Ultralytics YOLO Guida allaregolazione degli iperparametri
Introduzione
La messa a punto degli iperparametri non è una semplice messa a punto, ma un processo iterativo volto a ottimizzare le metriche di prestazione del modello di apprendimento automatico, come l'accuratezza, la precisione e il richiamo. Nel contesto di Ultralytics YOLO , questi iperparametri possono spaziare dal tasso di apprendimento a dettagli architetturali, come il numero di strati o i tipi di funzioni di attivazione utilizzati.
Cosa sono gli iperparametri?
Gli iperparametri sono impostazioni strutturali di alto livello per l'algoritmo. Vengono impostati prima della fase di addestramento e rimangono costanti durante la stessa. Ecco alcuni iperparametri comunemente regolati in Ultralytics YOLO :
- Tasso di apprendimento
lr0: Determina la dimensione del passo ad ogni iterazione, muovendosi verso un minimo nel funzione di perdita. - Dimensione del lotto
batch: Numero di immagini elaborate simultaneamente in un passaggio in avanti. - Numero di epoche
epochs: Un'epoca è un passaggio completo in avanti e indietro di tutti gli esempi di addestramento. - Specifiche dell'architettura: Come il numero di canali, il numero di strati, i tipi di funzioni di attivazione, ecc.
Per un elenco completo degli iperparametri di incremento utilizzati in YOLO11 , consultare la pagina delle configurazioni.
Evoluzione genetica e mutazione
Ultralytics YOLO utilizza algoritmi genetici per ottimizzare gli iperparametri. Gli algoritmi genetici si ispirano al meccanismo della selezione naturale e della genetica.
- Mutazione: Nel contesto di Ultralytics YOLO , la mutazione aiuta a ricercare localmente lo spazio degli iperparametri applicando piccole modifiche casuali agli iperparametri esistenti, producendo nuovi candidati per la valutazione.
- Crossover: Sebbene il crossover sia una tecnica di algoritmo genetico molto diffusa, attualmente non viene utilizzata in Ultralytics YOLO per la regolazione degli iperparametri. L'attenzione si concentra principalmente sulla mutazione per generare nuovi insiemi di iperparametri.
Preparazione per la regolazione degli iperparametri
Prima di iniziare il processo di messa a punto, è importante:
- Identificare le metriche: Determinare le metriche da utilizzare per valutare le prestazioni del modello. Potrebbe trattarsi dell'AP50, del punteggio F1 o di altri parametri.
- Impostare il budget di ottimizzazione: Definire la quantità di risorse computazionali che si è disposti ad allocare. La messa a punto degli iperparametri può essere molto impegnativa dal punto di vista computazionale.
Fasi coinvolte
Inizializza gli iperparametri
Iniziare con un insieme ragionevole di iperparametri iniziali. Può trattarsi degli iperparametri predefiniti impostati da Ultralytics YOLO o di qualcosa basato sulla conoscenza del dominio o su esperimenti precedenti.
Mutare gli iperparametri
Utilizzare il _mutate per produrre un nuovo insieme di iperparametri basato sull'insieme esistente.
Modello di treno
L'addestramento viene eseguito utilizzando l'insieme mutato di iperparametri. Si valutano quindi le prestazioni dell'addestramento.
Valutare il modello
Utilizzare metriche come AP50, F1-score o metriche personalizzate per valutare le prestazioni del modello.
Risultati del registro
È fondamentale registrare sia le metriche delle prestazioni sia gli iperparametri corrispondenti per riferimenti futuri.
Ripetere
Il processo viene ripetuto finché non viene raggiunto il numero di iterazioni prestabilito o finché la metrica delle prestazioni non è soddisfacente.
Esempio di utilizzo
Ecco come utilizzare il model.tune() per utilizzare il metodo Tuner classe per la messa a punto degli iperparametri di YOLO11n su COCO8 per 30 epoche con un ottimizzatore AdamW e saltando il plottaggio, il checkpoint e la validazione se non all'ultima epoca per una messa a punto più rapida.
Esempio
Risultati
Dopo aver completato con successo il processo di regolazione degli iperparametri, si otterranno diversi file e directory che racchiudono i risultati della regolazione. Di seguito vengono descritti i singoli file:
Struttura del file
Ecco come apparirà la struttura delle directory dei risultati. Le directory di formazione come train1/ contengono singole iterazioni di sintonizzazione, cioè un modello addestrato con un insieme di iperparametri. Il tune/ contiene i risultati della sintonizzazione di tutti gli addestramenti dei singoli modelli:
runs/
└── detect/
├── train1/
├── train2/
├── ...
