Ultralytics YOLO27: ウェイティングリストに登録してください。
はじめる

YOLOv5のハイパーパラメーター進化

このガイドでは、YOLOv5のハイパーパラメーター進化について説明します。ハイパーパラメーター進化とは、遺伝的アルゴリズム（GA）を用いて最適化するハイパーパラメーター最適化の手法です。

機械学習におけるハイパーパラメーターは、トレーニングのさまざまな要素を制御します。最適な値を見つけることは、次の理由から困難な場合があります：

  1. 高次元の探索空間
  2. 各次元間の相関が不明
  3. 各点で適合度を評価するコストが高い

遺伝的アルゴリズムは進化的アルゴリズムの一種であり、ハイパーパラメーター探索に適しています。

開始する前に#

リポジトリをクローンし、Python>=3.8.0環境にrequirements.txtをインストールします。この環境にはPyTorch>=1.8も含めてください。モデルとデータセットは、最新のYOLOv5リリースから自動的にダウンロードされます。

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

1. ハイパーパラメーターの初期化#

YOLOv5には、さまざまなトレーニング設定に使用されるハイパーパラメーターが約30個あります。これらは/data/hypsディレクトリ内の*.yamlファイルで定義されています。初期値の推定が適切であるほど最終結果も良くなるため、進化を始める前にこれらの値を適切に初期化することが重要です。判断に迷う場合は、YOLOv5のCOCOスクラッチトレーニング向けに最適化されたデフォルト値を使用してください。

# 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. 適合度の定義#

適応度とは、最大化を目指す値です。YOLOv5では、指標の加重和をデフォルトの適応度関数として定義しています。mAP50の重みは10%、mAP50-95の重みは残りの90%で、適合率（P）と再現率（R）は含まれません。必要に応じて調整するか、utils/metrics.pyのデフォルトの適応度定義を使用できます（推奨）。この適応度に基づいてhyp_evolve.yamlに保存する結果が決まります。一方、遺伝的アルゴリズム自体はmAP50のみで親個体とエリート個体を順位付けするため、これらの重みを変更しても親の選択には影響しません。

def fitness(x):
    """Return model fitness as the sum of weighted metrics [P, R, mAP50, mAP50-95]."""
    w = [0.0, 0.0, 0.1, 0.9]  # [P、R、mAP50、mAP50-95]の重み
    return (x[:, :4] * w).sum(1)

3. 進化#

進化は、改善を目指すベースシナリオを基準に実行されます。この例のベースシナリオは、事前学習済みYOLOv5sを使用してCOCO128で10エポックのファインチューニングを行うことです。ベースシナリオのトレーニングコマンドは次のとおりです。

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

このシナリオに固有のハイパーパラメーターを進化させるには、セクション1.で定義した初期値から開始し、セクション2.で定義した適合度を最大化するために、--evolveを追加します:

# 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

デフォルトの進化設定では300世代を実行し、各世代で母集団内の50個体それぞれに対してベースシナリオを1回ずつトレーニングします。世代数は--evolve引数で変更できます。例: python train.py --evolve 1000。

主な遺伝的オペレーターは交叉と突然変異です。各世代では、すべての個体をトレーニングしてmAP50で評価し、トーナメント選択で親を選び、適応度の高いエリート個体を親の候補群に加えます。続いて、進化の進行に応じて適応する確率を用いて、交叉と突然変異により次の個体群を構成します。結果はruns/evolve/exp/evolve.csvに記録され、各世代で最も適応度の高い子個体がruns/evolve/exp/hyp_evolve.yamlとして保存されます。

# YOLOv5 Hyperparameter Evolution Results
# Best generation: 287
# Last generation: 300
#    metrics/precision,       metrics/recall,        metrics/mAP50,     metrics/mAP50-95,         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)

最良の結果を得るには、最低300世代の進化を推奨します。進化には一般に多大なコストと時間がかかります。ベースシナリオを数千回トレーニングするため、数百から数千GPU時間を要する可能性があります。

進化が完了したら、保存したファイルを指定してトレーニングを実行することで、見つかった設定を再利用できます。たとえば、python train.py --hyp runs/evolve/exp/hyp_evolve.yaml --data your.yaml --weights yolov5s.ptのように指定します。

4. 可視化する#

進化の完了後、evolve.csvはutils.plots.plot_evolve()によってevolve.pngとしてプロットされます。各ハイパーパラメーターのサブプロットには、適合度（y軸）とハイパーパラメーター値（x軸）が表示されます。黄色は濃度が高いことを示します。垂直方向の分布は、パラメーターが無効化され、変異しないことを示します。これはtrain.pyのmeta辞書でユーザーが選択でき、パラメーターを固定して進化しないようにする際に便利です。

YOLOv5のハイパーパラメーター進化の適合度結果

サポート対象の環境#

Ultralyticsでは、プロジェクトをすぐに開始できるよう、CUDA、cuDNN、Python、PyTorchなどの必須依存関係をあらかじめインストールした、すぐに使える各種環境を提供しています。

プロジェクトのステータス#

YOLOv5 CI

このバッジは、すべてのYOLOv5 GitHub Actions継続的インテグレーション（CI）テストが正常に合格していることを示します。これらのCIテストでは、トレーニング、検証、推論、エクスポート、ベンチマークなど、さまざまな重要な側面におけるYOLOv5の機能とパフォーマンスを厳密に確認します。これにより、macOS、Windows、Ubuntuで一貫して信頼性の高い動作が保証されます。テストは24時間ごと、および新しいコミットごとに実施されます。

よくある質問#

  • 各世代では、50個体の集団内の各個体についてベースシナリオを1回ずつトレーニングします。そのため、COCO128を10エポック実行する場合、300世代では1回の実行コストのおよそ15,000倍になります。ベースシナリオは短く、代表的なものにしてください。上記のマルチGPUループは1つの探索を共有するのではなく、各GPUで独立した探索を開始するため、予算を固定している場合は、プロセスごとに--evolveを小さくしてください。

  • はい。--evolveのデフォルトは300世代です。さらに実行するには、--evolve 1000のように数値を指定します。

  • train.pyのmeta辞書で、対象エントリーの最初の値をFalseに設定します。除外されたパラメーターは初期値を維持し、evolve.pngでは垂直線として表示されます。

  • 保存したファイルを通常のトレーニング実行に渡します: python train.py --hyp runs/evolve/exp/hyp_evolve.yaml --data your.yaml --weights yolov5s.pt。

コントリビューター
glenn-jocherglenn-jocher4raimbekovmraimbekovm1pderrengerpderrenger1

コメント

質問したり、結果を共有したり、ほかの人をサポートしたりできます。