Конфигурация

Q: How do I set the learning rate for training a YOLO model?

Скорость обучения (lr0) имеет решающее значение для оптимизации. Общепринятой отправной точкой является 0,01 для SGD или 0,001 для Adam. Важно следить за показателями обучения и при необходимости корректировать их. Используйте планировщики скорости косинусного обучения (cos_lr) или методы разминки (warmup_epochs, warmup_momentum) для динамического изменения скорости в процессе обучения. Более подробную информацию вы найдете в руководстве по обучению.

Q: Why should I use mixed precision training with YOLO models?

Обучение со смешанной точностью, включенное с помощью параметра amp=True, помогает снизить потребление памяти и ускорить обучение за счет использования преимуществ FP16 и FP32. Это полезно для современных графических процессоров, которые поддерживают смешанную точность нативно, позволяя уместить в памяти больше моделей и ускорить вычисления без существенной потери точности. Подробнее об этом читайте в руководстве по обучению.

YOLO Настройки и гиперпараметры играют важную роль в производительности, скорости и точности модели. Эти настройки и гиперпараметры могут влиять на поведение модели на различных этапах процесса разработки модели, включая обучение, валидацию и прогнозирование.

Смотреть: Освоение Ultralytics YOLO : Конфигурация

Ultralytics В командах используется следующий синтаксис:

Пример

CLIPython

yolo TASK MODE ARGS

from ultralytics import YOLO

# Load a YOLO11 model from a pre-trained weights file
model = YOLO("yolo11n.pt")

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

Где:

TASK (необязательно) - одно из (обнаружить, сегмент, классифицировать, поза, obb)
MODE (обязательно) является одним из (поезд, val, предсказать, экспорт, трек, эталон)
ARGS (необязательно) являются arg=value такие пары, как imgsz=640 которые отменяют значения по умолчанию.

По умолчанию ARG Значения определяются на этой странице из cfg/defaults.yaml файл.

Задачи

YOLO Модели могут использоваться для решения различных задач, включая обнаружение, сегментацию, классификацию и позиционирование. Эти задачи различаются по типу получаемых результатов и конкретной проблеме, которую они призваны решить.

Обнаружить: Для идентификации и локализации объектов или областей интереса на изображении или видео.
Сегмент: Разделение изображения или видео на области или пиксели, которые соответствуют различным объектам или классам.
Классифицировать: Для предсказания классовой метки входного изображения.
Поза: Для идентификации объектов и оценки их ключевых точек на изображении или видео.
OBB: Ориентированные (т.е. повернутые) ограничительные рамки, подходящие для спутниковых или медицинских изображений.

Аргумент	По умолчанию	Описание
`task`	`'detect'`	Указывает задание YOLO , которое должно быть выполнено. Опции включают `detect` для обнаружение объектов, `segment` для сегментации, `classify` для классификации, `pose` для оценки положения и `obb` для ориентированных ограничительных рамок. Каждая задача предназначена для конкретных типов вывода и проблем анализа изображений и видео.

Руководство по выполнению заданий

Режимы

YOLO Модели могут использоваться в различных режимах в зависимости от конкретной проблемы, которую вы пытаетесь решить. К таким режимам относятся:

Train: Для обучения модели YOLO11 на пользовательском наборе данных.
Val: Для проверки модели YOLO11 после ее обучения.
Predict: Для составления прогнозов с помощью обученной модели YOLO11 на новых изображениях или видео.
Экспорт: Для экспорта модели YOLO11 в формат, который можно использовать для развертывания.
Track: Для отслеживания объектов в реальном времени с помощью модели YOLO11 .
Бенчмарк: Для проверки скорости и точности экспорта YOLO11 (ONNX, TensorRT и т.д.).

Аргумент	По умолчанию	Описание
`mode`	`'train'`	Определяет режим, в котором работает модель YOLO . Варианты `train` для обучения модели, `val` для проверки, `predict` для выводов на основе новых данных, `export` для преобразования моделей в форматы развертывания, `track` для отслеживания объектов, и `benchmark` для оценки производительности. Каждый режим предназначен для различных этапов жизненного цикла модели, от разработки до развертывания.

Руководство по режимам

Настройки поезда

Настройки обучения для моделей YOLO включают в себя различные гиперпараметры и конфигурации, используемые в процессе обучения. Эти настройки влияют на производительность, скорость и точность модели. Основные параметры обучения включают размер партии, скорость обучения, импульс и затухание веса. Кроме того, на процесс обучения влияют выбор оптимизатора, функции потерь и состав наборов данных для обучения. Тщательная настройка и эксперименты с этими параметрами имеют решающее значение для оптимизации производительности.

