Salta para o conte√ļdo

Configuração

YOLO As defini√ß√Ķes e os hiperpar√Ęmetros desempenham um papel fundamental no desempenho, velocidade e precis√£o do modelo. Estas defini√ß√Ķes e hiperpar√Ęmetros podem afetar o comportamento do modelo em v√°rias fases do processo de desenvolvimento do modelo, incluindo forma√ß√£o, valida√ß√£o e previs√£o.



Observa: Dominar Ultralytics YOLOv8 : Configuração

Ultralytics utiliza a seguinte sintaxe:

Exemplo

yolo TASK MODE ARGS
from ultralytics import YOLO

# Load a YOLOv8 model from a pre-trained weights file
model = YOLO('yolov8n.pt')

# Run MODE mode using the custom arguments ARGS (guess TASK)
model.MODE(ARGS)

Onde:

Predefinição ARG Os valores são definidos nesta página a partir do cfg/defaults.yaml ficheiro.

Tarefas

YOLO podem ser utilizados para uma variedade de tarefas, incluindo deteção, segmentação, classificação e pose. Estas tarefas diferem no tipo de resultados que produzem e no problema específico que foram concebidos para resolver.

  • Detecta: Para identificar e localizar objectos ou regi√Ķes de interesse numa imagem ou v√≠deo.
  • Segmentar: Para dividir uma imagem ou v√≠deo em regi√Ķes ou pixels que correspondem a diferentes objectos ou classes.
  • Classifica: Para prever a etiqueta da classe de uma imagem de entrada.
  • Pose: Para identificar objectos e estimar os seus pontos-chave numa imagem ou v√≠deo.
Chave Valor Descrição
task 'detect' YOLO tarefa, ou seja, detetar, segmentar, classificar, colocar

Guia de tarefas

Modos

YOLO Os modelos podem ser utilizados em diferentes modos, dependendo do problema específico que estás a tentar resolver. Estes modos incluem:

  • Treina: Para treinar um modelo YOLOv8 num conjunto de dados personalizado.
  • Val: Para validar um modelo YOLOv8 depois de ter sido treinado.
  • Prev√™: Para fazer previs√Ķes utilizando um modelo YOLOv8 treinado em novas imagens ou v√≠deos.
  • Exportar: Para exportar um modelo YOLOv8 para um formato que possa ser usado para implanta√ß√£o.
  • Rastreia: Para seguir objectos em tempo real utilizando um modelo YOLOv8 .
  • Marca de refer√™ncia: Para aferir a velocidade e a precis√£o das exporta√ß√Ķes YOLOv8 (ONNX, TensorRT, etc.).
Chave Valor Descrição
mode 'train' YOLO modo, ou seja, treinar, avaliar, prever, exportar, acompanhar, aferir

Guia de modos

Comboio

As defini√ß√Ķes de treino para os modelos YOLO englobam v√°rios hiperpar√Ęmetros e configura√ß√Ķes utilizados durante o processo de treino. Estas defini√ß√Ķes influenciam o desempenho, a velocidade e a precis√£o do modelo. As principais defini√ß√Ķes de treino incluem o tamanho do lote, a taxa de aprendizagem, o momento e a diminui√ß√£o do peso. Al√©m disso, a escolha do optimizador, a fun√ß√£o de perda e a composi√ß√£o do conjunto de dados de treino podem ter impacto no processo de treino. O ajuste cuidadoso e a experimenta√ß√£o com estas defini√ß√Ķes s√£o cruciais para otimizar o desempenho.

