Ultralytics YOLO Guiade afinação de hiperparâmetros

Introdução

A afinação dos hiperparâmetros não é apenas uma configuração pontual, mas um processo iterativo que visa otimizar as métricas de desempenho do modelo de aprendizagem automática, como a exatidão, a precisão e a recuperação. No contexto de Ultralytics YOLO , estes hiperparâmetros podem variar desde a taxa de aprendizagem até aos detalhes da arquitetura, como o número de camadas ou os tipos de funções de ativação utilizadas.

Ver: How to Tune Hyperparameters for Better Model Performance 🚀

O que são hiperparâmetros?

Os hiperparâmetros são definições estruturais de alto nível para o algoritmo. São definidos antes da fase de treino e permanecem constantes durante a mesma. Seguem-se alguns hiperparâmetros normalmente ajustados em Ultralytics YOLO :

• Taxa de aprendizagem lr0: Determina o tamanho do passo em cada iteração enquanto se move em direção a um mínimo no função de perda.
• Tamanho do lote batch: Número de imagens processadas simultaneamente numa passagem para a frente.
• Número de épocas epochs: Uma época é uma passagem completa para a frente e para trás de todos os exemplos de treino.
• Especificidades da arquitetura: Por exemplo, contagem de canais, número de camadas, tipos de funções de ativação, etc.

Para obter uma lista completa dos hiperparâmetros de aumento utilizados em YOLO11 , consulte a página de configurações.

Evolução genética e mutação

Ultralytics YOLO utiliza algoritmos genéticos para otimizar os hiperparâmetros. Os algoritmos genéticos são inspirados no mecanismo de seleção natural e na genética.

• Mutação: No contexto de Ultralytics YOLO , a mutação ajuda a pesquisar localmente o espaço de hiperparâmetros, aplicando pequenas alterações aleatórias aos hiperparâmetros existentes, produzindo novos candidatos para avaliação.
• Crossover: Embora o crossover seja uma técnica popular de algoritmo genético, não é atualmente utilizado em Ultralytics YOLO para afinação de hiperparâmetros. O foco está principalmente na mutação para gerar novos conjuntos de hiperparâmetros.

Preparação para a afinação de hiperparâmetros

Antes de iniciar o processo de afinação, é importante:

1. Identificar as métricas: Determine as métricas que irá utilizar para avaliar o desempenho do modelo. Pode ser AP50, F1-score ou outros.
2. Definir o orçamento do Tuning: Defina a quantidade de recursos computacionais que você está disposto a alocar. O ajuste de hiperparâmetros pode ser computacionalmente intensivo.

Etapas envolvidas

Inicializar hiperparâmetros

Comece com um conjunto razoável de hiperparâmetros iniciais. Este pode ser o conjunto de hiperparâmetros predefinido por Ultralytics YOLO ou algo baseado no seu conhecimento do domínio ou em experiências anteriores.

Mutação de hiperparâmetros

Utilizar o _mutate para produzir um novo conjunto de hiperparâmetros com base no conjunto existente.

Modelo de comboio

O treino é efectuado utilizando o conjunto mutado de hiperparâmetros. O desempenho do treino é então avaliado.

Avaliar modelo

Utilize métricas como AP50, F1-score ou métricas personalizadas para avaliar o desempenho do modelo.

Resultados do registo

É crucial registar tanto as métricas de desempenho como os hiperparâmetros correspondentes para referência futura.

Repetir

O processo repete-se até que o número definido de iterações seja atingido ou a métrica de desempenho seja satisfatória.

Espaço de pesquisa predefinido Descrição

The following table lists the default search space parameters for hyperparameter tuning in YOLO11. Each parameter has a specific value range defined by a tuple (min, max).