Аргумент	По умолчанию	Описание
`model`	`None`	Указывает файл модели для обучения. Принимает путь либо к `.pt` предварительно обученная модель или `.yaml` файл конфигурации. Необходим для определения структуры модели или инициализации весов.
`data`	`None`	Путь к файлу конфигурации набора данных (например, `coco8.yaml`). Этот файл содержит специфические для набора данных параметры, включая пути к тренировочным и данные проверки, названия классов и их количество.
`epochs`	`100`	Общее количество эпох обучения. Каждая эпоха представляет собой полный проход по всему набору данных. Настройка этого значения может повлиять на продолжительность обучения и производительность модели.
`time`	`None`	Максимальное время обучения в часах. Если задано, оно отменяет значение `epochs` аргумент, позволяющий автоматически прекратить обучение по истечении указанной продолжительности. Полезно для сценариев обучения с ограниченным временем.
`patience`	`100`	Количество эпох, которое необходимо выждать при отсутствии улучшений в метриках проверки перед досрочным прекращением обучения. Помогает предотвратить чрезмерную подгонку, останавливая обучение, когда производительность достигает плато.
`batch`	`16`	Размер партии, с тремя режимами: задается как целое число (например, `batch=16`), автоматический режим для 60 % использования памяти GPU (`batch=-1`), или автоматический режим с заданной долей использования (`batch=0.70`).
`imgsz`	`640`	Целевой размер изображения для обучения. Перед подачей в модель все изображения изменяются до этого размера. Влияет на точность модели и сложность вычислений.
`save`	`True`	Позволяет сохранить контрольные точки обучения и окончательные веса модели. Полезно для возобновления обучения или развертывания модели.
`save_period`	`-1`	Частота сохранения контрольных точек модели, задается в эпохах. Значение -1 отключает эту функцию. Полезно для сохранения промежуточных моделей во время длительных тренировок.
`cache`	`False`	Включает кэширование изображений наборов данных в памяти (`True`/`ram`), на диске (`disk`), или отключить его (`False`). Повышает скорость обучения за счет снижения дискового ввода-вывода ценой увеличения использования памяти.
`device`	`None`	Указание вычислительного устройства (устройств) для обучения: один GPU (`device=0`), несколько графических процессоров (`device=0,1`), CPU (`device=cpu`), или MPS для кремния Apple (`device=mps`).
`workers`	`8`	Количество рабочих потоков для загрузки данных (на `RANK` если обучение многоGPU ). Влияет на скорость предварительной обработки данных и подачи их в модель, особенно полезно при использовании несколькихGPU установок.
`project`	`None`	Имя директории проекта, в которой сохраняются результаты обучения. Позволяет организовать хранение различных экспериментов.
`name`	`None`	Имя тренировочного прогона. Используется для создания подкаталога в папке проекта, в котором хранятся журналы тренировок и выходные данные.
`exist_ok`	`False`	Если значение True, позволяет перезаписать существующий каталог проекта/имени. Полезно для итеративных экспериментов без необходимости вручную очищать предыдущие результаты.
`pretrained`	`True`	Определяет, начинать ли обучение с предварительно обученной модели. Может быть булевым значением или строковым путем к конкретной модели, из которой загружаются веса. Повышает эффективность обучения и производительность модели.
`optimizer`	`'auto'`	Выбор оптимизатора для обучения. Варианты включают `SGD`, `Adam`, `AdamW`, `NAdam`, `RAdam`, `RMSProp` и т.д., или `auto` для автоматического выбора на основе конфигурации модели. Влияет на скорость и стабильность сходимости.
`seed`	`0`	Устанавливает случайное зерно для обучения, обеспечивая воспроизводимость результатов в прогонах с одинаковыми конфигурациями.
`deterministic`	`True`	Принуждает использовать детерминированные алгоритмы, что обеспечивает воспроизводимость, но может повлиять на производительность и скорость из-за ограничения недетерминированных алгоритмов.
`single_cls`	`False`	При обучении рассматривает все классы в многоклассовых наборах данных как один класс. Полезно для задач бинарной классификации или когда внимание сосредоточено на присутствии объекта, а не на классификации.
`rect`	`False`	Позволяет проводить прямоугольное обучение, оптимизируя состав партии для минимального наполнения. Это может повысить эффективность и скорость, но может повлиять на точность модели.
`cos_lr`	`False`	Использует косинусный планировщик скорости обучения, регулируя скорость обучения по косинусной кривой в течение эпох. Помогает управлять скоростью обучения для лучшей сходимости.
