К основному содержанию
скилл CX Codex

yolo-training — скилл для Claude Code: что делает и как установить

Скилл yolo-training диагностирует графики обучения YOLO26 и results.csv, объясняет переобучение и низкий mAP, подсказывает, какой параметр менять.

Apache-2.0 ★ 1 216 обновлён 2026-10-24

Установить в Claude Code · Через маркетплейс плагинов Все способы и платформы ↓
/plugin marketplace add fcakyon/claude-codex-settings
/plugin install ultralytics-dev@claude-settings
Открыть на GitHub

Что делает yolo-training

Скилл разбирает results.csv и confusion matrix из тренировки YOLO26 (detect, segment, pose, obb, classify, depth) и определяет причину проблемы: недообучение, разрыв между train и val, слабая точность против слабой полноты, перекос по классам. Порядок действий задан по стоимости эксперимента, а не по ожидаемому эффекту: сначала эпохи и расписание, потом аугментации, веса лосса и learning rate, увеличение модели, разрешение и только в конце — данные и разметка.

Внутри лежит таблица «что видно на графике → что это значит» и список дефолтов, которые ломают сравнение запусков: optimizer=auto игнорирует lr0, если его явно не переключить на AdamW или SGD; nbs=64 означает, что смена batch с 64 на 16 почти не меняет эффективный шаг; close_mosaic=10 даёт скачок mAP под конец обучения, который легко спутать со сходимостью. Для детекции критерий best.pt — только mAP50-95, precision и recall на early stopping не влияют.

Скилл не включает инструментов анализа датасета — проверка качества разметки делается своим скриптом и просмотром изображений. Файл references/diagnostics.md расписывает причины и ручки для каждого паттерна на графиках, references/task-notes.md — специфику задач.

Какие задачи решает

  • разобрать results.csv и понять, на каком эпохе остановить обучение
  • отличить переобучение от недообучения по кривым train/val
  • понять, почему AP50 хороший, а AP50-95 плохой
  • выбрать между сменой learning rate, аугментаций и размера модели
  • объяснить скачок mAP под конец тренировки YOLO26

Примеры запросов агенту

  • Прочитай мой results.csv и скажи, почему mAP не растёт
  • Почему train loss падает, а val loss растёт на YOLO26 pose
  • Стоит ли мне брать модель побольше или менять аугментации

Как установить yolo-training

1Через маркетплейс плагинов

/plugin marketplace add fcakyon/claude-codex-settings
/plugin install ultralytics-dev@claude-settings

Команда ставит плагин ultralytics-dev целиком, со всеми его скиллами

2Через Skills CLI (Vercel)

npx skills add fcakyon/claude-codex-settings --skill yolo-training -a claude-code

3Вручную: положить файлы

~/.claude/skills/yolo-training/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/yolo-training/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о yolo-training

Как установить yolo-training в Claude Code?

Выполните /plugin marketplace add fcakyon/claude-codex-settings, затем /plugin install ultralytics-dev@claude-settings.

Что делает yolo-training?

Скилл читает кривые обучения и results.csv YOLO26, определяет причину низкого mAP или переобучения и подсказывает, какой из параметров тренировки менять по порядку от дешёвого к дорогому.

Почему смена learning rate в YOLO26 иногда ничего не меняет?

По умолчанию стоит optimizer=auto, который сам выбирает MuSGD или AdamW и игнорирует заданный вручную lr0, если оптимизатор не переключить на AdamW или SGD явно.

Исходный текст

SKILL.md · Apache-2.0
---
name: yolo-training
description: This skill should be used when user asks to "improve my mAP", "why is my model overfitting", "my training is diverging", "read my results.csv", "interpret my training curves", "my AP50 is good but AP50-95 is bad", "my recall is low", "how do I pick learning rate", "which augmentations should I use", "should I use a bigger model", "tune hyperparameters", or asks how to train YOLO26 for detection, instance or semantic segmentation, pose, OBB, classification, or depth.
---

# YOLO26 training

Read the run before changing anything. The `results.csv` and confusion matrix usually name the
problem already.

## Order of operations

Ordered by cost to try, cheapest first, not by size of the potential win.

1. **Epochs and schedule.** Undertrained looks like every other problem, and it costs nothing
   but time to rule out.
2. **Augmentation.** The knob for the generalization gap, at no extra compute per epoch.
3. **Loss weights and LR.** Cheap, and the curves usually say which one is wrong.
4. **Model size.** Scale up when train loss is still falling at the end of the schedule and the
   train and val curves sit close together. That is underfitting, and it is the only case a
   bigger model reliably fixes.
5. **Resolution.** Compute scales with the square of `imgsz`, so 640 to 1280 is roughly 4x the
   training budget, and pretrained weights transfer worse the further you move from the size
   they were fit at. Justify it with the object sizes in your data, not as a default first move.
6. **Data**, label quality and class balance. The highest ceiling and the slowest to move. The
   package ships no dataset-analysis tooling, so any audit here is your own script plus looking
   at images. Worth it once the cheap knobs are spent.

## Diagnostic loop

```python
import pandas as pd

df = pd.read_csv("runs/detect/train/results.csv")
df.columns = df.columns.str.strip()
print(df.tail(10)[["epoch", "train/box_loss", "val/box_loss", "metrics/mAP50(B)", "metrics/mAP50-95(B)"]])
print("best epoch:", df["metrics/mAP50-95(B)"].idxmax(), "of", len(df))
```

Then read, in this order:

| Read                                       | Question it answers                       |
| ------------------------------------------ | ----------------------------------------- |
| best epoch vs total epochs                 | undertrained, overtrained, or right       |
| train loss vs val loss trend               | which side of the generalization gap      |
| mAP50 vs mAP50-95                          | classification and recall vs localization |
| P vs R at the operating point              | over-suppression vs over-firing           |
| per-class AP spread                        | one broken class or a general weakness    |
| confusion matrix background row and column | false positives vs missed detections      |

`references/diagnostics.md` maps each pattern to a cause and a knob, and lists what to rule
out before turning that knob. Read it before recommending a change.
`references/task-notes.md` covers detect, segment, semantic, pose, obb, classify, and depth
specifics.

## Defaults that will surprise you

These produce "I changed X and nothing happened". All six are current defaults.

1. **`optimizer=auto` ignores `lr0` and `momentum`.** It is the default. It picks `MuSGD` at
   lr 0.01 when `ceil(len(dataset) / max(batch, nbs)) * epochs` exceeds 10000, otherwise `AdamW`
   at `0.002 * 5 / (4 + nc)`, and forces `warmup_bias_lr=0`. Crossing that iteration count
   silently changes optimizer between two runs you meant to compare. Setting `lr0` while leaving
   `optimizer=auto` does nothing. Set `optimizer=AdamW` or `optimizer=SGD` explicitly first.
2. **`nbs=64` normalizes the loss, so batch does not scale LR the way you assume.** Below 64 the
   trainer accumulates gradients to an effective 64. Dropping batch 64 to 16 changes almost
   nothing about the effective step.
3. **`close_mosaic=10` turns off mosaic for the last 10 epochs.** The late jump in mAP is that
   switch, not convergence. On a 20-epoch run it is half the schedule, and on a 10-epoch run
   mosaic never runs at all.
4. **Fitness for detect is mAP50-95 alone**, weights `[0, 0, 0, 1]`. `best.pt` and `patience`
   ignore precision, recall, and mAP50 completely. Segment and pose sum both heads, classify
   uses `(top1 + top5) / 2`, semantic uses mIoU. A run whose precision is climbing while
   mAP50-95 is flat will still early-stop.
5. **`max_det=300`** truncates validation on dense scenes. Above roughly 300 objects per image
   your recall ceiling is an artifact.
6. **YOLO26 `end2end` models decode without NMS**, so `iou` does nothing on them. `agnostic_nms`
   still applies, the predictor passes it into the head, so only the IoU threshold is dead.

## Starting recipe

Fine-tuning a pretrained checkpoint on a normal custom dataset:

```bash
yolo train model=yolo26s.pt data=my-data.yaml epochs=200 imgsz=640 batch=16 \
  optimizer=AdamW lr0=0.001 lrf=0.01 cos_lr=True warmup_epochs=3 \
  patience=50 close_mosaic=20
```

Deviate on evidence from the charts, one axis at a time. It differs from the shipped defaults
because `epochs=100` is short for a small dataset, `patience=100` never fires inside 100 epochs,
and `close_mosaic=10` is too short a clean tail once epochs rise.

Change one thing per run and keep `seed` fixed. Run-to-run noise on a small dataset is often
0.5 to 1.0 mAP, so a 0.3 mAP "improvement" from a single run is not a result. Confirm anything
under about 1 point across three seeds.

© Fatih C. Akyon · Apache-2.0 · fcakyon/claude-codex-settings

Похожие скиллы

Все скиллы по теме «ИИ и ML» →
huawei-cloud-sac-yolo huaweicloud Скилл huawei-cloud-sac-yolo разворачивает на Huawei Cloud GPU-инстанс и контейнер для обучения YOLO через Terraform, а в конце отдаёт адрес веб-интерфейса. CX Codex +1 187установок Ultralytics Platform MCP amanharshx Подключает Claude Code к Ultralytics Platform для управления проектами, разметки датасетов, запуска обучения моделей и выгрузки весов. Пригодится ML-разработчикам прямо в терминале. CX Codex +1 ★ 10звёзд репо scenario-model-training scenario-labs Скилл scenario-model-training для Claude Code помогает обучить и применить свою модель генерации изображений или видео. Агент подключает его для подбора архитектуры, подготовки датасета, расчёта цены и запуска обучения через Scenario MCP. CX Codex +1 929установок ml-model-training secondsky Скилл ml-model-training для Claude Code ведёт агента по полному циклу обучения модели: подготовка данных, разбивка, тренировка, оценка. Собирает классификатор или регрессию без пропущенных шагов. CX Codex +1 484установок distributed-training-ray-train Orchestra Research Скилл distributed-training-ray-train для распределённого обучения моделей на Ray Train: переносит PyTorch, TensorFlow и HuggingFace с одной видеокарты на кластер. CX Codex +1 79установок computer-vision-pipeline curiositech Скилл computer-vision-pipeline для Claude Code помогает собирать пайплайны компьютерного зрения для детекции объектов, трекинга и анализа видео с дронов. Распознаёт объекты на кадрах и отслеживает их в потоке. CX Codex +1 288установок

Из того же набора113

Весь набор →
commit-creator Субагент commit-creator разбирает подготовленные к коммиту изменения, предлагает логичное разбиение и создаёт коммиты с понятными сообщениями. Работает с Claude Code и Codex. CX Codex ★ 1 216звёзд репо site-architecture Скилл site-architecture для Claude Code и Codex, который помогает спланировать или перестроить структуру сайта: иерархию страниц, навигацию, URL-паттерны, хлебные крошки и внутренние ссылки. CX Codex +1 ★ 1 216звёзд репо derive-client Скилл derive-client записывает сетевой трафик сайта через браузер в HAR-файл и генерирует автономный API-клиент или CLI без повторного запуска браузера. CX Codex +1 ★ 1 216звёзд репо polar-local-environment Скилл polar-local-environment помогает запускать и обслуживать локальное окружение Polar через dev docker. Он пригодится для отладки сервисов и работы с несколькими изолированными worktree. CX Codex +1 ★ 1 216звёзд репо supabase-cli Скилл учит агента управлять проектами через Supabase CLI: поднимать локальный стек, писать миграции, тестировать edge functions и генерировать типы TypeScript. CX Codex +1 ★ 1 216звёзд репо payment-testing Правило payment-testing собирает нюансы локальной проверки входа, Stripe, подписок, возвратов и backoffice. Помогает разобраться, почему тестовый сценарий ведёт себя не так, как ожидалось. CX Codex +1 ★ 1 216звёзд репо troubleshooting Правило troubleshooting с чек-листом для диагностики локального стека Polar: занятые порты, Docker, база данных, MinIO и фронтенд-сборка. CX Codex +1 ★ 1 216звёзд репо supabase-js Скилл снабжает ассистента шпаргалками и синтаксисом официального SDK @supabase/supabase-js: от базовых фильтров PostgREST до загрузки файлов и Edge Functions. CX Codex +1 ★ 1 216звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой