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 :

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)

Où ?

• TASK (facultatif) est l'un des éléments suivants (détecter, segment, classer, poser, obb)
• MODE (obligatoire) est l'un des éléments suivants (train, valeur, prévoir, l'exportation, piste, repère)
• ARGS (facultatif) sont arg=value paires comme imgsz=640 qui remplacent les valeurs par défaut.

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.

• Détecter: Pour identifier et localiser des objets ou des régions d'intérêt dans une image ou une vidéo.
• Segment: Pour diviser une image ou une vidéo en régions ou en pixels qui correspondent à différents objets ou classes.
• Classifier: Pour prédire l'étiquette de classe d'une image d'entrée.
• Pose: Pour identifier les objets et estimer leurs points clés dans une image ou une vidéo.
• OBB: boîtes de délimitation orientées (c'est-à-dire tournées) adaptées à l'imagerie satellitaire ou médicale.

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 données personnalisé.
• Val: pour valider un modèle YOLO11 après son apprentissage.
• Prédire: Pour faire des prédictions à l'aide d'un modèle YOLO11 entraîné sur de nouvelles images ou vidéos.
• Exporter: Pour exporter un modèle YOLO11 dans un format utilisable pour le déploiement.
• Track: Pour suivre des objets en temps réel à l'aide d'un modèle YOLO11 .
• Benchmark: Pour évaluer la vitesse et la précision des exportations de YOLO11 (ONNX, TensorRT, etc.).

Guide des modes

Réglages 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.

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 :

Arguments de visualisation :

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.

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.

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.

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 :

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 éventuels. Cette opération peut être réalisée à l'aide d'une bibliothèque de journalisation telle que TensorBoard ou en écrivant les messages de journalisation dans un fichier.
• Points de contrôle : Une bonne pratique consiste à enregistrer des points de contrôle du modèle à intervalles réguliers au cours de la formation. Cela vous permet de reprendre la formation à partir d'un point précédent si le processus de formation est interrompu ou si vous souhaitez expérimenter différentes configurations de formation.
• Tracé : La visualisation des performances du modèle et de la progression de la formation peut être utile pour comprendre le comportement du modèle et identifier les problèmes potentiels. Cela peut se faire à l'aide d'une bibliothèque de traçage telle que matplotlib ou en générant des tracés à l'aide d'une bibliothèque de journalisation telle que TensorBoard.
• Gestion des fichiers : La gestion des différents fichiers générés au cours du processus de formation, tels que les points de contrôle du modèle, les fichiers journaux et les tracés, peut s'avérer difficile. Il est important de disposer d'une structure de fichiers claire et organisée 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.

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 nécessiter plus de mémoire.
• Taux d'apprentissage (lr0): Contrôle la taille du pas pour les mises à jour des poids ; des taux plus petits permettent des ajustements fins mais ralentissent la convergence.
• L'élan (momentum): Aide à accélérer les vecteurs de gradient dans les bonnes directions, en amortissant les oscillations.
• Taille de l'image (imgsz): Des images de plus grande taille peuvent améliorer la précision 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 détections.
• Seuil de déclenchement (iou=0.7): Pour la suppression non maximale (NMS).
• Taille de l'image (imgsz=640): Redimensionne les images d'entrée avant l'inférence.
• Dispositif (device=None): Sélectionne CPU ou GPU pour l'inférence.

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 9 jours

Commentaires