Exemplo de espaço de pesquisa personalizado

Here's how to define a search space and use the model.tune() para utilizar o método Tuner classe para a afinação de hiperparâmetros do YOLO11n no COCO8 para 30 épocas com um optimizador AdamW e saltando a plotagem, o ponto de controlo e a validação, exceto na última época, para uma afinação mais rápida.

from ultralytics import YOLO

# Initialize the YOLO model
model = YOLO("yolo11n.pt")

# Define search space
search_space = {
    "lr0": (1e-5, 1e-1),
    "degrees": (0.0, 45.0),
}

# Tune hyperparameters on COCO8 for 30 epochs
model.tune(
    data="coco8.yaml",
    epochs=30,
    iterations=300,
    optimizer="AdamW",
    space=search_space,
    plots=False,
    save=False,
    val=False,
)

Resultados

Depois de ter concluído com êxito o processo de afinação dos hiperparâmetros, obterá vários ficheiros e diretórios que encapsulam os resultados da afinação. A seguir, descrevemos cada um deles:

Estrutura do ficheiro

Eis o aspeto da estrutura de diretórios dos resultados. Diretórios de formação como train1/ contêm iterações de afinação individuais, ou seja, um modelo treinado com um conjunto de hiperparâmetros. O tune/ contém os resultados da afinação de todos os treinos de modelos individuais:

runs/
└── detect/
    ├── train1/
    ├── train2/
    ├── ...
    └── tune/
        ├── best_hyperparameters.yaml
        ├── best_fitness.png
        ├── tune_results.csv
        ├── tune_scatter_plots.png
        └── weights/
            ├── last.pt
            └── best.pt

Descrições de ficheiros

best_hyperparameters.yaml

Esse arquivo YAML contém os hiperparâmetros de melhor desempenho encontrados durante o processo de ajuste. É possível usar esse arquivo para inicializar treinamentos futuros com essas configurações otimizadas.

• Formato: YAML
• Utilização: Resultados do hiperparâmetro

• Exemplo:

  # 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

Este é um gráfico que mostra a aptidão (normalmente uma métrica de desempenho como AP50) contra o número de iterações. Ele ajuda a visualizar o desempenho do algoritmo genético ao longo do tempo.

• Formato: PNG
• Utilização: Visualização de desempenho

tune_results.csv

Um ficheiro CSV que contém resultados detalhados de cada iteração durante o ajuste. Cada linha do ficheiro representa uma iteração e inclui métricas como a pontuação de aptidão, precisão, recuperação, bem como os hiperparâmetros utilizados.

• Formato: CSV
• Utilização: Controlo de resultados por iteração.
• Exemplo:

    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

Este ficheiro contém gráficos de dispersão gerados a partir de tune_results.csvajudando-o a visualizar as relações entre diferentes hiperparâmetros e métricas de desempenho. Observe que os hiperparâmetros inicializados em 0 não serão ajustados, como degrees e shear abaixo.

• Formato: PNG
• Utilização: Análise exploratória de dados

pesos/

Este diretório contém os modelos guardados PyTorch modelos guardados para as últimas e melhores iterações durante o processo de afinação de hiperparâmetros.

• last.pt: Os last.pt são os pesos da última época de treino.
• best.pt: Os pesos best.pt para a iteração que obteve a melhor pontuação de aptidão.

Utilizando estes resultados, pode tomar decisões mais informadas para as suas futuras formações e análises de modelos. Não hesite em consultar estes artefactos para compreender o desempenho do seu modelo e como pode melhorá-lo ainda mais.

Conclusão

O processo de afinação de hiperparâmetros em Ultralytics YOLO é simplificado mas poderoso, graças à sua abordagem baseada em algoritmos genéticos centrada na mutação. Seguir os passos descritos neste guia ajudá-lo-á a afinar sistematicamente o seu modelo para obter um melhor desempenho.

Ler mais

1. Otimização de hiperparâmetros na Wikipédia
2. YOLOv5 Guia de evolução de hiperparâmetros
3. Afinação eficiente de hiperparâmetros com Ray Tune e YOLO11

Para obter informações mais aprofundadas, pode explorar a Tuner código-fonte da classe e a documentação que a acompanha. Se tiver quaisquer perguntas, pedidos de funcionalidades ou precisar de mais assistência, não hesite em contactar-nos em GitHub ou Discórdia.