Chave Predefinição Descrição
model None Especifica o arquivo de modelo para treinamento. Aceita um caminho para um arquivo .pt modelo pré-treinado ou um .yaml ficheiro de configuração. Essencial para definir a estrutura do modelo ou inicializar os pesos.
data None Caminho para o ficheiro de configura√ß√£o do conjunto de dados (por exemplo, coco128.yaml). Este ficheiro cont√©m par√Ęmetros espec√≠ficos do conjunto de dados, incluindo caminhos para os dados de treino e valida√ß√£o, nomes de classes e n√ļmero de classes.
epochs 100 N√ļmero total de √©pocas de treino. Cada √©poca representa uma passagem completa por todo o conjunto de dados. O ajuste deste valor pode afetar a dura√ß√£o do treino e o desempenho do modelo.
time None Tempo m√°ximo de forma√ß√£o em horas. Se estiver definido, substitui a op√ß√£o epochs permitindo que a forma√ß√£o pare automaticamente ap√≥s a dura√ß√£o especificada. √ötil para cen√°rios de forma√ß√£o com restri√ß√Ķes de tempo.
patience 100 N√ļmero de √©pocas a aguardar sem melhoria nas m√©tricas de valida√ß√£o antes de parar o treino antecipadamente. Ajuda a evitar o sobreajuste, interrompendo o treino quando o desempenho atinge um patamar.
batch 16 Tamanho do lote para treino, indicando quantas imagens s√£o processadas antes de os par√Ęmetros internos do modelo serem actualizados. AutoBatch (batch=-1) ajusta dinamicamente o tamanho do lote com base na disponibilidade de mem√≥ria da GPU.
imgsz 640 Dimens√£o da imagem alvo para treino. Todas as imagens s√£o redimensionadas para esta dimens√£o antes de serem introduzidas no modelo. Afecta a precis√£o do modelo e a complexidade computacional.
save True Permite guardar os pontos de verifica√ß√£o do treino e os pesos finais do modelo. √Č √ļtil para retomar o treino ou a implementa√ß√£o do modelo.
save_period -1 Frequ√™ncia de grava√ß√£o dos pontos de controlo do modelo, especificada em √©pocas. Um valor de -1 desactiva esta funcionalidade. √ötil para guardar modelos provis√≥rios durante longas sess√Ķes de treino.
cache False Ativa a colocação em cache das imagens do conjunto de dados na memória (True/ram), no disco (disk), ou desactiva-a (False). Melhora a velocidade de treino reduzindo as E/S do disco à custa de uma maior utilização da memória.
device None Especifica o(s) dispositivo(s) computacional(ais) para a forma√ß√£o: uma √ļnica GPU (device=0), v√°rias GPUs (device=0,1), CPU (device=cpu), ou MPS para sil√≠cio Apple (device=mps).
workers 8 N√ļmero de threads de trabalho para carregamento de dados (por RANK se estiver a treinar com v√°rias GPUs). Influencia a velocidade do pr√©-processamento de dados e a alimenta√ß√£o do modelo, especialmente √ļtil em configura√ß√Ķes multi-GPU.
project None Nome do diretório do projeto onde são guardados os resultados do treino. Permite o armazenamento organizado de diferentes experiências.
name None Nome da ação de formação. Utilizado para criar uma subdiretoria dentro da pasta do projeto, onde são armazenados os registos e os resultados da formação.
exist_ok False Se Verdadeiro, permite a substituição de um diretório de projeto/nome existente. Útil para experimentação iterativa sem a necessidade de limpar manualmente as saídas anteriores.
pretrained True Determina se deve iniciar o treino a partir de um modelo pré-treinado. Pode ser um valor booleano ou um caminho de cadeia de caracteres para um modelo específico a partir do qual carregar pesos. Melhora a eficiência do treinamento e o desempenho do modelo.
optimizer 'auto' Escolhe o optimizador para a forma√ß√£o. As op√ß√Ķes incluem SGD, Adam, AdamW, NAdam, RAdam, RMSProp etc., ou auto para sele√ß√£o autom√°tica com base na configura√ß√£o do modelo. Afecta a velocidade de converg√™ncia e a estabilidade.
verbose False Ativa a sa√≠da detalhada durante o treino, fornecendo registos detalhados e actualiza√ß√Ķes de progresso. √Č √ļtil para depurar e monitorizar de perto o processo de forma√ß√£o.
seed 0 Define a semente aleat√≥ria para o treino, garantindo a reprodutibilidade dos resultados entre execu√ß√Ķes com as mesmas configura√ß√Ķes.
deterministic True Força a utilização de algoritmos determinísticos, garantindo a reprodutibilidade, mas pode afetar o desempenho e a velocidade devido à restrição de algoritmos não determinísticos.
single_cls False Trata todas as classes em conjuntos de dados multi-classe como uma √ļnica classe durante o treino. √ötil para tarefas de classifica√ß√£o bin√°ria ou quando se concentra na presen√ßa de objectos em vez de na classifica√ß√£o.
rect False Permite a formação retangular, optimizando a composição do lote para um preenchimento mínimo. Pode melhorar a eficiência e a velocidade, mas pode afetar a precisão do modelo.
cos_lr False Utiliza um programador de taxa de aprendizagem cosseno, ajustando a taxa de aprendizagem seguindo uma curva cosseno ao longo de épocas. Ajuda a gerir a taxa de aprendizagem para uma melhor convergência.
close_mosaic 10 Desactiva o aumento dos dados do mosaico nas √ļltimas N √©pocas para estabilizar o treino antes da conclus√£o. Definir como 0 desactiva esta funcionalidade.
resume False Reinicia o treinamento a partir do √ļltimo ponto de verifica√ß√£o salvo. Carrega automaticamente os pesos do modelo, o estado do otimizador e a contagem de √©pocas, continuando o treinamento sem problemas.
amp True Permite a formação automática de precisão mista (AMP), reduzindo a utilização de memória e possivelmente acelerando a formação com um impacto mínimo na precisão.
fraction 1.0 Especifica a fra√ß√£o do conjunto de dados a utilizar para o treino. Permite o treino num subconjunto do conjunto de dados completo, √ļtil para experi√™ncias ou quando os recursos s√£o limitados.
profile False Permite a cria√ß√£o de perfis de ONNX e TensorRT velocidades durante o treino, √ļtil para otimizar a implementa√ß√£o do modelo.
freeze None Congela as primeiras N camadas do modelo ou camadas especificadas por √≠ndice, reduzindo o n√ļmero de par√Ęmetros trein√°veis. √ötil para ajuste fino ou aprendizagem por transfer√™ncia.
lr0 0.01 Taxa de aprendizagem inicial (i.e. SGD=1E-2, Adam=1E-3) . O ajuste deste valor é crucial para o processo de otimização, influenciando a rapidez com que os pesos do modelo são actualizados.
lrf 0.01 Taxa de aprendizagem final como fração da taxa inicial = (lr0 * lrf), utilizado em conjunto com programadores para ajustar a taxa de aprendizagem ao longo do tempo.
momentum 0.937 Fator de momento para SGD ou beta1 para optimizadores Adam, que influencia a incorporação de gradientes passados na atualização atual.
weight_decay 0.0005 Termo de regularização L2, penalizando pesos grandes para evitar o sobreajuste.
warmup_epochs 3.0 N√ļmero de √©pocas para o aquecimento da taxa de aprendizagem, aumentando gradualmente a taxa de aprendizagem de um valor baixo para a taxa de aprendizagem inicial para estabilizar a forma√ß√£o numa fase inicial.
warmup_momentum 0.8 Momento inicial para a fase de aquecimento, ajustando-se gradualmente ao momento definido durante o período de aquecimento.
warmup_bias_lr 0.1 Taxa de aprendizagem para par√Ęmetros de polariza√ß√£o durante a fase de aquecimento, ajudando a estabilizar o treinamento do modelo nas √©pocas iniciais.
box 7.5 Peso do componente de perda de caixa na fun√ß√£o de perda, influenciando a import√Ęncia dada √† previs√£o exacta das coordenadas da caixa delimitadora.
cls 0.5 Peso da perda de classifica√ß√£o na fun√ß√£o de perda total, afectando a import√Ęncia da previs√£o correcta da classe em rela√ß√£o a outros componentes.
dfl 1.5 Peso da perda focal da distribui√ß√£o, utilizado em determinadas vers√Ķes de YOLO para uma classifica√ß√£o fina.
pose 12.0 Peso da perda de pose nos modelos treinados para a estimativa de pose, influenciando a ênfase na previsão exacta dos pontos-chave da pose.
kobj 2.0 Peso da perda de objetividade do ponto-chave nos modelos de estimação da pose, equilibrando a confiança na deteção com a precisão da pose.
label_smoothing 0.0 Aplica a suavização de rótulos, suavizando os rótulos rígidos para uma mistura do rótulo alvo e uma distribuição uniforme sobre os rótulos, pode melhorar a generalização.
nbs 64 Tamanho nominal do lote para normalização da perda.
overlap_mask True Determina se as m√°scaras de segmenta√ß√£o se devem sobrepor durante o treino, aplic√°vel em tarefas de segmenta√ß√£o de inst√Ęncias.
mask_ratio 4 Rácio de downsample para máscaras de segmentação, que afecta a resolução das máscaras utilizadas durante o treino.
dropout 0.0 Taxa de desistência para regularização em tarefas de classificação, evitando o sobreajuste através da omissão aleatória de unidades durante o treino.
val True Permite a validação durante o treino, permitindo a avaliação periódica do desempenho do modelo num conjunto de dados separado.
plots False Gera e guarda gr√°ficos de m√©tricas de treino e valida√ß√£o, bem como exemplos de previs√£o, fornecendo informa√ß√Ķes visuais sobre o desempenho do modelo e a progress√£o da aprendizagem.

