Skip to content

Configuration

YOLO et les hyperparamètres jouent un rôle essentiel dans les performances, la vitesse et la précision du modèle. Ces paramètres et hyperparamètres peuvent affecter le comportement du modèle à différents stades du processus de développement du modèle, notamment la formation, la validation et la prédiction.



Regarder : Mastering Ultralytics YOLO : Configuration

Ultralytics utilisent la syntaxe suivante :

Exemple

yolo TASK MODE ARGS
from ultralytics import YOLO

# Load a YOLO11 model from a pre-trained weights file
model = YOLO("yolo11n.pt")

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

OĂą ?

Défaut ARG sont définies sur cette page à partir de la cfg/defaults.yaml fichier.

Tâches

YOLO peuvent être utilisés pour diverses tâches, notamment la détection, la segmentation, la classification et la pose. Ces tâches diffèrent par le type de résultat qu'elles produisent et le problème spécifique qu'elles sont censées résoudre.

  • DĂ©tecter: Pour identifier et localiser des objets ou des rĂ©gions d'intĂ©rĂŞt dans une image ou une vidĂ©o.
  • Segment: Pour diviser une image ou une vidĂ©o en rĂ©gions ou en pixels qui correspondent Ă  diffĂ©rents objets ou classes.
  • Classifier: Pour prĂ©dire l'Ă©tiquette de classe d'une image d'entrĂ©e.
  • Pose: Pour identifier les objets et estimer leurs points clĂ©s dans une image ou une vidĂ©o.
  • OBB: boĂ®tes de dĂ©limitation orientĂ©es (c'est-Ă -dire tournĂ©es) adaptĂ©es Ă  l'imagerie satellitaire ou mĂ©dicale.
Argument DĂ©faut Description
task 'detect' Spécifie la tâche YOLO à exécuter. Les options comprennent detect pour détection d'objets, segment pour la segmentation, classify pour la classification, pose pour l'estimation de la pose et obb pour les boîtes de délimitation orientées. Chaque tâche est adaptée à des types de résultats et à des problèmes spécifiques dans le domaine de l'analyse d'images et de vidéos.

Guide des tâches

Modes

YOLO peuvent être utilisés dans différents modes en fonction du problème spécifique que vous essayez de résoudre. Ces modes sont les suivants

  • Train: Pour former un modèle YOLO11 sur un ensemble de donnĂ©es personnalisĂ©.
  • Val: pour valider un modèle YOLO11 après son apprentissage.
  • PrĂ©dire: Pour faire des prĂ©dictions Ă  l'aide d'un modèle YOLO11 entraĂ®nĂ© sur de nouvelles images ou vidĂ©os.
  • Exporter: Pour exporter un modèle YOLO11 dans un format utilisable pour le dĂ©ploiement.
  • Track: Pour suivre des objets en temps rĂ©el Ă  l'aide d'un modèle YOLO11 .
  • Benchmark: Pour Ă©valuer la vitesse et la prĂ©cision des exportations de YOLO11 (ONNX, TensorRT, etc.).
Argument DĂ©faut Description
mode 'train' Spécifie le mode de fonctionnement du modèle YOLO . Les options sont les suivantes train pour l'apprentissage du modèle, val pour validation, predict pour l'inférence sur de nouvelles données, export pour la conversion des modèles en formats de déploiement, track pour le suivi des objets, et benchmark pour l'évaluation des performances. Chaque mode est conçu pour différentes étapes du cycle de vie du modèle, du développement au déploiement.

Guide des modes

RĂ©glages du train

Les paramètres d'apprentissage des modèles YOLO englobent divers hyperparamètres et configurations utilisés au cours du processus d'apprentissage. Ces paramètres influencent les performances, la vitesse et la précision du modèle. Les principaux paramètres de formation comprennent la taille du lot, le taux d'apprentissage, l'élan et la décroissance des poids. En outre, le choix de l'optimiseur, de la fonction de perte et de la composition de l'ensemble de données d'apprentissage peut avoir un impact sur le processus d'apprentissage. Un réglage minutieux et l'expérimentation de ces paramètres sont essentiels pour optimiser les performances.

Argument DĂ©faut Description
model None Spécifie le fichier modèle pour la formation. Accepte un chemin vers un fichier .pt ou un modèle pré-entraîné .yaml fichier de configuration. Essentiel pour définir la structure du modèle ou initialiser les poids.
data None Chemin d'accès au fichier de configuration du jeu de données (par exemple, coco8.yaml). Ce fichier contient les paramètres spécifiques à l'ensemble de données, y compris les chemins d'accès à l'entraînement et à la formation. données de validationLes noms des classes et le nombre de classes.
epochs 100 Nombre total d'époques d'apprentissage. Chaque époque représente un passage complet sur l'ensemble des données. L'ajustement de cette valeur peut affecter la durée de l'apprentissage et les performances du modèle.
time None Durée maximale de la formation en heures. S'il est défini, ce paramètre remplace le paramètre epochs permettant à la formation de s'arrêter automatiquement après la durée spécifiée. Utile pour les scénarios de formation limités dans le temps.
patience 100 Nombre d'époques à attendre sans amélioration des mesures de validation avant d'arrêter la formation. Permet d'éviter le surajustement en arrêtant la formation lorsque les performances atteignent un plateau.
batch 16 Taille du lotavec trois modes : un nombre entier (par exemple, le nombre d'heures de travail) et un nombre de jours de travail (par exemple, le nombre d'heures de travail), batch=16), mode automatique pour une utilisation de la mémoire de 60 % GPU (batch=-1), ou le mode automatique avec la fraction d'utilisation spécifiée (batch=0.70).
imgsz 640 Taille cible de l'image pour l'apprentissage. Toutes les images sont redimensionnées à cette dimension avant d'être introduites dans le modèle. Affecte la précision du modèle et la complexité de calcul.
save True Permet d'enregistrer les points de contrôle de la formation et les poids finaux du modèle. Utile pour reprendre la formation ou le déploiement du modèle.
save_period -1 Fréquence d'enregistrement des points de contrôle du modèle, spécifiée en époques. La valeur -1 désactive cette fonction. Utile pour sauvegarder des modèles provisoires lors de longues sessions de formation.
cache False Permet la mise en cache des images de l'ensemble des données en mémoire (True/ram), sur disque (disk), ou la désactive (False). Améliore la vitesse d'apprentissage en réduisant les E/S sur disque au prix d'une utilisation accrue de la mémoire.
device None Spécifie le(s) dispositif(s) de calcul pour la formation : un seul GPU (device=0), plusieurs GPU (device=0,1), CPU (device=cpu), ou MPS pour le silicium d'Apple (device=mps).
workers 8 Nombre de threads de travail pour le chargement des données (par RANK si Multi-GPU formation). Influence la vitesse de prétraitement des données et d'alimentation du modèle, particulièrement utile dans les configurations multiGPU .
project None Nom du répertoire du projet dans lequel les résultats de la formation sont enregistrés. Permet d'organiser le stockage des différentes expériences.
name None Nom de l'exercice de formation. Utilisé pour créer un sous-répertoire dans le dossier du projet, où les journaux de formation et les résultats sont stockés.
exist_ok False Si True, permet d'écraser un répertoire projet/nom existant. Utile pour l'expérimentation itérative sans avoir à effacer manuellement les sorties précédentes.
pretrained True Détermine s'il faut commencer la formation à partir d'un modèle pré-entraîné. Il peut s'agir d'une valeur booléenne ou d'un chemin d'accès à un modèle spécifique à partir duquel les poids sont chargés. Améliore l'efficacité de la formation et les performances du modèle.
optimizer 'auto' Choix de l'optimiseur pour la formation. Les options comprennent SGD, Adam, AdamW, NAdam, RAdam, RMSProp etc. auto pour une sélection automatique basée sur la configuration du modèle. Affecte la vitesse de convergence et la stabilité.
seed 0 Définit la graine aléatoire pour l'entraînement, ce qui garantit la reproductibilité des résultats d'une exécution à l'autre avec les mêmes configurations.
deterministic True Force l'utilisation d'algorithmes déterministes, ce qui garantit la reproductibilité, mais peut affecter les performances et la vitesse en raison de la restriction sur les algorithmes non déterministes.
single_cls False Traite toutes les classes des ensembles de données multi-classes comme une seule classe pendant la formation. Utile pour les tâches de classification binaire ou lorsque l'on se concentre sur la présence d'objets plutôt que sur la classification.
classes None Spécifie une liste d'identifiants de classe pour l'entraînement. Utile pour filtrer et se concentrer uniquement sur certaines classes pendant la formation.
rect False Permet un apprentissage rectangulaire, en optimisant la composition des lots pour un remplissage minimal. Cela peut améliorer l'efficacité et la vitesse, mais peut affecter la précision du modèle.
cos_lr False Utilise un planificateur de taux d' apprentissage en cosinus, qui ajuste le taux d'apprentissage en suivant une courbe en cosinus au fil des époques. Aide à gérer le taux d'apprentissage pour une meilleure convergence.
close_mosaic 10 Désactive l'augmentation des données de la mosaïque dans les N dernières époques afin de stabiliser l'apprentissage avant qu'il ne soit terminé. La valeur 0 désactive cette fonction.
resume False Reprend la formation à partir du dernier point de contrôle enregistré. Charge automatiquement les poids du modèle, l'état de l'optimiseur et le nombre d'époques, afin de poursuivre la formation de manière transparente.
amp True Permet l'apprentissage automatique de la précision mixte (AMP), ce qui réduit l'utilisation de la mémoire et accélère éventuellement l'apprentissage avec un impact minimal sur la précision.
fraction 1.0 Spécifie la fraction de l'ensemble de données à utiliser pour la formation. Permet la formation sur un sous-ensemble de l'ensemble des données, utile pour les expériences ou lorsque les ressources sont limitées.
profile False Permet d'établir le profil des vitesses ONNX et TensorRT pendant la formation, ce qui est utile pour optimiser le déploiement du modèle.
freeze None Gèle les N premières couches du modèle ou les couches spécifiées par index, réduisant ainsi le nombre de paramètres entraînables. Utile pour le réglage fin ou l'apprentissage par transfert.
lr0 0.01 Taux d'apprentissage initial (c'est-à-dire SGD=1E-2, Adam=1E-3) . L'ajustement de cette valeur est crucial pour le processus d'optimisation, car il influence la rapidité avec laquelle les poids du modèle sont mis à jour.
lrf 0.01 Taux d'apprentissage final en fraction du taux initial = (lr0 * lrf), utilisé en conjonction avec des programmateurs pour ajuster le taux d'apprentissage au fil du temps.
momentum 0.937 Facteur d'impulsion pour SGD ou beta1 pour les optimiseurs Adam, influençant l'incorporation des gradients passés dans la mise à jour actuelle.
weight_decay 0.0005 Terme de régularisation L2, pénalisant les poids importants pour éviter l'ajustement excessif.
warmup_epochs 3.0 Nombre d'époques pour l'échauffement du taux d'apprentissage, augmentant progressivement le taux d'apprentissage à partir d'une valeur faible jusqu'au taux d'apprentissage initial afin de stabiliser l'apprentissage dès le début.
warmup_momentum 0.8 Élan initial pour la phase d'échauffement, s'adaptant progressivement à l'élan défini au cours de la période d'échauffement.
warmup_bias_lr 0.1 Taux d'apprentissage des paramètres de biais pendant la phase d'échauffement, permettant de stabiliser l'apprentissage du modèle dans les premières époques.
box 7.5 Poids de la composante de perte de boîte dans la fonction de perte, influençant l'importance accordée à la prédiction précise des coordonnées de la boîte englobante.
cls 0.5 Poids de la perte de classification dans la fonction de perte totale, affectant l'importance d'une prédiction de classe correcte par rapport aux autres composants.
dfl 1.5 Poids de la perte focale de distribution, utilisé dans certaines versions de YOLO pour une classification plus fine.
pose 12.0 Poids de la perte de pose dans les modèles formés pour l'estimation de la pose, influençant l'accent mis sur la prédiction précise des points clés de la pose.
kobj 2.0 Poids de la perte d'objectivité du point clé dans les modèles d'estimation de la pose, équilibrant la confiance dans la détection et la précision de la pose.
nbs 64 Taille nominale du lot pour la normalisation de la perte.
overlap_mask True Détermine si les masques d'objets doivent être fusionnés en un seul masque pour l'entraînement ou s'ils doivent rester séparés pour chaque objet. En cas de chevauchement, le masque le plus petit est superposé au masque le plus grand lors de la fusion.
mask_ratio 4 Rapport de sous-échantillonnage pour les masques de segmentation, affectant la résolution des masques utilisés lors de l'apprentissage.
dropout 0.0 Taux d'abandon pour la régularisation dans les tâches de classification, empêchant l'ajustement excessif en omettant aléatoirement des unités pendant la formation.
val True Permet la validation pendant la formation, ce qui permet d'évaluer périodiquement les performances du modèle sur un ensemble de données distinct.
plots False Génère et enregistre des graphiques des mesures d'entraînement et de validation, ainsi que des exemples de prédiction, offrant un aperçu visuel des performances du modèle et de la progression de l'apprentissage.

Note sur les réglages de la taille des lots

Le batch peut être configuré de trois manières :

  • Taille fixe des lots: DĂ©finir une valeur entière (par ex, batch=16), en spĂ©cifiant directement le nombre d'images par lot.
  • Mode Auto (60% GPU MĂ©moire): Utilisation batch=-1 afin d'ajuster automatiquement la taille des lots pour une utilisation de la mĂ©moire d'environ 60 % CUDA .
  • Mode automatique avec fraction d'utilisation: DĂ©finir une valeur de fraction (par ex, batch=0.70) pour ajuster la taille des lots en fonction de la fraction spĂ©cifiĂ©e de l'utilisation de la mĂ©moire de GPU .

Guide des trains

Prévoir les paramètres

Les paramètres de prédiction des modèles YOLO englobent une gamme d'hyperparamètres et de configurations qui influencent les performances, la vitesse et la précision du modèle lors de l'inférence sur de nouvelles données. Un réglage minutieux et l'expérimentation de ces paramètres sont essentiels pour obtenir des performances optimales pour une tâche spécifique. Les paramètres clés comprennent le seuil de confiance, le seuil de suppression non maximale (NMS) et le nombre de classes prises en compte. D'autres facteurs affectant le processus de prédiction sont la taille et le format des données d'entrée, la présence de caractéristiques supplémentaires telles que les masques ou les étiquettes multiples par boîte, et la tâche particulière pour laquelle le modèle est utilisé.

Arguments d'inférence :

Argument Type DĂ©faut Description
source str 'ultralytics/assets' Spécifie la source de données pour l'inférence. Il peut s'agir d'un chemin d'accès à une image, d'un fichier vidéo, d'un répertoire, d'une URL ou de l'identifiant d'un appareil pour les flux en direct. La prise en charge d'un large éventail de formats et de sources permet une application flexible à différents types d'entrées.
conf float 0.25 Définit le seuil de confiance minimum pour les détections. Les objets détectés avec un niveau de confiance inférieur à ce seuil ne seront pas pris en compte. L'ajustement de cette valeur peut contribuer à réduire le nombre de faux positifs.
iou float 0.7 Seuil d'intersection au-dessus de l'union (IoU) pour la suppression non maximale (NMS). Des valeurs plus faibles permettent de réduire le nombre de détections en éliminant les boîtes qui se chevauchent, ce qui est utile pour réduire les doublons.
imgsz int or tuple 640 Définit la taille de l'image pour l'inférence. Peut être un seul entier 640 pour un redimensionnement carré ou un tuple (hauteur, largeur). Un dimensionnement adéquat peut améliorer la détection précision et la vitesse de traitement.
half bool False Permet l'inférence en demi-précision (FP16), ce qui peut accélérer l'inférence du modèle sur les GPU pris en charge avec un impact minimal sur la précision.
device str None Spécifie le dispositif d'inférence (par ex, cpu, cuda:0 ou 0). Permet aux utilisateurs de choisir entre CPU, un GPU spécifique ou d'autres dispositifs de calcul pour l'exécution du modèle.
batch int 1 Spécifie la taille du lot pour l'inférence (ne fonctionne que lorsque la source est un répertoire, un fichier vidéo ou .txt fichier). Une taille de lot plus importante peut permettre un débit plus élevé, en réduisant le temps total nécessaire à l'inférence.
max_det int 300 Nombre maximal de détections autorisées par image. Limite le nombre total d'objets que le modèle peut détecter en une seule inférence, ce qui permet d'éviter les sorties excessives dans les scènes denses.
vid_stride int 1 Saut d'images pour les entrées vidéo. Permet de sauter des images dans les vidéos pour accélérer le traitement au détriment de la résolution temporelle. Une valeur de 1 traite chaque image, les valeurs supérieures sautent des images.
stream_buffer bool False Détermine s'il faut mettre en file d'attente les images entrantes pour les flux vidéo. Si cette option est activée, l'image est mise en file d'attente. FalseSi `True', les anciennes images sont supprimées pour laisser place aux nouvelles images (optimisé pour les applications en temps réel). Si `True', les nouvelles images sont mises en file d'attente dans un tampon, ce qui garantit qu'aucune image ne sera sautée, mais entraînera une latence si le nombre d'images par seconde de l'inférence est inférieur au nombre d'images par seconde du flux.
visualize bool False Active la visualisation des caractéristiques du modèle pendant l'inférence, donnant un aperçu de ce que le modèle "voit". Utile pour le débogage et l'interprétation du modèle.
augment bool False Permet l'augmentation du temps de test (TTA) pour les prédictions, ce qui peut améliorer la robustesse de la détection au détriment de la vitesse d'inférence.
agnostic_nms bool False Permet la suppression non maximale (NMS) indépendante de la classe, qui fusionne les boîtes de différentes classes qui se chevauchent. Utile dans les scénarios de détection multi-classes où le chevauchement des classes est courant.
classes list[int] None Filtre les prédictions sur un ensemble d'identifiants de classes. Seules les détections appartenant aux classes spécifiées seront renvoyées. Utile pour se concentrer sur les objets pertinents dans les tâches de détection multi-classes.
retina_masks bool False Renvoie des masques de segmentation à haute résolution. Les masques retournés (masks.data) correspondront à la taille de l'image originale si elles sont activées. S'ils sont désactivés, ils ont la taille de l'image utilisée lors de l'inférence.
embed list[int] None Spécifie les couches à partir desquelles il faut extraire les vecteurs de caractéristiques ou les encastrements. Utile pour les tâches en aval telles que le regroupement ou la recherche de similarités.
project str None Nom du répertoire du projet dans lequel les résultats de la prédiction sont enregistrés si save est activée.
name str None Nom de l'exécution de la prédiction. Utilisé pour créer un sous-répertoire dans le dossier du projet, où les résultats de la prédiction sont stockés si save est activée.

Arguments de visualisation :

Argument Type DĂ©faut Description
show bool False Si Trueaffiche les images ou vidéos annotées dans une fenêtre. Utile pour un retour d'information visuel immédiat pendant le développement ou les tests.
save bool False ou True Permet d'enregistrer les images ou vidéos annotées dans un fichier. Utile pour la documentation, les analyses ultérieures ou le partage des résultats. La valeur par défaut est True lorsqu'on utilise CLI et False lorsqu'on utilise Python.
save_frames bool False Lors du traitement des vidéos, enregistre les images individuelles en tant qu'images. Cela permet d'extraire des images spécifiques ou d'effectuer une analyse détaillée image par image.
save_txt bool False Enregistre les résultats de la détection dans un fichier texte, en suivant le format [class] [x_center] [y_center] [width] [height] [confidence]. Utile pour l'intégration avec d'autres outils d'analyse.
save_conf bool False Inclut les scores de confiance dans les fichiers texte sauvegardés. Améliore les détails disponibles pour le post-traitement et l'analyse.
save_crop bool False Sauvegarde des images recadrées des détections. Utile pour l'augmentation des ensembles de données, l'analyse ou la création d'ensembles de données ciblés pour des objets spécifiques.
show_labels bool True Affiche des étiquettes pour chaque détection dans la sortie visuelle. Permet une compréhension immédiate des objets détectés.
show_conf bool True Affiche le score de confiance pour chaque détection à côté de l'étiquette. Donne un aperçu de la certitude du modèle pour chaque détection.
show_boxes bool True Dessine des boîtes de délimitation autour des objets détectés. Essentiel pour l'identification visuelle et la localisation d'objets dans des images ou des trames vidéo.
line_width None ou int None Spécifie la largeur de ligne des boîtes de délimitation. Si les NoneLa largeur de la ligne est automatiquement ajustée en fonction de la taille de l'image. Permet une personnalisation visuelle pour plus de clarté.

Guide de prédiction

Paramètres de validation

Les paramètres de validation des modèles YOLO impliquent divers hyperparamètres et configurations utilisés pour évaluer les performances du modèle sur un ensemble de données de validation. Ces paramètres influencent les performances, la vitesse et la précision du modèle. Les paramètres de validation courants de YOLO comprennent la taille du lot, la fréquence de validation pendant la formation et les mesures d'évaluation des performances. D'autres facteurs affectent le processus de validation, notamment la taille et la composition de l'ensemble de données de validation, ainsi que la tâche spécifique pour laquelle le modèle est employé.

Argument Type DĂ©faut Description
data str None Spécifie le chemin d'accès au fichier de configuration du jeu de données (par exemple, coco8.yaml). Ce fichier comprend les chemins d'accès à données de validationLes noms des classes et le nombre de classes.
imgsz int 640 Définit la taille des images d'entrée. Toutes les images sont redimensionnées à cette dimension avant d'être traitées.
batch int 16 Définit le nombre d'images par lot. Utiliser -1 pour AutoBatch, qui s'ajuste automatiquement en fonction de la disponibilité de la mémoire sur GPU .
save_json bool False Si Trueenregistre les résultats dans un fichier JSON en vue d'une analyse plus approfondie ou d'une intégration avec d'autres outils.
save_hybrid bool False Si Trueenregistre une version hybride des étiquettes qui combine les annotations originales avec des prédictions de modèles supplémentaires.
conf float 0.001 Définit le seuil de confiance minimum pour les détections. Les détections dont le niveau de confiance est inférieur à ce seuil sont rejetées.
iou float 0.6 Définit le seuil d'intersection au-dessus de l'union (IoU) pour la suppression non maximale (NMS). Permet de réduire les détections de doublons.
max_det int 300 Limite le nombre maximum de détections par image. Utile dans les scènes denses pour éviter les détections excessives.
half bool True Permet le calcul en demi-précision (FP16), réduisant l'utilisation de la mémoire et augmentant potentiellement la vitesse avec un impact minimal sur la précision.
device str None Spécifie le dispositif de validation (cpu, cuda:0etc.) Permet une flexibilité dans l'utilisation des ressources CPU ou GPU .
dnn bool False Si True, utilise le OpenCV Module DNN pour l'inférence du modèle ONNX , offrant une alternative à PyTorch les méthodes d'inférence.
plots bool False Lorsqu'il est réglé sur TrueIl génère et enregistre des tracés des prédictions par rapport à la vérité de terrain pour une évaluation visuelle de la performance du modèle.
rect bool True Si TrueIl utilise l'inférence rectangulaire pour la mise en lots, ce qui permet de réduire le remplissage et d'augmenter potentiellement la vitesse et l'efficacité.
split str val Détermine la partie du jeu de données à utiliser pour la validation (val, testou train). Permet une certaine souplesse dans le choix du segment de données pour l'évaluation des performances.
project str None Nom du répertoire du projet dans lequel les résultats de la validation sont enregistrés.
name str None Nom du cycle de validation. Utilisé pour créer un sous-répertoire dans le dossier du projet, où les journaux de validation et les résultats sont stockés.

Un réglage minutieux et l'expérimentation de ces paramètres sont essentiels pour garantir des performances optimales sur l'ensemble de données de validation et pour détecter et prévenir l'ajustement excessif.

Guide Val

Paramètres d'exportation

Les paramètres d'exportation des modèles YOLO englobent les configurations et les options liées à l'enregistrement ou à l'exportation du modèle en vue de son utilisation dans différents environnements ou plates-formes. Ces paramètres peuvent avoir un impact sur les performances, la taille et la compatibilité du modèle avec différents systèmes. Les principaux paramètres d'exportation comprennent le format de fichier du modèle exporté (par exemple, ONNX, TensorFlow SavedModel ), l'appareil cible (par exemple, CPU, GPU) et des fonctions supplémentaires telles que les masques ou les étiquettes multiples par boîte. Le processus d'exportation peut également être affecté par la tâche spécifique du modèle et les exigences ou contraintes de l'environnement ou de la plateforme de destination.

