Zum Inhalt springen

Konfiguration

YOLO Einstellungen und Hyperparameter spielen eine entscheidende Rolle f├╝r die Leistung, Geschwindigkeit und Genauigkeit des Modells. Diese Einstellungen und Hyperparameter k├Ânnen das Verhalten des Modells in verschiedenen Phasen des Modellentwicklungsprozesses beeinflussen, z. B. beim Training, der Validierung und der Vorhersage.



Pass auf: Mastering Ultralytics YOLOv8 : Konfiguration

Ultralytics Befehle verwenden die folgende Syntax:

Beispiel

yolo TASK MODE ARGS
from ultralytics import YOLO

# Load a YOLOv8 model from a pre-trained weights file
model = YOLO('yolov8n.pt')

# Run MODE mode using the custom arguments ARGS (guess TASK)
model.MODE(ARGS)

Wo:

Standard ARG Werte werden auf dieser Seite von der cfg/defaults.yaml Datei.

Aufgaben

YOLO Modelle k├Ânnen f├╝r eine Vielzahl von Aufgaben eingesetzt werden, darunter Erkennung, Segmentierung, Klassifizierung und Pose. Diese Aufgaben unterscheiden sich durch die Art der Ergebnisse, die sie produzieren, und durch das spezifische Problem, das sie l├Âsen sollen.

  • Erkennen: Zum Identifizieren und Lokalisieren von Objekten oder Regionen von Interesse in einem Bild oder Video.
  • Segment: Zur Unterteilung eines Bildes oder Videos in Regionen oder Pixel, die verschiedenen Objekten oder Klassen entsprechen.
  • Klassifizieren: Zur Vorhersage der Klassenbezeichnung eines Eingangsbildes.
  • Pose: Zur Identifizierung von Objekten und zur Sch├Ątzung ihrer Hauptpunkte in einem Bild oder Video.
Schl├╝ssel Wert Beschreibung
task 'detect' YOLO Aufgabe, d.h. erkennen, segmentieren, klassifizieren, posieren

Aufgaben-Leitfaden

Modi

YOLO Modelle k├Ânnen in verschiedenen Modi verwendet werden, je nachdem, welches Problem du zu l├Âsen versuchst. Diese Modi umfassen:

  • Trainieren: Zum Trainieren eines YOLOv8 Modells auf einem benutzerdefinierten Datensatz.
  • Val: Zur Validierung eines YOLOv8 Modells, nachdem es trainiert worden ist.
  • Vorhersagen: F├╝r Vorhersagen anhand eines trainierten YOLOv8 Modells f├╝r neue Bilder oder Videos.
  • Exportieren: Zum Exportieren eines YOLOv8 Modells in ein Format, das f├╝r die Bereitstellung verwendet werden kann.
  • Verfolgen: Zum Verfolgen von Objekten in Echtzeit mit einem YOLOv8 Modell.
  • Benchmark: Zum Testen der Geschwindigkeit und Genauigkeit der Exporte von YOLOv8 (ONNX, TensorRT, etc.).
Schl├╝ssel Wert Beschreibung
mode 'train' YOLO Modus, d.h. train, val, predict, export, track, benchmark

Modi-Leitfaden

Zug

Die Trainingseinstellungen f├╝r YOLO Modelle umfassen verschiedene Hyperparameter und Konfigurationen, die w├Ąhrend des Trainingsprozesses verwendet werden. Diese Einstellungen beeinflussen die Leistung, Geschwindigkeit und Genauigkeit des Modells. Zu den wichtigsten Trainingseinstellungen geh├Âren die Stapelgr├Â├če, die Lernrate, das Momentum und der Gewichtsabfall. Auch die Wahl des Optimierers, der Verlustfunktion und der Zusammensetzung des Trainingsdatensatzes kann den Trainingsprozess beeinflussen. Eine sorgf├Ąltige Abstimmung und das Experimentieren mit diesen Einstellungen sind entscheidend f├╝r die Optimierung der Leistung.

Schl├╝ssel Standard Beschreibung
model None Gibt die Modelldatei f├╝r das Training an. Akzeptiert einen Pfad zu entweder einer .pt vortrainiertes Modell oder ein .yaml Konfigurationsdatei. Wichtig f├╝r die Definition der Modellstruktur oder die Initialisierung der Gewichte.
data None Pfad zur Konfigurationsdatei des Datensatzes (z. B., coco128.yaml). Diese Datei enth├Ąlt datensatzspezifische Parameter, darunter Pfade zu Trainings- und Validierungsdaten, Klassennamen und die Anzahl der Klassen.
epochs 100 Gesamtzahl der Trainingsepochen. Jede Epoche stellt einen vollst├Ąndigen Durchlauf durch den gesamten Datensatz dar. Die Anpassung dieses Wertes kann sich auf die Trainingsdauer und die Modellleistung auswirken.
time None Maximale Trainingszeit in Stunden. Falls festgelegt, ├╝bersteuert dies die epochs Argument, so dass das Training nach der angegebenen Dauer automatisch beendet wird. N├╝tzlich f├╝r zeitlich begrenzte Trainingsszenarien.
patience 100 Anzahl der Epochen, die abgewartet werden sollen, bevor das Training vorzeitig abgebrochen wird, ohne dass sich die Validierungskennzahlen verbessern. Hilft, eine ├ťberanpassung zu verhindern, indem das Training abgebrochen wird, wenn die Leistung nicht mehr ausreicht.
batch 16 Stapelgr├Â├če f├╝r das Training, die angibt, wie viele Bilder verarbeitet werden, bevor die internen Parameter des Modells aktualisiert werden. AutoBatch (batch=-1) passt die Stapelgr├Â├če dynamisch an die Verf├╝gbarkeit von GPU-Speicher an.
imgsz 640 Zielbildgr├Â├če f├╝r das Training. Alle Bilder werden auf diese Gr├Â├če gebracht, bevor sie in das Modell eingespeist werden. Beeinflusst die Modellgenauigkeit und den Rechenaufwand.
save True Erm├Âglicht das Speichern von Trainingskontrollpunkten und endg├╝ltigen Modellgewichten. N├╝tzlich f├╝r die Wiederaufnahme des Trainings oder den Einsatz des Modells.
save_period -1 H├Ąufigkeit der Speicherung von Modellpr├╝fpunkten, angegeben in Epochen. Ein Wert von -1 deaktiviert diese Funktion. N├╝tzlich zum Speichern von Zwischenmodellen w├Ąhrend langer Trainingseinheiten.
cache False Erm├Âglicht das Zwischenspeichern von Datensatzbildern im Speicher (True/ram), auf der Festplatte (disk), oder deaktiviert sie (False). Verbessert die Trainingsgeschwindigkeit, indem es die Festplattenein- und -ausgabe auf Kosten einer erh├Âhten Speichernutzung reduziert.
device None Legt die Recheneinheit(en) f├╝r das Training fest: eine einzelne GPU (device=0), mehrere GPUs (device=0,1), CPU (device=cpu), oder MPS f├╝r Apple-Silizium (device=mps).
workers 8 Anzahl der Worker-Threads f├╝r das Laden von Daten (pro RANK wenn Multi-GPU-Training). Beeinflusst die Geschwindigkeit der Datenvorverarbeitung und der Einspeisung in das Modell, besonders n├╝tzlich in Multi-GPU-Setups.
project None Name des Projektverzeichnisses, in dem die Trainingsergebnisse gespeichert werden. Erm├Âglicht die organisierte Speicherung verschiedener Experimente.
name None Name des Trainingslaufs. Wird f├╝r die Erstellung eines Unterverzeichnisses im Projektordner verwendet, in dem die Trainingsprotokolle und -ergebnisse gespeichert werden.