Guia do comboio

Prevê

As defini√ß√Ķes de previs√£o dos modelos YOLO abrangem uma s√©rie de hiperpar√Ęmetros e configura√ß√Ķes que influenciam o desempenho, a velocidade e a precis√£o do modelo durante a infer√™ncia de novos dados. O ajuste cuidadoso e a experimenta√ß√£o com estas defini√ß√Ķes s√£o essenciais para obter um desempenho √≥timo para uma tarefa espec√≠fica. As principais defini√ß√Ķes incluem o limiar de confian√ßa, o limiar de supress√£o n√£o m√°xima (NMS) e o n√ļmero de classes consideradas. Outros factores que afectam o processo de previs√£o s√£o o tamanho e o formato dos dados de entrada, a presen√ßa de caracter√≠sticas suplementares, como m√°scaras ou v√°rias etiquetas por caixa, e a tarefa espec√≠fica para a qual o modelo √© utilizado.

Argumentos de inferência:

Argumenta Tipo Predefinição Descrição
source str 'ultralytics/assets' Especifica a fonte de dados para inferência. Pode ser um caminho de imagem, ficheiro de vídeo, diretório, URL ou ID de dispositivo para feeds em direto. Suporta uma vasta gama de formatos e fontes, permitindo uma aplicação flexível em diferentes tipos de entrada.
conf float 0.25 Define o limite m√≠nimo de confian√ßa para as detec√ß√Ķes. Os objectos detectados com confian√ßa abaixo deste limite ser√£o ignorados. Ajustar este valor pode ajudar a reduzir os falsos positivos.
iou float 0.7 Limiar de Intersec√ß√£o sobre Uni√£o (IoU) para Supress√£o N√£o M√°xima (NMS). Valores mais altos resultam em menos detec√ß√Ķes ao eliminar caixas sobrepostas, o que √© √ļtil para reduzir duplicatas.
imgsz int or tuple 640 Define o tamanho da imagem para infer√™ncia. Pode ser um √ļnico n√ļmero inteiro 640 para redimensionamento quadrado ou uma tupla (altura, largura). O dimensionamento correto pode melhorar a precis√£o da dete√ß√£o e a velocidade de processamento.
half bool False Permite a inferência de meia-precisão (FP16), que pode acelerar a inferência de modelos em GPUs compatíveis com um impacto mínimo na precisão.
device str None Especifica o dispositivo para inferência (por exemplo, cpu, cuda:0 ou 0). Permite que os usuários selecionem entre CPU, uma GPU específica ou outros dispositivos de computação para a execução do modelo.
max_det int 300 N√ļmero m√°ximo de detec√ß√Ķes permitidas por imagem. Limita o n√ļmero total de objectos que o modelo pode detetar numa √ļnica infer√™ncia, evitando sa√≠das excessivas em cenas densas.
vid_stride int 1 Avanço de fotogramas para entradas de vídeo. Permite saltar fotogramas em vídeos para acelerar o processamento à custa da resolução temporal. Um valor de 1 processa cada fotograma, valores mais altos saltam fotogramas.
stream_buffer bool False Determina se todos os quadros devem ser armazenados em buffer ao processar fluxos de v√≠deo (True), ou se o modelo deve retornar o quadro mais recente (False). √ötil para aplica√ß√Ķes em tempo real.
visualize bool False Ativa a visualiza√ß√£o dos recursos do modelo durante a infer√™ncia, fornecendo informa√ß√Ķes sobre o que o modelo est√° "vendo". √ötil para depura√ß√£o e interpreta√ß√£o do modelo.
augment bool False Permite o aumento do tempo de teste (TTA) para previs√Ķes, melhorando potencialmente a robustez da dete√ß√£o √† custa da velocidade de infer√™ncia.
agnostic_nms bool False Permite a supressão não máxima (NMS) independente de classe, que mescla caixas sobrepostas de classes diferentes. Útil em cenários de deteção de várias classes em que a sobreposição de classes é comum.
classes list[int] None Filtra as previs√Ķes para um conjunto de IDs de classe. Apenas as detec√ß√Ķes pertencentes √†s classes especificadas ser√£o retornadas. √ötil para se concentrar em objetos relevantes em tarefas de dete√ß√£o de v√°rias classes.
retina_masks bool False Usa máscaras de segmentação de alta resolução, se disponíveis no modelo. Isso pode melhorar a qualidade da máscara para tarefas de segmentação, fornecendo detalhes mais finos.
embed list[int] None Especifica as camadas a partir das quais se extraem vectores de caracter√≠sticas ou incorpora√ß√Ķes. √ötil para tarefas a jusante como o agrupamento ou a pesquisa de semelhan√ßas.

Argumentos de visualização:

Argumenta Tipo Predefinição Descrição
show bool False Se TrueApresenta as imagens ou v√≠deos anotados numa janela. √Č √ļtil para obter feedback visual imediato durante o desenvolvimento ou o teste.
save bool False Permite guardar as imagens ou vídeos anotados num ficheiro. Útil para documentação, análise posterior ou partilha de resultados.
save_frames bool False Ao processar v√≠deos, guarda fotogramas individuais como imagens. √Č √ļtil para extrair fotogramas espec√≠ficos ou para uma an√°lise detalhada fotograma a fotograma.
save_txt bool False Guarda os resultados da deteção num ficheiro de texto, seguindo o formato [class] [x_center] [y_center] [width] [height] [confidence]. Útil para a integração com outras ferramentas de análise.
save_conf bool False Inclui pontua√ß√Ķes de confian√ßa nos arquivos de texto salvos. Aumenta o detalhe dispon√≠vel para p√≥s-processamento e an√°lise.
save_crop bool False Guarda imagens cortadas de detec√ß√Ķes. √ötil para aumentar o conjunto de dados, analisar ou criar conjuntos de dados espec√≠ficos para objectos espec√≠ficos.
show_labels bool True Apresenta etiquetas para cada deteção na saída visual. Proporciona uma compreensão imediata dos objectos detectados.
show_conf bool True Apresenta a pontuação de confiança para cada deteção ao lado da etiqueta. Dá uma ideia da certeza do modelo para cada deteção.
show_boxes bool True Desenha caixas delimitadoras em torno dos objectos detectados. Essencial para a identificação visual e localização de objectos em imagens ou fotogramas de vídeo.
line_width None or int None Especifica a largura da linha das caixas delimitadoras. Se NoneSe não tiveres a certeza, a largura da linha é automaticamente ajustada com base no tamanho da imagem. Proporciona uma personalização visual para maior clareza.

Guia de previs√£o

Val

As defini√ß√Ķes de val (valida√ß√£o) para os modelos YOLO envolvem v√°rios hiperpar√Ęmetros e configura√ß√Ķes utilizados para avaliar o desempenho do modelo num conjunto de dados de valida√ß√£o. Essas configura√ß√Ķes influenciam o desempenho, a velocidade e a precis√£o do modelo. As configura√ß√Ķes comuns de valida√ß√£o do YOLO incluem o tamanho do lote, a frequ√™ncia de valida√ß√£o durante o treinamento e as m√©tricas de avalia√ß√£o de desempenho. Outros factores que afectam o processo de valida√ß√£o incluem o tamanho e a composi√ß√£o do conjunto de dados de valida√ß√£o, bem como a tarefa espec√≠fica para a qual o modelo √© utilizado. O ajuste cuidadoso e a experimenta√ß√£o com estas defini√ß√Ķes s√£o cruciais para garantir um desempenho √≥timo no conjunto de dados de valida√ß√£o e detetar e evitar o sobreajuste.

Chave Valor Descrição
data None caminho para o ficheiro de dados, ou seja, coco128.yaml
imgsz 640 tamanho das imagens de entrada como um n√ļmero inteiro
batch 16 n√ļmero de imagens por lote (-1 para AutoBatch)
save_json False guarda os resultados num ficheiro JSON
save_hybrid False guarda a vers√£o h√≠brida das etiquetas (etiquetas + previs√Ķes adicionais)
conf 0.001 limiar de confiança do objeto para deteção
iou 0.6 limiar de intersecção sobre a união (IoU) para os NMS
max_det 300 n√ļmero m√°ximo de detec√ß√Ķes por imagem
half True utiliza meia precis√£o (FP16)
device None dispositivo para execução, ou seja, dispositivo cuda=0/1/2/3 ou dispositivo=cpu
dnn False utiliza o OpenCV DNN para ONNX inferência
plots False guarda gráficos e imagens durante o treino/avaliação
rect False vale retangular com cada lote agrupado para um enchimento mínimo
split val divisão do conjunto de dados a utilizar para validação, ou seja, "val", "test" ou "train

Guia Val

Exportação

As defini√ß√Ķes de exporta√ß√£o para modelos YOLO abrangem configura√ß√Ķes e op√ß√Ķes relacionadas com a grava√ß√£o ou exporta√ß√£o do modelo para utiliza√ß√£o em diferentes ambientes ou plataformas. Essas configura√ß√Ķes podem afetar o desempenho, o tamanho e a compatibilidade do modelo com v√°rios sistemas. As principais configura√ß√Ķes de exporta√ß√£o incluem o formato de arquivo do modelo exportado (por exemplo, ONNX, TensorFlow SavedModel ), o dispositivo de destino (por exemplo, CPU, GPU) e recursos adicionais, como m√°scaras ou v√°rios r√≥tulos por caixa. O processo de exporta√ß√£o tamb√©m pode ser afetado pela tarefa espec√≠fica do modelo e pelos requisitos ou restri√ß√Ķes do ambiente ou plataforma de destino. √Č crucial configurar cuidadosamente estas defini√ß√Ķes para garantir que o modelo exportado √© optimizado para o caso de utiliza√ß√£o pretendido e funciona eficazmente no ambiente de destino.

Chave Valor Descrição
format 'torchscript' formato para o qual exportar
imgsz 640 tamanho da imagem como escalar ou lista (h, w), ou seja, (640, 480)
keras False utiliza o Keras para TF SavedModel exportar
optimize False TorchScript: otimizar para telemóvel
half False Quantização FP16
int8 False Quantização INT8
dynamic False ONNX/TensorRT: eixos din√Ęmicos
simplify False ONNX/TensorRT: simplifica o modelo
opset None ONNXversão do opset (opcional, por defeito é a mais recente)
workspace 4 TensorRT: tamanho do espaço de trabalho (GB)
nms False CoreML: adiciona NMS

Guia de exportação

Aumento

As defini√ß√Ķes de aumento para os modelos YOLO referem-se √†s v√°rias transforma√ß√Ķes e modifica√ß√Ķes aplicadas aos dados de treino para aumentar a diversidade e a dimens√£o do conjunto de dados. Estas defini√ß√Ķes podem afetar o desempenho, a velocidade e a precis√£o do modelo. Algumas defini√ß√Ķes comuns de aumento de YOLO incluem o tipo e a intensidade das transforma√ß√Ķes aplicadas (por exemplo, invers√Ķes aleat√≥rias, rota√ß√Ķes, cortes, altera√ß√Ķes de cor), a probabilidade com que cada transforma√ß√£o √© aplicada e a presen√ßa de caracter√≠sticas adicionais, como m√°scaras ou v√°rias etiquetas por caixa. Outros factores que podem afetar o processo de aumento incluem o tamanho e a composi√ß√£o do conjunto de dados original e a tarefa espec√≠fica para a qual o modelo est√° a ser utilizado. √Č importante afinar e experimentar cuidadosamente estas defini√ß√Ķes para garantir que o conjunto de dados aumentado √© suficientemente diversificado e representativo para treinar um modelo de elevado desempenho.

Chave Valor Descrição
hsv_h 0.015 imagem Aumento da tonalidade HSV (fração)
hsv_s 0.7 imagem Aumento da saturação HSV (fração)
hsv_v 0.4 imagem Aumento do valor HSV (fração)
degrees 0.0 rotação da imagem (+/- graus)
translate 0.1 tradução de imagem (+/- fração)
scale 0.5 escala de imagem (+/- ganho)
shear 0.0 cisalhamento da imagem (+/- deg)
perspective 0.0 perspetiva da imagem (+/- fração), intervalo 0-0,001
flipud 0.0 invers√£o de imagem para cima e para baixo (probabilidade)
fliplr 0.5 invers√£o de imagem esquerda-direita (probabilidade)
mosaic 1.0 mosaico de imagens (probabilidade)
mixup 0.0 mistura de imagens (probabilidade)
copy_paste 0.0 copia e cola segmentos (probabilidade)
auto_augment 'randaugment' política de aumento automático para classificação (randaugment, autoaugment, augmix)
erasing 0.4 probabilidade de apagamento aleatório durante o treino de classificação (0-1) treino

Registo, pontos de controlo, plotagem e gest√£o de ficheiros

O registo, os pontos de controlo, a plotagem e a gest√£o de ficheiros s√£o considera√ß√Ķes importantes quando se treina um modelo YOLO .

  • Registo: Muitas vezes √© √ļtil registar v√°rias m√©tricas e estat√≠sticas durante o treino para acompanhar o progresso do modelo e diagnosticar quaisquer problemas que possam surgir. Isto pode ser feito utilizando uma biblioteca de registo como o TensorBoard ou escrevendo mensagens de registo num ficheiro.
  • Pontos de controlo: √Č uma boa pr√°tica guardar os pontos de controlo do modelo em intervalos regulares durante o treino. Isto permite-te retomar o treino a partir de um ponto anterior se o processo de treino for interrompido ou se quiseres experimentar diferentes configura√ß√Ķes de treino.
  • Plotagem: Visualizar o desempenho do modelo e o progresso do treinamento pode ser √ļtil para entender como o modelo est√° se comportando e identificar poss√≠veis problemas. Isso pode ser feito usando uma biblioteca de plotagem, como matplotlib, ou gerando gr√°ficos usando uma biblioteca de registro, como TensorBoard.
  • Gest√£o de ficheiros: Gerir os v√°rios ficheiros gerados durante o processo de forma√ß√£o, tais como pontos de controlo do modelo, ficheiros de registo e gr√°ficos, pode ser um desafio. √Č importante ter uma estrutura de ficheiros clara e organizada para manter o controlo destes ficheiros e facilitar o acesso e a an√°lise dos mesmos, conforme necess√°rio.

O registo eficaz, os pontos de controlo, a plotagem e a gestão de ficheiros podem ajudá-lo a acompanhar o progresso do modelo e facilitar a depuração e a otimização do processo de formação.

Chave Valor Descrição
project 'runs' nome do projeto
name 'exp' nome da experiência. exp é automaticamente incrementado se não for especificado, ou seja exp, exp2 ...
exist_ok False se substitui a experiência existente
plots False guarda as parcelas durante o treino/avaliação
save False guarda os pontos de controlo do comboio e prevê os resultados


Criado em 2023-11-12, Atualizado em 2024-02-19
Autores: Rindo-q (1), glenn-jocher (11), AyushExel (1), fcakyon (1), chr043416@gmail.com (1), tensorturtle (1)

Coment√°rios