FAQ

Como posso otimizar a taxa de aprendizagem para Ultralytics YOLO durante a afinação de hiperparâmetros?

Para otimizar a taxa de aprendizagem para Ultralytics YOLO , comece por definir uma taxa de aprendizagem inicial utilizando o lr0 parâmetro. Os valores comuns variam entre 0.001 para 0.01. Durante o processo de afinação do hiperparâmetro, este valor será alterado para encontrar a definição óptima. É possível utilizar o model.tune() para automatizar este processo. Por exemplo:

from ultralytics import YOLO

# Initialize the YOLO model
model = YOLO("yolo11n.pt")

# Tune hyperparameters on COCO8 for 30 epochs
model.tune(data="coco8.yaml", epochs=30, iterations=300, optimizer="AdamW", plots=False, save=False, val=False)

Para mais pormenores, consulte a página de configuraçãoUltralytics YOLO .

Quais são as vantagens da utilização de algoritmos genéticos para a afinação de hiperparâmetros em YOLO11?

Os algoritmos genéticos em Ultralytics YOLO11 fornecem um método robusto para explorar o espaço de hiperparâmetros, conduzindo a um desempenho de modelo altamente optimizado. Os principais benefícios incluem:

• Pesquisa eficiente: Os algoritmos genéticos, como a mutação, podem explorar rapidamente um grande conjunto de hiperparâmetros.
• Evitar mínimos locais: Ao introduzir a aleatoriedade, ajudam a evitar mínimos locais, assegurando uma melhor otimização global.
• Métricas de desempenho: Adaptam-se com base em métricas de desempenho, tais como AP50 e F1-score.

Para ver como os algoritmos genéticos podem otimizar os hiperparâmetros, consulte o guia de evolução de hiperparâmetros.

Quanto tempo demora o processo de afinação dos hiperparâmetros para Ultralytics YOLO ?

O tempo necessário para a afinação de hiperparâmetros com Ultralytics YOLO depende em grande medida de vários factores, como o tamanho do conjunto de dados, a complexidade da arquitetura do modelo, o número de iterações e os recursos computacionais disponíveis. Por exemplo, a afinação do YOLO11n num conjunto de dados como o COCO8 para 30 épocas pode demorar várias horas a dias, dependendo do hardware.

Para gerir eficazmente o tempo de afinação, defina previamente um orçamento de afinação claro(ligação da secção interna). Isto ajuda a equilibrar a atribuição de recursos e os objectivos de otimização.

Que métricas devo utilizar para avaliar o desempenho do modelo durante a afinação de hiperparâmetros em YOLO?

Ao avaliar o desempenho do modelo durante a afinação de hiperparâmetros em YOLO, pode utilizar várias métricas importantes:

• AP50: A precisão média no limiar IoU de 0,50.
• F1-Score: A média harmónica da precisão e da recuperação.
• Precisão e Recuperação: Métricas individuais que indicam a exatidão do modelo na identificação de verdadeiros positivos versus falsos positivos e falsos negativos.

Estas métricas ajudam-no a compreender diferentes aspectos do desempenho do seu modelo. Consulte o guia de métricas de desempenhoUltralytics YOLO para obter uma visão geral abrangente.

Posso utilizar o Ultralytics HUB para afinar os hiperparâmetros dos modelos YOLO ?

Sim, pode utilizar o Ultralytics HUB para afinação de hiperparâmetros dos modelos YOLO . O HUB oferece uma plataforma sem código para carregar facilmente conjuntos de dados, treinar modelos e executar o ajuste de hiperparâmetros de forma eficiente. Ele fornece rastreamento e visualização em tempo real do progresso e dos resultados do ajuste.

Saiba mais sobre como usar o Ultralytics HUB para ajuste de hiperparâmetros na documentação de treinamento doUltralytics HUB Cloud.

📅C riado há 1 ano ✏️ Atualizado há 26 dias

Comentários