exist_ok False Bei True kann ein bestehendes Projekt/Namensverzeichnis ├╝berschrieben werden. N├╝tzlich f├╝r iterative Experimente, ohne dass die vorherigen Ausgaben manuell gel├Âscht werden m├╝ssen.
pretrained True Legt fest, ob das Training mit einem vorher trainierten Modell beginnen soll. Kann ein boolescher Wert oder ein String-Pfad zu einem bestimmten Modell sein, von dem die Gewichte geladen werden sollen. Erh├Âht die Trainingseffizienz und die Leistung des Modells.
optimizer 'auto' W├Ąhle einen Optimierer f├╝r die Ausbildung. Die Optionen umfassen SGD, Adam, AdamW, NAdam, RAdam, RMSProp usw., oder auto f├╝r die automatische Auswahl auf Basis der Modellkonfiguration. Beeinflusst die Konvergenzgeschwindigkeit und Stabilit├Ąt.
verbose False Aktiviert die ausf├╝hrliche Ausgabe w├Ąhrend des Trainings und liefert detaillierte Protokolle und Fortschrittsberichte. N├╝tzlich f├╝r die Fehlersuche und die genaue ├ťberwachung des Trainingsprozesses.
seed 0 Legt den zuf├Ąlligen Seed f├╝r das Training fest, um die Reproduzierbarkeit der Ergebnisse bei verschiedenen L├Ąufen mit denselben Konfigurationen sicherzustellen.
deterministic True Erzwingt die Verwendung deterministischer Algorithmen, was die Reproduzierbarkeit sicherstellt, aber aufgrund der Beschr├Ąnkung auf nicht-deterministische Algorithmen Leistung und Geschwindigkeit beeintr├Ąchtigen kann.
single_cls False Behandelt alle Klassen in Mehrklassen-Datens├Ątzen beim Training als eine einzige Klasse. N├╝tzlich f├╝r bin├Ąre Klassifizierungsaufgaben oder wenn der Fokus eher auf der Anwesenheit von Objekten als auf der Klassifizierung liegt.
rect False Erm├Âglicht ein rechteckiges Training, bei dem die Stapelzusammensetzung f├╝r minimale Auff├╝llungen optimiert wird. Dies kann die Effizienz und Geschwindigkeit verbessern, kann aber die Modellgenauigkeit beeintr├Ąchtigen.
cos_lr False Verwendet einen Kosinus-Lernratenplaner, der die Lernrate anhand einer Kosinuskurve ├╝ber Epochen hinweg anpasst. Hilft bei der Steuerung der Lernrate f├╝r eine bessere Konvergenz.
close_mosaic 10 Deaktiviert die Mosaikdatenerweiterung in den letzten N Epochen, um das Training vor dem Abschluss zu stabilisieren. Ein Wert von 0 deaktiviert diese Funktion.
resume False Setzt das Training ab dem letzten gespeicherten Kontrollpunkt fort. L├Ądt automatisch die Modellgewichte, den Optimierungsstatus und die Epochenzahl und setzt das Training nahtlos fort.
amp True Erm├Âglicht ein automatisches Training mit gemischter Pr├Ązision (AMP), das die Speichernutzung reduziert und das Training m├Âglicherweise beschleunigt, ohne die Genauigkeit zu beeintr├Ąchtigen.
fraction 1.0 Gibt den Teil des Datensatzes an, der f├╝r das Training verwendet werden soll. Erm├Âglicht das Training auf einer Teilmenge des gesamten Datensatzes, was f├╝r Experimente oder bei begrenzten Ressourcen n├╝tzlich ist.
profile False Erm├Âglicht die Erstellung von Profilen der Geschwindigkeiten von ONNX und TensorRT w├Ąhrend des Trainings, was f├╝r die Optimierung des Modelleinsatzes n├╝tzlich ist.
freeze None Friert die ersten N Schichten des Modells oder bestimmte Schichten nach Index ein und reduziert so die Anzahl der trainierbaren Parameter. N├╝tzlich f├╝r die Feinabstimmung oder das Transferlernen.
lr0 0.01 Anf├Ąngliche Lernrate (d. h. SGD=1E-2, Adam=1E-3) . Die Anpassung dieses Wertes ist entscheidend f├╝r den Optimierungsprozess und beeinflusst, wie schnell die Modellgewichte aktualisiert werden.
lrf 0.01 Endg├╝ltige Lernrate als ein Bruchteil der anf├Ąnglichen Rate = (lr0 * lrf), die in Verbindung mit Schedulern verwendet werden, um die Lernrate im Laufe der Zeit anzupassen.
momentum 0.937 Momentum-Faktor f├╝r SGD oder beta1 f├╝r Adam-Optimierer, der die Einbeziehung vergangener Gradienten in die aktuelle Aktualisierung beeinflusst.
weight_decay 0.0005 L2-Regularisierungsterm, der gro├če Gewichte bestraft, um eine ├ťberanpassung zu verhindern.
warmup_epochs 3.0 Anzahl der Epochen f├╝r das Aufw├Ąrmen der Lernrate, wobei die Lernrate schrittweise von einem niedrigen Wert auf die anf├Ąngliche Lernrate erh├Âht wird, um das Training fr├╝hzeitig zu stabilisieren.
warmup_momentum 0.8 Anfangsschwung f├╝r die Aufw├Ąrmphase, der sich im Laufe der Aufw├Ąrmphase allm├Ąhlich an den eingestellten Schwung anpasst.
warmup_bias_lr 0.1 Lernrate f├╝r Bias-Parameter w├Ąhrend der Aufw├Ąrmphase, um das Modelltraining in den ersten Epochen zu stabilisieren.
box 7.5 Gewicht der Box-Loss-Komponente in der Verlustfunktion, die bestimmt, wie viel Wert auf die genaue Vorhersage der Bounding-Box-Koordinaten gelegt wird.
cls 0.5 Gewicht des Klassifizierungsverlusts in der Gesamtverlustfunktion, das die Bedeutung der korrekten Klassenvorhersage im Vergleich zu anderen Komponenten bestimmt.
dfl 1.5 Gewicht des Verteilungsfokusverlustes, der in bestimmten Versionen von YOLO f├╝r eine feink├Ârnige Klassifizierung verwendet wird.
pose 12.0 Gewicht des Posenverlusts in Modellen, die f├╝r die Posensch├Ątzung trainiert wurden, was den Schwerpunkt auf die genaue Vorhersage von Posen-Keypoints legt.
kobj 2.0 Gewichtung des Objektivit├Ątsverlusts von Schl├╝sselpunkten in Modellen zur Posensch├Ątzung, die die Erkennungssicherheit mit der Posengenauigkeit in Einklang bringen.
label_smoothing 0.0 Die Gl├Ąttung von Labels, d.h. die Aufweichung harter Labels zu einer Mischung aus dem Ziel-Label und einer gleichm├Ą├čigen Verteilung ├╝ber die Labels, kann die Generalisierung verbessern.
nbs 64 Nominale Losgr├Â├če zur Normalisierung des Verlustes.
overlap_mask True Legt fest, ob sich die Segmentierungsmasken w├Ąhrend des Trainings ├╝berlappen sollen, z. B. bei Instanzsegmentierungsaufgaben.
mask_ratio 4 Downsample-Verh├Ąltnis f├╝r Segmentierungsmasken, das sich auf die Aufl├Âsung der beim Training verwendeten Masken auswirkt.
dropout 0.0 Dropout-Rate f├╝r die Regularisierung bei Klassifizierungsaufgaben, die eine ├ťberanpassung durch zuf├Ąlliges Weglassen von Einheiten w├Ąhrend des Trainings verhindert.
val True Erm├Âglicht die Validierung w├Ąhrend des Trainings, so dass die Leistung des Modells regelm├Ą├čig an einem separaten Datensatz bewertet werden kann.
plots False Erzeugt und speichert Diagramme von Trainings- und Validierungskennzahlen sowie Vorhersagebeispiele, die einen visuellen Einblick in die Modellleistung und den Lernfortschritt geben.

Zugf├╝hrer

Vorhersage

Die Vorhersageeinstellungen f├╝r YOLO Modelle umfassen eine Reihe von Hyperparametern und Konfigurationen, die die Leistung, Geschwindigkeit und Genauigkeit des Modells bei der Inferenz auf neue Daten beeinflussen. Eine sorgf├Ąltige Abstimmung und das Experimentieren mit diesen Einstellungen sind wichtig, um eine optimale Leistung f├╝r eine bestimmte Aufgabe zu erreichen. Zu den wichtigsten Einstellungen geh├Âren der Konfidenzschwellenwert, der Schwellenwert f├╝r die Nicht-Maximum-Unterdr├╝ckung (NMS) und die Anzahl der ber├╝cksichtigten Klassen. Weitere Faktoren, die sich auf den Vorhersageprozess auswirken, sind die Gr├Â├če und das Format der Eingabedaten, das Vorhandensein zus├Ątzlicher Merkmale wie Masken oder mehrere Labels pro K├Ąstchen und die spezielle Aufgabe, f├╝r die das Modell eingesetzt wird.

Argumente f├╝r Schlussfolgerungen:

Argument Typ Standard Beschreibung
source str 'ultralytics/assets' Gibt die Datenquelle f├╝r die Inferenz an. Das kann ein Bildpfad, eine Videodatei, ein Verzeichnis, eine URL oder eine Ger├Ąte-ID f├╝r Live-Feeds sein. Unterst├╝tzt eine breite Palette von Formaten und Quellen und erm├Âglicht so eine flexible Anwendung f├╝r verschiedene Arten von Eingaben.
conf float 0.25 Legt die minimale Vertrauensschwelle f├╝r Erkennungen fest. Objekte, die mit einer geringeren Konfidenz als dieser Schwelle erkannt werden, werden nicht ber├╝cksichtigt. Die Anpassung dieses Wertes kann dazu beitragen, Falschmeldungen zu reduzieren.
iou float 0.7 Intersection Over Union (IoU) Schwellenwert f├╝r Non-Maximum Suppression (NMS). H├Âhere Werte f├╝hren zu weniger Erkennungen, da ├╝berlappende Boxen eliminiert werden, was f├╝r die Reduzierung von Duplikaten n├╝tzlich ist.
imgsz int or tuple 640 Legt die Bildgr├Â├če f├╝r die Inferenz fest. Kann eine einzelne ganze Zahl sein 640 f├╝r quadratische Gr├Â├čen├Ąnderungen oder ein (H├Âhe, Breite) Tupel. Die richtige Gr├Â├čenbestimmung kann die Erkennungsgenauigkeit und die Verarbeitungsgeschwindigkeit verbessern.
half bool False Erm├Âglicht die Inferenz mit halber Genauigkeit (FP16), was die Modellinferenz auf unterst├╝tzten GPUs mit minimalen Auswirkungen auf die Genauigkeit beschleunigen kann.
device str None Gibt das Ger├Ąt f├╝r die Inferenz an (z.B., cpu, cuda:0 oder 0). Erm├Âglicht die Auswahl zwischen einer CPU, einem bestimmten Grafikprozessor oder anderen Recheneinheiten f├╝r die Modellausf├╝hrung.
max_det int 300 Maximal zul├Ąssige Anzahl von Erkennungen pro Bild. Begrenzt die Gesamtzahl der Objekte, die das Modell in einer einzigen Schlussfolgerung erkennen kann, um ├╝berm├Ą├čige Ausgaben in dichten Szenen zu verhindern.
vid_stride int 1 Frame Stride f├╝r Videoeing├Ąnge. Erm├Âglicht das ├ťberspringen von Bildern in Videos, um die Verarbeitung auf Kosten der zeitlichen Aufl├Âsung zu beschleunigen. Bei einem Wert von 1 wird jedes Bild verarbeitet, bei h├Âheren Werten werden Bilder ├╝bersprungen.
stream_buffer bool False Legt fest, ob bei der Verarbeitung von Videostreams alle Bilder gepuffert werden sollen (True), oder ob das Modell den letzten Frame zur├╝ckgeben soll (False). N├╝tzlich f├╝r Echtzeitanwendungen.
visualize bool False Aktiviert die Visualisierung von Modellmerkmalen w├Ąhrend der Inferenz und gibt Einblicke in das, was das Modell "sieht". N├╝tzlich f├╝r die Fehlersuche und Modellinterpretation.
augment bool False Erm├Âglicht die Test-Time-Augmentation (TTA) f├╝r Vorhersagen, was die Robustheit der Erkennung auf Kosten der Schlussfolgerungsgeschwindigkeit verbessern kann.
agnostic_nms bool False Erm├Âglicht die klassenunabh├Ąngige Non-Maximum Suppression (NMS), die ├╝berlappende Boxen verschiedener Klassen zusammenf├╝hrt. N├╝tzlich in Szenarien mit mehreren Klassen, in denen sich die Klassen h├Ąufig ├╝berschneiden.
classes list[int] None Filtert Vorhersagen auf eine Reihe von Klassen-IDs. Nur Erkennungen, die zu den angegebenen Klassen geh├Âren, werden zur├╝ckgegeben. N├╝tzlich, um sich bei Erkennungsaufgaben mit mehreren Klassen auf relevante Objekte zu konzentrieren.
retina_masks bool False Verwendet hochaufl├Âsende Segmentierungsmasken, falls im Modell vorhanden. Dies kann die Qualit├Ąt der Masken f├╝r Segmentierungsaufgaben verbessern, da sie feinere Details liefern.
embed list[int] None Legt die Ebenen fest, aus denen Merkmalsvektoren oder Einbettungen extrahiert werden sollen. Nützlich für nachgelagerte Aufgaben wie Clustering oder Ähnlichkeitssuche.

Argumente f├╝r die Visualisierung:

Argument Typ Standard Beschreibung
show bool False Wenn Truezeigt die kommentierten Bilder oder Videos in einem Fenster an. N├╝tzlich f├╝r sofortiges visuelles Feedback w├Ąhrend der Entwicklung oder Pr├╝fung.
save bool False Erm├Âglicht das Speichern der kommentierten Bilder oder Videos in einer Datei. N├╝tzlich f├╝r die Dokumentation, weitere Analysen oder das Teilen von Ergebnissen.
save_frames bool False Bei der Verarbeitung von Videos werden einzelne Bilder als Bilder gespeichert. Das ist n├╝tzlich, um bestimmte Bilder zu extrahieren oder um eine detaillierte Bild-f├╝r-Bild-Analyse durchzuf├╝hren.
save_txt bool False Speichert die Erkennungsergebnisse in einer Textdatei, die dem Format [class] [x_center] [y_center] [width] [height] [confidence]. N├╝tzlich f├╝r die Integration mit anderen Analysetools.
save_conf bool False Enth├Ąlt Konfidenzwerte in den gespeicherten Textdateien. Erh├Âht die Detailgenauigkeit bei der Nachbearbeitung und Analyse.
save_crop bool False Speichert abgeschnittene Bilder von Erkennungen. N├╝tzlich f├╝r die Erweiterung von Datens├Ątzen, die Analyse oder die Erstellung gezielter Datens├Ątze f├╝r bestimmte Objekte.
show_labels bool True Zeigt Beschriftungen f├╝r jede Erkennung in der visuellen Ausgabe an. Erm├Âglicht ein sofortiges Verst├Ąndnis der erkannten Objekte.
show_conf bool True Zeigt die Konfidenzwerte f├╝r jede Erkennung neben der Bezeichnung an. Gibt einen Einblick in die Sicherheit des Modells f├╝r jede Erkennung.
show_boxes bool True Zeichnet Begrenzungsrahmen um erkannte Objekte. Unverzichtbar f├╝r die visuelle Identifizierung und Lokalisierung von Objekten in Bildern oder Videoframes.
line_width None or int None Legt die Linienbreite von Begrenzungsrahmen fest. Wenn NoneDie Linienbreite wird automatisch an die Bildgr├Â├če angepasst. Bietet visuelle Anpassungen f├╝r mehr Klarheit.

Leitfaden vorhersagen

Val

Die Validierungseinstellungen f├╝r YOLO Modelle umfassen verschiedene Hyperparameter und Konfigurationen, mit denen die Leistung des Modells auf einem Validierungsdatensatz bewertet wird. Diese Einstellungen beeinflussen die Leistung, Geschwindigkeit und Genauigkeit des Modells. Zu den ├╝blichen YOLO Validierungseinstellungen geh├Âren die Stapelgr├Â├če, die H├Ąufigkeit der Validierung w├Ąhrend des Trainings und die Metriken zur Leistungsbewertung. Weitere Faktoren, die den Validierungsprozess beeinflussen, sind die Gr├Â├če und Zusammensetzung des Validierungsdatensatzes sowie die spezifische Aufgabe, f├╝r die das Modell eingesetzt wird. Eine sorgf├Ąltige Abstimmung und das Experimentieren mit diesen Einstellungen sind entscheidend, um eine optimale Leistung auf dem Validierungsdatensatz sicherzustellen und eine ├ťberanpassung zu erkennen und zu verhindern.

