Tipps für beste Trainingsergebnisse

📚 In diesem Leitfaden wird erklärt, wie du mit YOLOv5 die besten mAP- und Trainingsergebnisse erzielst 🚀.

In den meisten Fällen lassen sich gute Ergebnisse erzielen, ohne dass die Modelle oder Trainingseinstellungen geändert werden müssen, vorausgesetzt, dein Datensatz ist ausreichend groß und gut beschriftet. Wenn du anfangs keine guten Ergebnisse erzielst, gibt es Maßnahmen, die du ergreifen kannst, um sie zu verbessern, aber wir empfehlen immer, zunächst mit allen Standardeinstellungen zu trainieren, bevor du Änderungen in Betracht ziehst. Auf diese Weise kannst du einen Grundstein für die Leistung legen und Bereiche mit Verbesserungspotenzial erkennen.

Wenn du Fragen zu deinen Trainingsergebnissen hast wir empfehlen dir, so viele Informationen wie möglich anzugeben if you expect a helpful response, including results plots (train losses, val losses, P, R, mAP), PR curve, confusion matrix, training mosaics, test results and dataset statistics images such as labels.png. All of these are located in your project/name Verzeichnis, typischerweise yolov5/runs/train/exp.

Nachfolgend haben wir einen vollständigen Leitfaden für Nutzer/innen zusammengestellt, die die besten Ergebnisse in ihren YOLOv5 Trainings erzielen wollen.

Datensatz

• Bilder pro Klasse. ≥ 1500 Bilder pro Klasse empfohlen
• Instanzen pro Klasse. ≥ 10000 Instanzen (beschriftete Objekte) pro Klasse empfohlen
• Bildvielfalt. Sie müssen für die Einsatzumgebung repräsentativ sein. Für reale Anwendungsfälle empfehlen wir Bilder aus verschiedenen Tageszeiten, unterschiedlichen Jahreszeiten, unterschiedlichem Wetter, unterschiedlicher Beleuchtung, unterschiedlichen Blickwinkeln, unterschiedlichen Quellen (online gescannt, vor Ort gesammelt, unterschiedliche Kameras) usw.
• Konsistenz der Beschriftung. Alle Instanzen aller Klassen in allen Bildern müssen beschriftet werden. Eine teilweise Beschriftung ist nicht möglich.
• Label accuracy. Labels must closely enclose each object. No space should exist between an object and it's bounding box. No objects should be missing a label.
• Überprüfung des Labels. Siehe train_batch*.jpg beim Start des Zuges, um zu überprüfen, ob deine Beschriftungen korrekt sind, d.h. siehe Beispiel Mosaik.
• Hintergrundbilder. Hintergrundbilder sind Bilder ohne Objekte, die zu einem Datensatz hinzugefügt werden, um False Positives (FP) zu reduzieren. Wir empfehlen etwa 0-10% Hintergrundbilder, um FP zu reduzieren (COCO hat 1000 Hintergrundbilder als Referenz, 1% der Gesamtmenge). Für Hintergrundbilder sind keine Beschriftungen erforderlich.

Modellauswahl

Größere Modelle wie YOLOv5x und YOLOv5x6 liefern in fast allen Fällen bessere Ergebnisse, haben aber mehr Parameter, benötigen mehr CUDA Speicherplatz zum Trainieren und sind langsamer in der Ausführung. Für mobile Einsätze empfehlen wir YOLOv5s/m, für Cloud-Einsätze YOLOv5l/x. In unserer README-Tabelle findest du einen vollständigen Vergleich aller Modelle.

• Beginne mit vortrainierten Gewichten. Empfohlen für kleine bis mittlere Datensätze (d. h. VOC, VisDrone, GlobalWheat). Übergeben Sie den Namen des Modells an die --weights Argument. Modelle werden automatisch von der neueste Version YOLOv5.

python train.py --data custom.yaml --weights yolov5s.pt
                                             yolov5m.pt
                                             yolov5l.pt
                                             yolov5x.pt
                                             custom_pretrained.pt

• Ganz von vorne anfangen. Empfohlen für große Datensätze (d. h. COCO, Objekte365, OIv6). Übergeben Sie die YAML-Modellarchitektur, an der Sie interessiert sind, zusammen mit einem leeren --weights '' Argument:

python train.py --data custom.yaml --weights '' --cfg yolov5s.yaml
                                                      yolov5m.yaml
                                                      yolov5l.yaml
                                                      yolov5x.yaml

Training Einstellungen

Bevor du etwas änderst, solltest du zunächst mit den Standardeinstellungen trainieren, um eine Leistungsbasis zu schaffen. Eine vollständige Liste der train.py-Einstellungen findest du im train.py argparser.

• Epochs. Start with 300 epochs. If this overfits early then you can reduce epochs. If overfitting does not occur after 300 epochs, train longer, i.e. 600, 1200 etc. epochs.
• Bildgröße. COCO trainiert mit einer nativen Auflösung von --img 640Aufgrund des hohen Anteils kleiner Objekte im Datensatz kann es jedoch von einem Training mit höheren Auflösungen profitieren. --img 1280. Wenn es viele kleine Objekte gibt, profitieren benutzerdefinierte Datensätze vom Training in nativer oder höherer Auflösung. Die besten Inferenzergebnisse werden mit der gleichen --img wie das Training durchgeführt wurde, d.h. wenn du bei --img 1280 solltest du auch testen und feststellen, ob --img 1280.
• Batch size. Verwenden Sie die größte --batch-size die deine Hardware zulässt. Kleine Losgrößen führen zu schlechten Batchnorm-Statistiken und sollten vermieden werden.
• Hyperparameter. Die Standard-Hyperparameter sind in hyp.scratch-low.yaml. Wir empfehlen dir, zunächst mit den Standard-Hyperparametern zu trainieren, bevor du daran denkst, sie zu ändern. Im Allgemeinen reduziert und verzögert eine Erhöhung der Augmentations-Hyperparameter die Überanpassung und ermöglicht so längere Trainingszeiten und eine höhere mAP. Verringerung der Verlustkomponente Verstärkung Hyperparameter wie hyp['obj'] helfen, die Überanpassung in diesen spezifischen Verlustkomponenten zu reduzieren. Eine automatische Methode zur Optimierung dieser Hyperparameter findest du in unserem Hyperparameter Evolution Tutorial.

Weitere Lektüre

If you'd like to know more, a good place to start is Karpathy's 'Recipe for Training Neural Networks', which has great ideas for training that apply broadly across all ML domains: https://karpathy.github.io/2019/04/25/recipe/

Viel Glück 🍀 und lass uns wissen, wenn du weitere Fragen hast!

📅 Created 11 months ago ✏️ Updated 20 days ago

Kommentare