└── tune/
├── best_hyperparameters.yaml
├── best_fitness.png
├── tune_results.csv
├── tune_scatter_plots.png
└── weights/
├── last.pt
└── best.pt
Descrizioni dei file
best_hyperparameters.yaml
Questo file YAML contiene gli iperparametri più performanti trovati durante il processo di sintonizzazione. È possibile utilizzare questo file per inizializzare i futuri addestramenti con queste impostazioni ottimizzate.
- Formato: YAML
- Utilizzo: Risultati dell'iperparametro
-
Esempio:
# 558/900 iterations complete ✅ (45536.81s) # Results saved to /usr/src/ultralytics/runs/detect/tune # Best fitness=0.64297 observed at iteration 498 # Best fitness metrics are {'metrics/precision(B)': 0.87247, 'metrics/recall(B)': 0.71387, 'metrics/mAP50(B)': 0.79106, 'metrics/mAP50-95(B)': 0.62651, 'val/box_loss': 2.79884, 'val/cls_loss': 2.72386, 'val/dfl_loss': 0.68503, 'fitness': 0.64297} # Best fitness model is /usr/src/ultralytics/runs/detect/train498 # Best fitness hyperparameters are printed below. lr0: 0.00269 lrf: 0.00288 momentum: 0.73375 weight_decay: 0.00015 warmup_epochs: 1.22935 warmup_momentum: 0.1525 box: 18.27875 cls: 1.32899 dfl: 0.56016 hsv_h: 0.01148 hsv_s: 0.53554 hsv_v: 0.13636 degrees: 0.0 translate: 0.12431 scale: 0.07643 shear: 0.0 perspective: 0.0 flipud: 0.0 fliplr: 0.08631 mosaic: 0.42551 mixup: 0.0 copy_paste: 0.0
best_fitness.png
Si tratta di un grafico che visualizza il fitness (in genere una metrica di performance come AP50) rispetto al numero di iterazioni. Aiuta a visualizzare il rendimento dell'algoritmo genetico nel tempo.
- Formato: PNG
- Utilizzo: Visualizzazione delle prestazioni
tune_results.csv
Un file CSV contenente i risultati dettagliati di ogni iterazione durante la sintonizzazione. Ogni riga del file rappresenta un'iterazione e include metriche come il punteggio di fitness, la precisione, il richiamo e gli iperparametri utilizzati.
- Formato: CSV
- Uso: Tracciamento dei risultati per iterazione.
- Esempio:
fitness,lr0,lrf,momentum,weight_decay,warmup_epochs,warmup_momentum,box,cls,dfl,hsv_h,hsv_s,hsv_v,degrees,translate,scale,shear,perspective,flipud,fliplr,mosaic,mixup,copy_paste 0.05021,0.01,0.01,0.937,0.0005,3.0,0.8,7.5,0.5,1.5,0.015,0.7,0.4,0.0,0.1,0.5,0.0,0.0,0.0,0.5,1.0,0.0,0.0 0.07217,0.01003,0.00967,0.93897,0.00049,2.79757,0.81075,7.5,0.50746,1.44826,0.01503,0.72948,0.40658,0.0,0.0987,0.4922,0.0,0.0,0.0,0.49729,1.0,0.0,0.0 0.06584,0.01003,0.00855,0.91009,0.00073,3.42176,0.95,8.64301,0.54594,1.72261,0.01503,0.59179,0.40658,0.0,0.0987,0.46955,0.0,0.0,0.0,0.49729,0.80187,0.0,0.0
tune_scatter_plots.png
Questo file contiene i grafici di dispersione generati da tune_results.csvche aiuta a visualizzare le relazioni tra i diversi iperparametri e le metriche delle prestazioni. Si noti che gli iperparametri inizializzati a 0 non saranno sintonizzati, come ad esempio degrees e shear di seguito.
- Formato: PNG
- Utilizzo: Analisi esplorativa dei dati
pesi/
Questa directory contiene i modelli salvati PyTorch per le ultime e le migliori iterazioni durante il processo di regolazione degli iperparametri.
last.pt: Gli ultimi.pt sono i pesi dell'ultima epoca di addestramento.best.pt: I pesi best.pt per l'iterazione che ha ottenuto il miglior punteggio di fitness.
Grazie a questi risultati, è possibile prendere decisioni più informate per le future formazioni e analisi del modello. Consultate pure questi artefatti per capire come si è comportato il vostro modello e come potete migliorarlo ulteriormente.