Schl├╝ssel Wert Beschreibung
data None Pfad zur Datendatei, d.h. coco128.yaml
imgsz 640 Gr├Â├če der Eingabebilder als Ganzzahl
batch 16 Anzahl der Bilder pro Stapel (-1 f├╝r AutoBatch)
save_json False Ergebnisse in JSON-Datei speichern
save_hybrid False Hybridversion der Labels speichern (Labels + zus├Ątzliche Vorhersagen)
conf 0.001 Objektkonfidenzschwelle f├╝r die Erkennung
iou 0.6 intersection over union (IoU) Schwelle f├╝r NMS
max_det 300 maximale Anzahl von Erkennungen pro Bild
half True halbe Genauigkeit verwenden (FP16)
device None Ger├Ąt, auf dem es laufen soll, d.h. cuda device=0/1/2/3 oder device=cpu
dnn False OpenCV DNN f├╝r ONNX Inferenz verwenden
plots False Plots und Bilder w├Ąhrend des Trainings/der Pr├╝fung speichern
rect False rechteckiger Wert, wobei jede Charge f├╝r minimale Polsterung zusammengestellt wird
split val Split des Datensatzes, der f├╝r die Validierung verwendet werden soll, d.h. "val", "test" oder "train

Val Guide

exportieren

Die Exporteinstellungen f├╝r YOLO Modelle umfassen Konfigurationen und Optionen f├╝r das Speichern oder Exportieren des Modells zur Verwendung in verschiedenen Umgebungen oder Plattformen. Diese Einstellungen k├Ânnen sich auf die Leistung, die Gr├Â├če und die Kompatibilit├Ąt des Modells mit verschiedenen Systemen auswirken. Zu den wichtigsten Exporteinstellungen geh├Âren das Format der exportierten Modelldatei (z. B. ONNX, TensorFlow SavedModel ), das Zielger├Ąt (z. B. CPU, GPU) und zus├Ątzliche Funktionen wie Masken oder mehrere Beschriftungen pro K├Ąstchen. Der Exportprozess kann auch von der spezifischen Aufgabe des Modells und den Anforderungen oder Einschr├Ąnkungen der Zielumgebung oder -plattform beeinflusst werden. Es ist wichtig, diese Einstellungen sorgf├Ąltig zu konfigurieren, um sicherzustellen, dass das exportierte Modell f├╝r den beabsichtigten Anwendungsfall optimiert ist und in der Zielumgebung effektiv funktioniert.

Schl├╝ssel Wert Beschreibung
format 'torchscript' Format zum Exportieren in
imgsz 640 Bildgr├Â├če als Skalar oder (h, w) Liste, z.B. (640, 480)
keras False Keras f├╝r TF verwendenSavedModel exportieren
optimize False TorchScript: f├╝r Mobilger├Ąte optimieren
half False FP16 Quantisierung
int8 False INT8 Quantisierung
dynamic False ONNX/TensorRT: dynamische Achsen
simplify False ONNX/TensorRT: Modell vereinfachen
opset None ONNX: Opset-Version (optional, standardm├Ą├čig die neueste)
workspace 4 TensorRT: Gr├Â├če des Arbeitsbereichs (GB)
nms False CoreMLNMS hinzuf├╝gen

Leitfaden exportieren

Augmentation

Die Erweiterungseinstellungen f├╝r YOLO Modelle beziehen sich auf die verschiedenen Transformationen und Modifikationen, die an den Trainingsdaten vorgenommen werden, um die Vielfalt und Gr├Â├če des Datensatzes zu erh├Âhen. Diese Einstellungen k├Ânnen die Leistung, Geschwindigkeit und Genauigkeit des Modells beeinflussen. Zu den ├╝blichen Einstellungen f├╝r die YOLO Augmentation geh├Âren die Art und Intensit├Ąt der angewandten Transformationen (z. B. zuf├Ąllige Spiegelungen, Drehungen, Beschneidungen, Farb├Ąnderungen), die Wahrscheinlichkeit, mit der jede Transformation angewandt wird, und das Vorhandensein zus├Ątzlicher Merkmale wie Masken oder mehrere Labels pro Box. Weitere Faktoren, die sich auf den Erweiterungsprozess auswirken k├Ânnen, sind die Gr├Â├če und Zusammensetzung des urspr├╝nglichen Datensatzes und die spezifische Aufgabe, f├╝r die das Modell verwendet wird. Es ist wichtig, diese Einstellungen sorgf├Ąltig abzustimmen und mit ihnen zu experimentieren, um sicherzustellen, dass der erweiterte Datensatz vielf├Ąltig und repr├Ąsentativ genug ist, um ein leistungsf├Ąhiges Modell zu trainieren.

Schl├╝ssel Wert Beschreibung
hsv_h 0.015 Bild HSV-Farbton-Augmentation (Anteil)
hsv_s 0.7 Bild HSV-S├Ąttigungsvergr├Â├čerung (Anteil)
hsv_v 0.4 Bild HSV-Wert-Augmentation (Anteil)
degrees 0.0 Bilddrehung (+/- deg)
translate 0.1 Bild├╝bersetzung (+/- Fraktion)
scale 0.5 Abbildungsma├čstab (+/- Verst├Ąrkung)
shear 0.0 Bildscherung (+/- Grad)
perspective 0.0 Bildperspektive (+/- Fraktion), Bereich 0-0,001
flipud 0.0 Bild nach oben-unten spiegeln (Wahrscheinlichkeit)
fliplr 0.5 Bild spiegeln links-rechts (Wahrscheinlichkeit)
mosaic 1.0 Bildmosaik (Wahrscheinlichkeit)
mixup 0.0 Bildverwechslung (Wahrscheinlichkeit)
copy_paste 0.0 Segment kopieren-einf├╝gen (Wahrscheinlichkeit)
auto_augment 'randaugment' Auto-Augmentierungsrichtlinie f├╝r die Klassifizierung (randaugment, autoaugment, augmix)
erasing 0.4 Wahrscheinlichkeit des zuf├Ąlligen L├Âschens w├Ąhrend des Klassifizierungstrainings (0-1) Training

Logging, Checkpoints, Plotten und Dateiverwaltung

Logging, Checkpoints, Plotten und Dateiverwaltung sind wichtige Aspekte beim Training eines YOLO Modells.

  • Protokollierung: Es ist oft hilfreich, verschiedene Metriken und Statistiken w├Ąhrend des Trainings zu protokollieren, um den Fortschritt des Modells zu verfolgen und eventuell auftretende Probleme zu diagnostizieren. Dies kann mit einer Logging-Bibliothek wie TensorBoard oder durch das Schreiben von Logmeldungen in eine Datei geschehen.
  • Kontrollpunkte: Es ist eine gute Praxis, w├Ąhrend des Trainings in regelm├Ą├čigen Abst├Ąnden Kontrollpunkte des Modells zu speichern. So kannst du das Training von einem fr├╝heren Punkt aus wieder aufnehmen, wenn der Trainingsprozess unterbrochen wird oder wenn du mit verschiedenen Trainingskonfigurationen experimentieren m├Âchtest.
  • Diagramme erstellen: Die Visualisierung der Leistung des Modells und des Trainingsfortschritts kann hilfreich sein, um zu verstehen, wie sich das Modell verh├Ąlt und um m├Âgliche Probleme zu erkennen. Dies kann mit einer Plot-Bibliothek wie matplotlib oder durch die Erstellung von Plots mit einer Logging-Bibliothek wie TensorBoard geschehen.
  • Dateiverwaltung: Die Verwaltung der verschiedenen Dateien, die w├Ąhrend des Trainingsprozesses entstehen, wie z. B. Modellpr├╝fpunkte, Protokolldateien und Diagramme, kann eine Herausforderung sein. Es ist wichtig, eine klare und organisierte Dateistruktur zu haben, um den ├ťberblick ├╝ber diese Dateien zu behalten und sie bei Bedarf einfach abrufen und analysieren zu k├Ânnen.

Effektive Protokollierung, Checkpointing, Plotting und Dateiverwaltung helfen dir, den Fortschritt des Modells zu verfolgen und erleichtern die Fehlersuche und Optimierung des Trainingsprozesses.

Schl├╝ssel Wert Beschreibung
project 'runs' Projektname
name 'exp' Experimentname. exp wird automatisch hochgez├Ąhlt, wenn es nicht angegeben wird, d.h, exp, exp2 ...
exist_ok False ob bestehendes Experiment ├╝berschrieben werden soll
plots False Plots w├Ąhrend train/val speichern
save False Zugkontrollpunkte speichern und Ergebnisse vorhersagen


Erstellt am 2023-11-12, Aktualisiert am 2024-02-19
Autoren: Laughing-q (1), glenn-jocher (11), AyushExel (1), fcakyon (1), chr043416@gmail.com (1), tensorturtle (1)

Kommentare