochs = 20,
BatchSize = 1,
LearningRate = .003f,
CpuThreads = 4
});
float before = trainer.EvaluateLoss();
trainer.Train(".cache/my-training", p =>
Console.WriteLine($"epoch={p.Epoch}, step={p.Step}, loss={p.TotalLoss:F5}"));
float after = trainer.EvaluateLoss();
Train 为同步方法,可以放入自己的后台线程;同一会话禁止并发训练、评估、保存或释放。自定义数据由调用方提供连续 RGB24 字节,不引入图片编解码依赖:
var dataset = new TrainingDataset(
["person", "helmet"],
[new TrainingImage("001.jpg", rgb24, width, height,
"0 0.50 0.50 0.40 0.60\n1 0.50 0.25 0.20 0.15")]);
类别从 0 开始,框须位于原图内;letterbox 保持比例。自定义类别按名称复用原分类通道,否则按种子初始化。双头分别重建输出通道,训练与推理使用正确的分支。
BatchSize 是梯度累加的图像数,每图 BN 独立统计,再按图像数平均梯度;不等同联合批次 BN。全背景图像只训练分类头;与原版一样,框参数梯度未连接时跳过 SGD/衰减,有正样本时各尺度的显式零梯度仍参与 SGD/衰减。
损失和恢复语义
固定独立参考为 Ultralytics 8.4.0。v10 使用保留的官方 E2EDetectLoss 兼容目标;YOLO26 使用 E2ELoss。前者两头直接相加,后者 one2many 从 0.8 按轮衰减至 0.1,one2one 为其补值。YOLO26 的 TAL 先 top7、处理目标冲突,再 top1,不能简单替换成首次 top1。
YOLO26 的第三损失分量是按输入宽高归一化的距离 L1,没有 DFL softmax。为保持客户端兼容,TrainingProgress.DflLoss 和网页 DFL 历史字段保留名称;对 YOLO26 表示该 L1 分量。TotalLoss 返回本次实际优化的加权目标。EvaluateLoss() 使用 BN 运行统计,且固定初始 0.8/0.2 权重,保证训练前后评估口径一致;它仍是训练数据损失,不是 mAP。
using var resumed = YoloTrainer.Resume(
".cache/my-training/last.sytrain", dataset,
totalEpochs: 30, device: ComputeDevice.Cpu, cpuThreads: 4);
resumed.Train(".cache/my-training");
using var detector = new YoloDetector(".cache/my-training/last.sytrain");
var instances = detector.Predict(rgb24, width, height);
var metadata = ModelInfo.Read(".cache/my-training/last.sytrain");
totalEpochs 是恢复后的总轮数,必须大于已完成轮数。恢复严格校验数据集 SHA256(类别、顺序、RGB 和标注)、参数形状及动量。学习率、种子、累加配置和图像尺寸来自检查点,可以切换 CPU/Vulkan 和线程数。YOLO26 的损失调度总轮数在首次创建时固定并保存;恢复时延长训练不会重置调度,超过原定轮数继续使用 0.1/0.9。
每个完整轮次原子保存 last.sytrain,另写 history.jsonl。取消抛出 OperationCanceledException 并回退到最近完整轮次,包括权重、BN、梯度连接状态、动量和计数;过程历史可保留未完成轮次的记录。
新归档为 SimdYolo.Training/2,包含原始 PT、全部单/双头参数、BN、动量、类别和损失调度;继续读取 0.9.0 的 /1 v8 归档。ModelInfo.EndToEnd 对 v10/26 训练模型返回正确模式。.sytrain 不能重命名成 PyTorch .pt,尚不导出 ONNX。
官方权重按原始 SHA256 识别并保留 AGPL-3.0 及来源。自定义权重保留供应方许可要求;项目源码未新增许可证。
测试与评测
完整评测与图表包含 CPU/Vulkan × 五模型数值对照、小目标/空标签、SGD/动量、真实损失下降、取消恢复、检查点推理、网页和训练速度。原始证据及复现命令见本版验证目录。
dotnet run --project tests/SimdYolo.Training.Tests -c Release -- --integration --vulkan
python tools/run-training-matrix.py
dotnet run --project tests/SimdYolo.Training.Tests -c Release -- test-matrix .cache/training-010/cpu --epochs 100
dotnet run --project tests/SimdYolo.Training.Tests -c Release -- test-matrix .cache/training-010/vulkan --epochs 100 --vulkan
python tools/benchmark-training.py
Python/PyTorch、Pillow、Node 仅用于开发验证,不进入库或网页运行依赖。参考源码需要放置在 .cache/yolo26-release-reference,对照不自动下载或执行任意远端权重。普通 ONNX Runtime 不是本轮训练基线,没有把推理延迟当作训练耗时。
| Product | Versions Compatible and additional computed target framework versions. |
|---|---|
| .NET | net10.0 is compatible. net10.0-android was computed. net10.0-browser was computed. net10.0-ios was computed. net10.0-maccatalyst was computed. net10.0-macos was computed. net10.0-tvos was computed. net10.0-windows was computed. |
-
net10.0
- SimdYolo (>= 0.11.3)
NuGet packages
This package is not used by any NuGet packages.
GitHub repositories
This package is not used by any popular GitHub repositories.