Ultralytics YOLO Руководство понастройке гиперпараметров

Введение

Настройка гиперпараметров - это не просто одноразовая настройка, а итеративный процесс, направленный на оптимизацию показателей эффективности модели машинного обучения, таких как точность, прецизионность и отзыв. В контексте Ultralytics YOLO эти гиперпараметры могут варьироваться от скорости обучения до архитектурных деталей, таких как количество слоев или типы используемых функций активации.

Что такое гиперпараметры?

Гиперпараметры - это высокоуровневые, структурные настройки алгоритма. Они задаются до этапа обучения и остаются неизменными во время него. Вот некоторые часто настраиваемые гиперпараметры в Ultralytics YOLO :

Скорость обучения lr0: Определяет размер шага на каждой итерации при движении к минимуму в функция потерь.
Размер партии batch: Количество изображений, обрабатываемых одновременно при проходе вперед.
Количество эпох epochs: Эпоха - это один полный проход вперед и назад всех обучающих примеров.
Специфика архитектуры: Например, количество каналов, число слоев, типы функций активации и т. д.

Визуальная настройка гиперпараметров

Полный список гиперпараметров аугментации, используемых в YOLO11 , можно найти на странице конфигураций.

Генетическая эволюция и мутации

Ultralytics YOLO использует генетические алгоритмы для оптимизации гиперпараметров. Генетические алгоритмы вдохновлены механизмом естественного отбора и генетики.

Мутация: В контексте Ultralytics YOLO мутация помогает в локальном поиске гиперпараметрического пространства путем внесения небольших случайных изменений в существующие гиперпараметры, создавая новых кандидатов для оценки.
Кроссовер: Хотя кроссинговер - популярная техника генетических алгоритмов, в настоящее время она не используется в Ultralytics YOLO для настройки гиперпараметров. Основное внимание уделяется мутации для генерации новых наборов гиперпараметров.

Подготовка к настройке гиперпараметров

Прежде чем начать процесс настройки, необходимо:

Определите метрики: Определите метрики, которые вы будете использовать для оценки эффективности модели. Это может быть AP50, F1-score или другие.
Установите бюджет на настройку: Определите, сколько вычислительных ресурсов вы готовы выделить. Настройка гиперпараметров может потребовать больших вычислительных затрат.

Этапы работы

Инициализация гиперпараметров

Начните с разумного набора начальных гиперпараметров. Это могут быть либо гиперпараметры по умолчанию, установленные Ultralytics YOLO , либо что-то, основанное на ваших знаниях о предметной области или предыдущих экспериментах.

Изменение гиперпараметров

Используйте _mutate метод для получения нового набора гиперпараметров на основе существующего набора.

Модель поезда

Обучение проводится с использованием измененного набора гиперпараметров. Затем оценивается эффективность обучения.

Оценить модель

Используйте такие метрики, как AP50, F1-score или пользовательские метрики для оценки эффективности модели.

Результаты журнала

Очень важно регистрировать как показатели производительности, так и соответствующие гиперпараметры для дальнейшего использования.

Повторите

Процесс повторяется до тех пор, пока не будет достигнуто заданное количество итераций или пока метрика производительности не станет удовлетворительной.

Пример использования

Вот как использовать model.tune() метод использования Tuner класс для настройки гиперпараметров YOLO11n на COCO8 для 30 эпох с оптимизатором AdamW и пропуском построения графиков, контрольных точек и валидации, кроме финальной эпохи, для ускорения настройки.

Пример

Python

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)

Результаты

После успешного завершения процесса настройки гиперпараметров вы получите несколько файлов и каталогов, в которых содержатся результаты настройки. Ниже приводится описание каждого из них:

Структура файла

Вот как будет выглядеть структура каталогов результатов. Такие учебные каталоги, как train1/ содержат отдельные итерации настройки, т.е. одну модель, обученную с одним набором гиперпараметров. Сайт tune/ каталог содержит результаты настройки всех индивидуальных тренировок модели:

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

Описания файлов

best_hyperparameters.yaml

Этот YAML-файл содержит гиперпараметры с наилучшими показателями, найденные в процессе настройки. Вы можете использовать этот файл для инициализации будущих тренировок с этими оптимизированными настройками.

Формат: YAML
Использование: Результаты гиперпараметров

Пример:

# 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

Это график, отображающий зависимость пригодности (обычно это метрика производительности, например AP50) от количества итераций. Он помогает визуализировать, насколько хорошо генетический алгоритм работает с течением времени.

Формат: PNG
Использование: Визуализация производительности

Настройка гиперпараметров Фитнес против итераций

tune_results.csv

CSV-файл, содержащий подробные результаты каждой итерации в процессе настройки. Каждая строка в файле представляет одну итерацию и включает такие метрики, как оценка пригодности, точность, отзыв, а также используемые гиперпараметры.

Формат: CSV
Использование: Отслеживание результатов каждой итерации.

