[YOLO专题-22]:YOLO V5 - ultralytics代码解析-超参数详解
Posted 文火冰糖的硅基工坊
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了[YOLO专题-22]:YOLO V5 - ultralytics代码解析-超参数详解相关的知识,希望对你有一定的参考价值。
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122372614
目录
前言:
YOLO V5除了通过用户命令行参数来控制模型的训练和模型的预测,YOLO V5的工程代码,还提供了超参数配置文件来控制对模型的训练和预测过程。
通常情况下,这些参数是不需要改变的,采用默认值即可。
第1章 超参数配置文件的基本信息
1.1 超参数配置文件的路径路径
yolov5\\data\\hyps
1.2 超参数配置文件
hyp.finetune.yaml:Hyperparameters for VOC finetuning
hyp.finetune_objects365.yaml:
hyp.scratch.yaml:Hyperparameters for COCO training from scratch
hyp.scratch-high.yaml:Hyperparameters for high-augmentation(高增强)COCO training from scratch
hyp.scratch-low.yaml: Hyperparameters for low-augmentation (低增强) COCO training from scratch
hyp.scratch-med.yaml:Hyperparameters for medium-augmentation COCO training from scratch
1.3 如何指定超参数配置文件
通过train的命令行参数--hyp选项,默认采用:hyp.scratch.yaml文件
第2章 超参数内容详解
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Hyperparameters for COCO training from scratch
# python train.py --batch 40 --cfg yolov5m.yaml --weights '' --data coco.yaml --img 640 --epochs 300
# See tutorials for hyperparameter evolution https://github.com/ultralytics/yolov5#tutorials
# 梯度下降法参数
lr0: 0.01 # initial learning rate (SGD=1E-2, Adam=1E-3) # 初始的学习率
lrf: 0.1 # final OneCycleLR learning rate (lr0 * lrf) # 余弦函数动态降低学习率
momentum: 0.937 # SGD momentum/Adam beta1 # 梯度动量
weight_decay: 0.0005 # optimizer weight decay 5e-4 # 权重衰减度,降低权重的波动
warmup_epochs: 3.0 # warmup epochs (fractions ok) # 预热训练的轮数,采用小的学习率
warmup_momentum: 0.8 # warmup initial momentum # 预热训练时的梯度动量
warmup_bias_lr: 0.1 # warmup initial bias lr # 预热训练时的偏置b的学习率
# Loss 参数
box: 0.05 # box loss gain # 定位框损失函数的增益比
cls: 0.5 # cls loss gain # 分类损失的增益比
cls_pw: 1.0 # cls BCELoss positive_weight # 正样本的权重
obj: 1.0 # obj loss gain (scale with pixels) # 目标距离的权重
obj_pw: 1.0 # obj BCELoss positive_weight # 负样本的权重
# 输出后处理超参数
iou_t: 0.20 # IoU training threshold
anchor_t: 4.0 # anchor-multiple threshold
# anchors: 3 # anchors per output layer (0 to ignore)
fl_gamma: 0.0 # focal loss gamma (efficientDet default gamma=1.5)
# 图像增强的参数
hsv_h: 0.015 # image HSV-Hue augmentation (fraction)
hsv_s: 0.7 # image HSV-Saturation augmentation (fraction)
hsv_v: 0.4 # image HSV-Value augmentation (fraction)
degrees: 0.0 # image rotation (+/- deg)
translate: 0.1 # image translation (+/- fraction)
scale: 0.5 # image scale (+/- gain)
shear: 0.0 # image shear (+/- deg)
perspective: 0.0 # image perspective (+/- fraction), range 0-0.001
flipud: 0.0 # image flip up-down (probability)
fliplr: 0.5 # image flip left-right (probability)
mosaic: 1.0 # image mosaic (probability)
mixup: 0.0 # image mixup (probability)
copy_paste: 0.0 # segment copy-paste (probability)
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122372614
以上是关于[YOLO专题-22]:YOLO V5 - ultralytics代码解析-超参数详解的主要内容,如果未能解决你的问题,请参考以下文章
[YOLO专题-18]:YOLO V5 - ultralytics代码解析-总体架构
[YOLO专题-21]:YOLO V5 - ultralytics代码解析-网络配置文件与总体结构
[YOLO专题-19]:YOLO V5 - ultralytics代码解析-dataloader数据加载机制
[YOLO专题-16]:YOLO V5 - 如何把labelme json训练数据集批量转换成yolo数据集