Argument Type DĂ©faut Description
format str 'torchscript' Format cible pour le modèle exporté, tel que 'onnx', 'torchscript', 'tensorflow'ou d'autres, définissant la compatibilité avec divers environnements de déploiement.
imgsz int ou tuple 640 Taille de l'image souhaitée pour l'entrée du modèle. Il peut s'agir d'un entier pour les images carrées ou d'un tuple (height, width) pour les dimensions spécifiques.
keras bool False Permet l'exportation au format Keras pour TensorFlow SavedModel ce qui permet d'assurer la compatibilité avec les services et les API de TensorFlow .
optimize bool False Optimisation pour les appareils mobiles lors de l'exportation vers TorchScript, ce qui permet de réduire la taille du modèle et d'améliorer les performances.
half bool False Permet la quantification FP16 (demi-précision), réduisant la taille du modèle et accélérant potentiellement l'inférence sur le matériel pris en charge.
int8 bool False Active la quantification INT8, ce qui permet de comprimer davantage le modèle et d'accélérer l'inférence avec une perte de précision minimale, principalement pour les appareils périphériques.
dynamic bool False Permet des tailles d'entrée dynamiques pour les exportations ONNX, TensorRT et OpenVINO , améliorant ainsi la flexibilité dans la gestion de dimensions d'image variables.
simplify bool True Simplifie le graphique du modèle pour les exportations ONNX avec onnxslimce qui peut améliorer les performances et la compatibilité.
opset int None Spécifie la version de l'opset ONNX pour assurer la compatibilité avec les différents analyseurs et moteurs d'exécution de ONNX . Si elle n'est pas définie, la dernière version supportée est utilisée.
workspace float ou None None Définit la taille maximale de l'espace de travail en GiB pour les optimisations de TensorRT , en équilibrant l'utilisation de la mémoire et les performances ; utiliser None pour une auto-attribution par TensorRT jusqu'au maximum de l'appareil.
nms bool False Ajoute la suppression non maximale (NMS) à l'exportation CoreML , ce qui est essentiel pour un post-traitement précis et efficace de la détection.
batch int 1 Spécifie la taille du lot d'inférence du modèle exporté ou le nombre maximum d'images que le modèle exporté traitera simultanément en predict mode.
device str None Spécifie le dispositif à exporter : GPU (device=0), CPU (device=cpu), MPS pour le silicium d'Apple (device=mps) ou DLA pour NVIDIA Jetson (device=dla:0 ou device=dla:1).

Il est essentiel de configurer soigneusement ces paramètres pour s'assurer que le modèle exporté est optimisé pour le cas d'utilisation prévu et qu'il fonctionne efficacement dans l'environnement cible.

Guide d'exportation

Solutions Paramètres

Les paramètres de configuration de Ultralytics Solutions offrent un moyen souple de personnaliser le modèle pour diverses tâches telles que le comptage d'objets, la création de cartes thermiques, le suivi des séances d'entraînement, l'analyse des données, le suivi des zones, la gestion des files d'attente et le comptage par région. Ces options permettent d'ajuster facilement la configuration pour obtenir des résultats précis et utiles adaptés à des besoins spécifiques.

Argument Type DĂ©faut Description
region list [(20, 400), (1080, 400), (1080, 360), (20, 360)] Définit les points de la région pour le comptage d'objets, la surveillance des files d'attente, l'estimation des zones de voies ou de la vitesse. Les points sont définis comme des coordonnées formant une zone polygonale pour l'analyse.
show_in bool True Indique s'il faut afficher les objets qui sont comptés comme entrant dans la région définie. Cette option est essentielle pour les analyses du monde réel, telles que le suivi des tendances en matière d'entrées.
show_out bool True Indique s'il faut afficher les objets qui sont comptés comme sortant de la région définie. Utile pour les applications nécessitant un suivi et une analyse des sorties.
colormap int or tuple COLORMAP_PARULA Spécifie la carte des couleurs supportée par OpenCV pour la visualisation des cartes thermiques. La valeur par défaut est COLORMAP_PARULAmais d'autres cartes de couleurs peuvent être utilisées en fonction des préférences de visualisation.
up_angle float 145.0 Seuil d'angle pour la détection de la position "haut" dans le suivi des séances d'entraînement. Peut être ajusté en fonction de la position des points clés pour différents exercices.
down_angle float 90.0 Seuil d'angle pour la détection de la position "basse" dans le suivi des séances d'entraînement. Ajustez ce seuil en fonction des positions des points clés pour des exercices spécifiques.
kpts list [6, 8, 10] Liste des points clés utilisés pour le suivi des séances d'entraînement. Ces points clés correspondent à des articulations ou des parties du corps, telles que les épaules, les coudes et les poignets, pour des exercices tels que les pompes, les tractions, les squats et les séances d'abdominaux.
analytics_type str line Spécifie le type de visualisation analytique à générer. Les options sont les suivantes "line", "pie", "bar"ou "area". La valeur par défaut est "line" pour la visualisation des tendances.
json_file str None Chemin d'accès au fichier JSON définissant les régions pour les systèmes de stationnement ou les applications similaires. Permet une configuration flexible des zones d'analyse.

Guide des solutions

Paramètres d'augmentation

Les techniques d'augmentation sont essentielles pour améliorer la robustesse et les performances des modèles YOLO en introduisant de la variabilité dans les données d'apprentissage, ce qui permet au modèle de mieux se généraliser à des données inédites. Le tableau suivant présente l'objectif et l'effet de chaque argument d'augmentation :

Argument Type DĂ©faut Gamme Description
hsv_h float 0.015 0.0 - 1.0 Ajuste la teinte de l'image par une fraction de la roue chromatique, introduisant ainsi une variabilité des couleurs. Aide le modèle à se généraliser dans différentes conditions d'éclairage.
hsv_s float 0.7 0.0 - 1.0 Modifie la saturation de l'image d'une fraction, affectant l'intensité des couleurs. Utile pour simuler différentes conditions environnementales.
hsv_v float 0.4 0.0 - 1.0 Modifie la valeur (luminosité) de l'image d'une fraction, ce qui permet au modèle de bien fonctionner dans différentes conditions d'éclairage.
degrees float 0.0 -180 - +180 Fait pivoter l'image de manière aléatoire dans la plage de degrés spécifiée, améliorant ainsi la capacité du modèle à reconnaître des objets dans différentes orientations.
translate float 0.1 0.0 - 1.0 Traduit l'image horizontalement et verticalement d'une fraction de la taille de l'image, ce qui facilite l'apprentissage de la détection d'objets partiellement visibles.
scale float 0.5 >=0.0 Met l'image à l'échelle en fonction d'un facteur de gain, simulant ainsi des objets situés à différentes distances de la caméra.
shear float 0.0 -180 - +180 Découpe l'image d'un degré spécifié, imitant l'effet des objets vus sous différents angles.
perspective float 0.0 0.0 - 0.001 Applique une transformation aléatoire de la perspective à l'image, améliorant ainsi la capacité du modèle à comprendre les objets dans l'espace 3D.
flipud float 0.0 0.0 - 1.0 Renverse l'image avec la probabilité spécifiée, ce qui augmente la variabilité des données sans affecter les caractéristiques de l'objet.
fliplr float 0.5 0.0 - 1.0 Retourne l'image de gauche à droite avec la probabilité spécifiée, utile pour l'apprentissage d'objets symétriques et l'augmentation de la diversité des ensembles de données.
bgr float 0.0 0.0 - 1.0 Fait passer les canaux de l'image de RVB à BGR avec la probabilité spécifiée, ce qui est utile pour accroître la résistance à un mauvais classement des canaux.
mosaic float 1.0 0.0 - 1.0 Combine quatre images d'entraînement en une seule, simulant différentes compositions de scènes et interactions d'objets. Très efficace pour la compréhension de scènes complexes.
mixup float 0.0 0.0 - 1.0 Mélange deux images et leurs étiquettes, créant ainsi une image composite. Améliore la capacité du modèle à se généraliser en introduisant le bruit des étiquettes et la variabilité visuelle.
copy_paste float 0.0 0.0 - 1.0 Copie et colle des objets sur les images, ce qui est utile pour augmenter le nombre d'instances d'objets et apprendre l'occlusion d'objets. NĂ©cessite des Ă©tiquettes de segmentation.
copy_paste_mode str flip - Sélection de la méthode d'augmentation par copier-coller parmi les options de ("flip", "mixup").
auto_augment str randaugment - Application automatique d'une politique d'augmentation prédéfinie (randaugment, autoaugment, augmix), optimisant les tâches de classification en diversifiant les caractéristiques visuelles.
erasing float 0.4 0.0 - 0.9 Efface aléatoirement une partie de l'image pendant l'apprentissage de la classification, encourageant le modèle à se concentrer sur des caractéristiques moins évidentes pour la reconnaissance.
crop_fraction float 1.0 0.1 - 1.0 Recadrer l'image de classification à une fraction de sa taille pour mettre en valeur les caractéristiques centrales et s'adapter à l'échelle des objets, en réduisant les distractions d'arrière-plan.

Ces paramètres peuvent être ajustés pour répondre aux exigences spécifiques de l'ensemble de données et de la tâche à accomplir. L'expérimentation de différentes valeurs peut aider à trouver la stratégie d'augmentation optimale qui conduit à la meilleure performance du modèle.

Paramètres d'enregistrement, de points de contrôle et de traçage

L'enregistrement, les points de contrôle, le traçage et la gestion des fichiers sont des éléments importants à prendre en compte lors de la formation d'un modèle YOLO .

  • Enregistrement : Il est souvent utile d'enregistrer diverses mesures et statistiques pendant la formation pour suivre les progrès du modèle et diagnostiquer les problèmes Ă©ventuels. Cette opĂ©ration peut ĂŞtre rĂ©alisĂ©e Ă  l'aide d'une bibliothèque de journalisation telle que TensorBoard ou en Ă©crivant les messages de journalisation dans un fichier.
  • Points de contrĂ´le : Une bonne pratique consiste Ă  enregistrer des points de contrĂ´le du modèle Ă  intervalles rĂ©guliers au cours de la formation. Cela vous permet de reprendre la formation Ă  partir d'un point prĂ©cĂ©dent si le processus de formation est interrompu ou si vous souhaitez expĂ©rimenter diffĂ©rentes configurations de formation.
  • TracĂ© : La visualisation des performances du modèle et de la progression de la formation peut ĂŞtre utile pour comprendre le comportement du modèle et identifier les problèmes potentiels. Cela peut se faire Ă  l'aide d'une bibliothèque de traçage telle que matplotlib ou en gĂ©nĂ©rant des tracĂ©s Ă  l'aide d'une bibliothèque de journalisation telle que TensorBoard.
  • Gestion des fichiers : La gestion des diffĂ©rents fichiers gĂ©nĂ©rĂ©s au cours du processus de formation, tels que les points de contrĂ´le du modèle, les fichiers journaux et les tracĂ©s, peut s'avĂ©rer difficile. Il est important de disposer d'une structure de fichiers claire et organisĂ©e pour assurer le suivi de ces fichiers et faciliter leur accès et leur analyse en cas de besoin.