Пример:

  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

Этот файл содержит диаграммы рассеяния, построенные на основе tune_results.csv, что поможет вам визуализировать взаимосвязь между различными гиперпараметрами и показателями производительности. Обратите внимание, что гиперпараметры, инициализированные в 0, не будут настраиваться, например degrees и shear ниже.

Формат: PNG
Использование: Эксплораторный анализ данных

Графики рассеяния при настройке гиперпараметров

грузы/

Этот каталог содержит сохраненные PyTorch модели для последней и лучшей итераций в процессе настройки гиперпараметров.

last.pt: Last.pt - это веса, полученные в последнюю эпоху обучения.
best.pt: Веса best.pt для итерации, на которой был достигнут наилучший результат.

Используя эти результаты, вы сможете принимать более обоснованные решения для будущих тренировок и анализов модели. Не стесняйтесь обращаться к этим артефактам, чтобы понять, насколько хорошо работает ваша модель и как вы можете ее улучшить.

Заключение

Процесс настройки гиперпараметров в Ultralytics YOLO упрощен и в то же время эффективен благодаря подходу, основанному на генетическом алгоритме и ориентированному на мутацию. Следуя шагам, описанным в этом руководстве, вы сможете систематически настраивать свою модель для достижения лучшей производительности.

Дальнейшее чтение

Для более глубокого понимания вы можете изучить Tuner исходный код класса и сопроводительную документацию. Если у вас возникнут вопросы, пожелания по функциям или потребуется дополнительная помощь, обращайтесь к нам по следующим адресам GitHub или Дискорд.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как оптимизировать скорость обучения для Ultralytics YOLO при настройке гиперпараметров?

Чтобы оптимизировать скорость обучения для Ultralytics YOLO , начните с установки начальной скорости обучения, используя lr0 параметр. Обычные значения варьируются от 0.001 на 0.01. В процессе настройки гиперпараметров это значение будет изменяться, чтобы найти оптимальную настройку. Вы можете использовать model.tune() метод для автоматизации этого процесса. Например:

Пример

Python

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)

Более подробную информацию можно найти на странице конфигурацииUltralytics YOLO .

Каковы преимущества использования генетических алгоритмов для настройки гиперпараметров в YOLO11?

Генетические алгоритмы в Ultralytics YOLO11 обеспечивают надежный метод исследования пространства гиперпараметров, что приводит к высокой оптимизации работы модели. Основные преимущества включают:

Эффективный поиск: Генетические алгоритмы, такие как мутация, могут быстро исследовать большой набор гиперпараметров.
Избегание локальных минимумов: Вводя случайность, они помогают избежать локальных минимумов, обеспечивая лучшую глобальную оптимизацию.
Метрики производительности: Они адаптируются на основе показателей производительности, таких как AP50 и F1-score.

Чтобы узнать, как генетические алгоритмы могут оптимизировать гиперпараметры, ознакомьтесь с руководством по эволюции гиперпараметров.

Сколько времени занимает процесс настройки гиперпараметров для Ultralytics YOLO ?

Время, необходимое для настройки гиперпараметров с помощью Ultralytics YOLO , во многом зависит от нескольких факторов, таких как размер набора данных, сложность архитектуры модели, количество итераций и доступные вычислительные ресурсы. Например, настройка YOLO11n на таком наборе данных, как COCO8, в течение 30 эпох может занять от нескольких часов до нескольких дней, в зависимости от аппаратного обеспечения.

Чтобы эффективно управлять временем настройки, заранее определите четкий бюджет настройки(внутренняя ссылка на раздел). Это поможет сбалансировать распределение ресурсов и цели оптимизации.

Какие метрики следует использовать для оценки эффективности модели при настройке гиперпараметров в YOLO?

При оценке производительности модели в процессе настройки гиперпараметров в YOLO можно использовать несколько ключевых показателей:

AP50: средняя точность при пороге IoU, равном 0,50.
F1-Score: Среднее гармоническое значение показателей precision и recall.
Precision и Recall: Индивидуальные метрики, показывающие точность модели в определении истинно положительных результатов по сравнению с ложноположительными и ложноотрицательными.

Эти показатели помогут вам понять различные аспекты производительности вашей модели. Полный обзор см. в руководстве по метрикам производительностиUltralytics YOLO .

Могу ли я использовать Ultralytics HUB для настройки гиперпараметров моделей YOLO ?

Да, вы можете использовать Ultralytics HUB для настройки гиперпараметров моделей YOLO . HUB предлагает платформу без кода, позволяющую легко загружать наборы данных, обучать модели и эффективно выполнять настройку гиперпараметров. Он обеспечивает отслеживание и визуализацию хода и результатов настройки в режиме реального времени.

Более подробную информацию об использовании Ultralytics HUB для настройки гиперпараметров можно найти в учебной документации Ultralytics HUB Cloud.

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад