Évolution des hyperparamètres pour YOLOv5#

📚 Ce guide explique l’évolution des hyperparamètres pour YOLOv5 🚀. L’évolution des hyperparamètres est une méthode d’optimisation des hyperparamètres utilisant un algorithme génétique (GA) pour l’optimisation.

Les hyperparamètres de l’apprentissage automatique contrôlent divers aspects de l’entraînement, et trouver leurs valeurs optimales peut être difficile. Les méthodes traditionnelles comme les recherches par grille peuvent rapidement devenir irréalisables en raison de :

L’espace de recherche de grande dimension
Corrélations inconnues entre les dimensions
Le coût élevé de l’évaluation de la fonction d’adaptation à chaque point

Les algorithmes génétiques sont donc particulièrement adaptés à la recherche d’hyperparamètres.

Avant de commencer#

Clone le dépôt et installe requirements.txt dans un environnement Python>=3.8.0, notamment PyTorch>=1.8. Les modèles et les jeux de données sont téléchargés automatiquement depuis la dernière version de YOLOv5.

git clone https://github.com/ultralytics/yolov5 # clone
cd yolov5
pip install -r requirements.txt # install

1. Initialiser les hyperparamètres#

YOLOv5 possède environ 30 hyperparamètres utilisés pour divers paramètres d’entraînement. Ceux-ci sont définis dans les fichiers *.yaml du répertoire /data/hyps. De meilleures valeurs initiales produiront de meilleurs résultats finaux ; il est donc important d’initialiser correctement ces valeurs avant l’évolution. En cas de doute, utilise simplement les valeurs par défaut, qui sont optimisées pour l’entraînement de YOLOv5 sur COCO à partir de zéro.

# YOLOv5 🚀 by Ultralytics, AGPL-3.0 license
# Hyperparameters for low-augmentation COCO training from scratch
# python train.py --batch 64 --cfg yolov5n6.yaml --weights '' --data coco.yaml --img 640 --epochs 300 --linear
# See tutorials for hyperparameter evolution https://github.com/ultralytics/yolov5#tutorials

lr0: 0.01 # initial learning rate (SGD=1E-2, Adam=1E-3)
lrf: 0.01 # final OneCycleLR learning rate (lr0 * lrf)
momentum: 0.937 # SGD momentum/Adam beta1
weight_decay: 0.0005 # optimizer weight decay 5e-4
warmup_epochs: 3.0 # warmup epochs (fractions ok)
warmup_momentum: 0.8 # warmup initial momentum
warmup_bias_lr: 0.1 # warmup initial bias lr
box: 0.05 # box loss gain
cls: 0.5 # cls loss gain
cls_pw: 1.0 # cls BCELoss positive_weight
obj: 1.0 # obj loss gain (scale with pixels)
obj_pw: 1.0 # obj BCELoss positive_weight
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)
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)

2. Définir la fonction d’adaptation#

La fonction d’adaptation est la valeur que nous cherchons à maximiser. Dans YOLOv5, nous définissons une fonction d’adaptation par défaut comme une combinaison pondérée de métriques : mAP@0.5 contribue à hauteur de 10 % et mAP@0.5:0.95 contribue aux 90 % restants, tandis que la précision (P) et le rappel (R) sont absents. Tu peux les ajuster comme bon te semble ou utiliser la définition par défaut de la fonction d’adaptation dans utils/metrics.py (recommandé).

def fitness(x):
    """Return model fitness as the sum of weighted metrics [P, R, mAP@0.5, mAP@0.5:0.95]."""
    w = [0.0, 0.0, 0.1, 0.9]  # weights for [P, R, mAP@0.5, mAP@0.5:0.95]
    return (x[:, :4] * w).sum(1)

3. Faire évoluer#

L’évolution est effectuée à partir d’un scénario de base que nous cherchons à améliorer. Dans cet exemple, le scénario de base consiste à effectuer un réentraînement de COCO128 pendant 10 époques avec YOLOv5s préentraîné. La commande d’entraînement du scénario de base est la suivante :

python train.py --epochs 10 --data coco128.yaml --weights yolov5s.pt --cache

Pour faire évoluer les hyperparamètres spécifiques à ce scénario, en partant de nos valeurs initiales définies dans la Section 1. et en maximisant la fonction d’adaptation définie dans la Section 2., ajoute --evolve :

# Single-GPU
python train.py --epochs 10 --data coco128.yaml --weights yolov5s.pt --cache --evolve

# Multi-GPU with delay
for i in {0..7}; do
  sleep $((30 * i)) # 30-second delay (optional)
  echo "Starting GPU $i..."
  nohup python train.py --epochs 10 --data coco128.yaml --weights yolov5s.pt --cache --device $i --evolve > "evolve_gpu_$i.log" &
done

# Continuous training (use with caution)
# for i in {0..7}; do
#   sleep $((30 * i))  # 30-second delay (optional)
#   echo "Starting continuous training on GPU $i..."
#   (
#     while true; do
#       python train.py --epochs 10 --data coco128.yaml --weights yolov5s.pt --cache --device $i --evolve > "evolve_gpu_$i.log"
#     done
#   ) &
# done

Les paramètres d’évolution par défaut exécuteront le scénario de base 300 fois, c’est-à-dire pendant 300 générations. Tu peux modifier le nombre de générations via l’argument --evolve, par exemple python train.py --evolve 1000.

Les principaux opérateurs génétiques sont le croisement et la mutation. Dans ce travail, la mutation est utilisée avec une probabilité de 80 % et une variance de 0,04 pour créer une nouvelle descendance à partir d’une combinaison des meilleurs parents de toutes les générations précédentes. Les résultats sont consignés dans runs/evolve/exp/evolve.csv, et la descendance présentant la meilleure fonction d’adaptation est enregistrée à chaque génération sous runs/evolve/exp/hyp_evolve.yaml :

# YOLOv5 Hyperparameter Evolution Results
# Best generation: 287
# Last generation: 300
#    metrics/precision,       metrics/recall,      metrics/mAP_0.5, metrics/mAP_0.5:0.95,         val/box_loss,         val/obj_loss,         val/cls_loss
#              0.54634,              0.55625,              0.58201,              0.33665,             0.056451,             0.042892,             0.013441

lr0: 0.01 # initial learning rate (SGD=1E-2, Adam=1E-3)
lrf: 0.2 # final OneCycleLR learning rate (lr0 * lrf)
momentum: 0.937 # SGD momentum/Adam beta1
weight_decay: 0.0005 # optimizer weight decay 5e-4
warmup_epochs: 3.0 # warmup epochs (fractions ok)
warmup_momentum: 0.8 # warmup initial momentum
warmup_bias_lr: 0.1 # warmup initial bias lr
box: 0.05 # box loss gain
cls: 0.5 # cls loss gain
cls_pw: 1.0 # cls BCELoss positive_weight
obj: 1.0 # obj loss gain (scale with pixels)
obj_pw: 1.0 # obj BCELoss positive_weight
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)
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)

Nous recommandons un minimum de 300 générations d’évolution pour obtenir les meilleurs résultats. Note que l’évolution est généralement coûteuse et chronophage, car le scénario de base est entraîné des centaines de fois, ce qui peut nécessiter des centaines ou des milliers d’heures de calcul sur GPU.

Une fois l’évolution terminée, réutilise les paramètres découverts en indiquant au processus d’entraînement le fichier enregistré, par exemple python train.py --hyp runs/evolve/exp/hyp_evolve.yaml --data your.yaml --weights yolov5s.pt.

4. Visualiser#

evolve.csv est représenté sous forme de graphique dans evolve.png par utils.plots.plot_evolve() une fois l’évolution terminée, avec un sous-graphique par hyperparamètre montrant la fonction d’adaptation (axe des y) en fonction des valeurs de l’hyperparamètre (axe des x). Le jaune indique des concentrations plus élevées. Les distributions verticales indiquent qu’un paramètre a été désactivé et ne subit pas de mutation. Cette option peut être sélectionnée par l’utilisateur dans le dictionnaire meta de train.py et permet de fixer des paramètres et d’empêcher leur évolution.

Résultats de la fonction d’adaptation de l’évolution des hyperparamètres de YOLOv5

Environnements pris en charge#

Ultralytics fournit une gamme d'environnements prêts à l'emploi, chacun incluant déjà les dépendances essentielles telles que CUDA, CUDNN, Python et PyTorch, pour te permettre de démarrer rapidement tes projets.

Notebooks GPU gratuits :
Google Cloud : Guide de démarrage rapide de GCP
Amazon : Guide de démarrage rapide d’AWS
Azure : Guide de démarrage rapide d’AzureML
Docker : Guide de démarrage rapide de Docker

État du projet#

Ce badge indique que tous les tests d’intégration continue (CI) de YOLOv5 GitHub Actions passent avec succès. Ces tests de CI vérifient rigoureusement les fonctionnalités et les performances de YOLOv5 sous plusieurs aspects essentiels : entraînement, validation, inférence, exportation et benchmarks. Ils garantissent un fonctionnement cohérent et fiable sur macOS, Windows et Ubuntu, avec des tests exécutés toutes les 24 heures et à chaque nouveau commit.

Contributeurs

RAraimbekovm¹ PDpderrenger¹ GLglenn-jocher¹

Créé il y a 2 moisMis à jour la semaine dernière