Des fonctions efficaces de journalisation, de point de contrôle, de traçage et de gestion des fichiers peuvent vous aider à suivre la progression du modèle et à faciliter le débogage et l'optimisation du processus de formation.

Argument DĂ©faut Description
project 'runs' Spécifie le répertoire racine pour l'enregistrement des formations. Chaque exercice est enregistré dans un sous-répertoire distinct de ce répertoire.
name 'exp' Définit le nom de l'expérience. S'il n'est pas spécifié, YOLO incrémente automatiquement ce nom à chaque exécution, par exemple, exp, exp2etc., afin d'éviter d'écraser les expériences précédentes.
exist_ok False Détermine s'il faut écraser un répertoire d'expériences existant s'il existe déjà un répertoire portant le même nom. Si cette valeur est fixée à True permet l'écrasement, tandis que False l'empêche.
plots False Contrôle la génération et l'enregistrement des tracés d'entraînement et de validation. Réglé sur True pour créer des tracés tels que des courbes de perte, précision-rappel et les prédictions de l'échantillon. Utile pour suivre visuellement les performances du modèle dans le temps.
save False Permet d'enregistrer les points de contrôle de l'apprentissage et les poids finaux du modèle. Réglé sur True pour enregistrer périodiquement les états des modèles, ce qui permet de reprendre la formation à partir de ces points de contrôle ou de déployer les modèles.

FAQ

Comment améliorer les performances de mon modèle YOLO pendant la formation ?

L'amélioration des performances du modèle YOLO passe par le réglage d'hyperparamètres tels que la taille du lot, le taux d'apprentissage, l'élan et la décroissance des poids. L'ajustement des paramètres d'augmentation, la sélection de l'optimiseur approprié et l'utilisation de techniques telles que l'arrêt anticipé ou la précision mixte peuvent également s'avérer utiles. Pour obtenir des conseils détaillés sur les paramètres de formation, reportez-vous au Guide de formation.

Quels sont les principaux hyperparamètres à prendre en compte pour YOLO la précision du modèle ?

Les principaux hyperparamètres qui influent sur la précision du modèle YOLO sont les suivants :

  • Taille du lot (batch): Des lots plus importants peuvent stabiliser la formation mais peuvent nĂ©cessiter plus de mĂ©moire.
  • Taux d'apprentissage (lr0): ContrĂ´le la taille du pas pour les mises Ă  jour des poids ; des taux plus petits permettent des ajustements fins mais ralentissent la convergence.
  • L'Ă©lan (momentum): Aide Ă  accĂ©lĂ©rer les vecteurs de gradient dans les bonnes directions, en amortissant les oscillations.
  • Taille de l'image (imgsz): Des images de plus grande taille peuvent amĂ©liorer la prĂ©cision mais augmentent la charge de calcul.

Ajustez ces valeurs en fonction de votre jeu de données et des capacités de votre matériel. Pour en savoir plus, consultez la section Paramètres du train.

Comment définir le taux d'apprentissage pour la formation d'un modèle YOLO ?

Le taux d'apprentissage (lr0) est cruciale pour l'optimisation. Un point de départ courant est 0.01 pour SGD ou 0.001 pour Adam. Il est essentiel de surveiller les paramètres de formation et de les ajuster si nécessaire. Utiliser des programmateurs de taux d'apprentissage en cosinus (cos_lr) ou des techniques d'échauffement (warmup_epochs, warmup_momentum) pour modifier dynamiquement le taux pendant l'entraînement. Pour plus de détails, voir la page Guide des trains.

Quels sont les paramètres d'inférence par défaut pour les modèles YOLO ?

Les paramètres d'inférence par défaut sont les suivants :

  • Seuil de confiance (conf=0.25): Confiance minimale pour les dĂ©tections.
  • Seuil de dĂ©clenchement (iou=0.7): Pour la suppression non maximale (NMS).
  • Taille de l'image (imgsz=640): Redimensionne les images d'entrĂ©e avant l'infĂ©rence.
  • Dispositif (device=None): SĂ©lectionne CPU ou GPU pour l'infĂ©rence.

Pour un aperçu complet, consultez la section Paramètres de Predict et le Guide de Predict.

Pourquoi devrais-je utiliser une formation de précision mixte avec les modèles YOLO ?

Entraînement de précision mixte, rendu possible grâce à amp=TrueCette méthode permet de réduire l'utilisation de la mémoire et d'accélérer la formation en utilisant les avantages des deux systèmes FP16 et FP32. Ceci est bénéfique pour les GPU modernes, qui supportent nativement la précision mixte, ce qui permet de faire tenir plus de modèles dans la mémoire et d'effectuer des calculs plus rapides sans perte significative de précision. Pour en savoir plus, consultez la page Guide des trains.

📅C réé il y a 1 an ✏️ Mis à jour il y a 10 jours

Commentaires