Conclusione
Il processo di regolazione degli iperparametri in Ultralytics YOLO è semplificato ma potente, grazie all'approccio basato su algoritmi genetici e incentrato sulla mutazione. Seguendo i passaggi descritti in questa guida, si potrà regolare sistematicamente il modello per ottenere prestazioni migliori.
Ulteriori letture
- Ottimizzazione iperparametrica in Wikipedia
- YOLOv5 Guida all'evoluzione degli iperparametri
- Sintonizzazione efficiente degli iperparametri con Ray Tune e YOLO11
Per ulteriori approfondimenti, è possibile esplorare la sezione Tuner e la documentazione di accompagnamento. Se avete domande, richieste di funzionalità o bisogno di ulteriore assistenza, non esitate a contattarci su GitHub o Discordia.
FAQ
Come si ottimizza il tasso di apprendimento per Ultralytics YOLO durante la regolazione degli iperparametri?
Per ottimizzare il tasso di apprendimento per Ultralytics YOLO , si inizia con l'impostazione di un tasso di apprendimento iniziale utilizzando il parametro lr0 parametro. I valori comuni vanno da 0.001 a 0.01. Durante il processo di regolazione dell'iperparametro, questo valore verrà modificato per trovare l'impostazione ottimale. È possibile utilizzare il parametro model.tune() per automatizzare questo processo. Ad esempio:
Esempio
Per maggiori dettagli, consultare la pagina di configurazione diUltralytics YOLO .
Quali sono i vantaggi dell'utilizzo di algoritmi genetici per la regolazione degli iperparametri in YOLO11?
Gli algoritmi genetici in Ultralytics YOLO11 forniscono un metodo robusto per esplorare lo spazio degli iperparametri, portando a prestazioni del modello altamente ottimizzate. I vantaggi principali includono:
- Ricerca efficiente: Gli algoritmi genetici come la mutazione possono esplorare rapidamente un ampio insieme di iperparametri.
- Evitare i minimi locali: introducendo la casualità, aiutano a evitare i minimi locali, garantendo una migliore ottimizzazione globale.
- Metriche di prestazione: Si adattano in base a metriche di prestazione come AP50 e F1-score.
Per vedere come gli algoritmi genetici possono ottimizzare gli iperparametri, consultate la guida all'evoluzione degli iperparametri.
Quanto tempo richiede il processo di regolazione degli iperparametri per Ultralytics YOLO ?
Il tempo necessario per la messa a punto degli iperparametri con Ultralytics YOLO dipende in larga misura da diversi fattori, quali la dimensione del dataset, la complessità dell'architettura del modello, il numero di iterazioni e le risorse computazionali disponibili. Ad esempio, la messa a punto di YOLO11n su un dataset come COCO8 per 30 epoche può richiedere da alcune ore a giorni, a seconda dell'hardware.
Per gestire efficacemente il tempo di messa a punto, è necessario definire in anticipo un budget chiaro per la messa a punto(link alla sezione interna). Questo aiuta a bilanciare l'allocazione delle risorse e gli obiettivi di ottimizzazione.
Quali sono le metriche da utilizzare per valutare le prestazioni del modello durante la regolazione degli iperparametri in YOLO?
Quando si valutano le prestazioni del modello durante la regolazione degli iperparametri in YOLO, si possono utilizzare diverse metriche chiave:
- AP50: la precisione media alla soglia IoU di 0,50.
- Punteggio F1: La media armonica di precision e recall.
- Precisione e Richiamo: Metriche individuali che indicano l'accuratezza del modello nell'identificare i veri positivi rispetto ai falsi positivi e ai falsi negativi.
Queste metriche aiutano a comprendere i diversi aspetti delle prestazioni del modello. Per una panoramica completa, consultare la guida alle metriche delle prestazioni diUltralytics YOLO .
È possibile utilizzare Ultralytics HUB per la regolazione degli iperparametri dei modelli YOLO ?
Sì, è possibile utilizzare Ultralytics HUB per la regolazione degli iperparametri dei modelli YOLO . L'HUB offre una piattaforma senza codice per caricare facilmente i set di dati, addestrare i modelli ed eseguire in modo efficiente la messa a punto degli iperparametri. Fornisce un monitoraggio e una visualizzazione in tempo reale dei progressi e dei risultati della messa a punto.
Per saperne di più sull'uso di Ultralytics HUB per la regolazione degli iperparametri, consultare la documentazione di Ultralytics HUB Cloud Training.