`close_mosaic`	`10`	Отключает увеличение мозаичных данных в последние N эпох для стабилизации обучения перед завершением. Установка значения 0 отключает эту функцию.
`resume`	`False`	Возобновление обучения с последней сохраненной контрольной точки. Автоматическая загрузка весов модели, состояния оптимизатора и количества эпох, что позволяет беспрепятственно продолжить обучение.
`amp`	`True`	Включает автоматическое обучение со смешанной точностью (AMP), что позволяет сократить расход памяти и, возможно, ускорить обучение с минимальным влиянием на точность.
`fraction`	`1.0`	Указывает долю набора данных, которую следует использовать для обучения. Позволяет проводить обучение на подмножестве полного набора данных, что полезно для экспериментов или при ограниченных ресурсах.
`profile`	`False`	Позволяет профилировать скорости ONNX и TensorRT во время обучения, что полезно для оптимизации развертывания модели.
`freeze`	`None`	Замораживает первые N слоев модели или указанные слои по индексу, уменьшая количество обучаемых параметров. Полезно для тонкой настройки или трансферного обучения.
`lr0`	`0.01`	Начальная скорость обучения (т.е. `SGD=1E-2`, `Adam=1E-3`) . Настройка этого значения имеет решающее значение для процесса оптимизации, влияя на скорость обновления весов модели.
`lrf`	`0.01`	Конечная скорость обучения как доля от начальной скорости = (`lr0 * lrf`), используемые совместно с планировщиками для регулировки скорости обучения с течением времени.
`momentum`	`0.937`	Фактор момента для SGD или beta1 для оптимизаторов Адама, влияющий на включение прошлых градиентов в текущее обновление.
`weight_decay`	`0.0005`	Член регуляризации L2, штрафующий большие веса для предотвращения перебора.
`warmup_epochs`	`3.0`	Количество эпох для разминки скорости обучения, постепенно увеличивая скорость обучения от низкого значения до начальной скорости обучения, чтобы стабилизировать обучение на ранних этапах.
`warmup_momentum`	`0.8`	Начальный импульс для фазы разминки, постепенная адаптация к заданному импульсу в течение периода разминки.
`warmup_bias_lr`	`0.1`	Скорость обучения параметров смещения на этапе разминки, помогающая стабилизировать обучение модели в начальные эпохи.
`box`	`7.5`	Вес компонента box loss в функции потерь, влияющий на то, насколько большое внимание уделяется точному предсказанию координат ограничительной рамки.
`cls`	`0.5`	Вес классификационных потерь в общей функции потерь, влияющий на важность правильного предсказания класса по сравнению с другими компонентами.
`dfl`	`1.5`	Вес фокусных потерь распределения, используемый в некоторых версиях YOLO для более тонкой классификации.
`pose`	`12.0`	Вес потери позы в моделях, обученных для оценки позы, влияет на акцент на точное предсказание ключевых точек позы.
`kobj`	`2.0`	Вес потери объективности ключевой точки в моделях оценки позы, балансирующий между уверенностью в обнаружении и точностью позы.
`label_smoothing`	`0.0`	Применяет сглаживание меток, смягчая жесткие метки до смеси целевой метки и равномерного распределения по меткам, что позволяет улучшить обобщение.
`nbs`	`64`	Номинальный размер партии для нормализации потерь.
`overlap_mask`	`True`	Определяет, следует ли объединить маски объектов в одну маску для обучения или оставить отдельные для каждого объекта. В случае перекрытия меньшая маска накладывается поверх большей при слиянии.
`mask_ratio`	`4`	Коэффициент понижения дискретизации для масок сегментации, влияющий на разрешение масок, используемых при обучении.
`dropout`	`0.0`	Показатель отсева для регуляризации в задачах классификации, предотвращающий перебор путем случайного исключения единиц в процессе обучения.
`val`	`True`	Включает проверку во время обучения, позволяя периодически оценивать производительность модели на отдельном наборе данных.
`plots`	`False`	Генерирует и сохраняет графики показателей обучения и проверки, а также примеры предсказаний, обеспечивая визуальное представление о производительности модели и прогрессе обучения.

Примечание по настройкам размера партии

Сайт batch аргумент может быть настроен тремя способами:

Фиксированный размер партии: Установите целочисленное значение (например, batch=16), напрямую указывая количество изображений в партии.
Автоматический режим (60% GPU Memory): Используйте batch=-1 для автоматической настройки размера партии для использования памяти примерно на 60 % CUDA .
Автоматический режим с фракцией использования: Установите дробное значение (например, batch=0.70), чтобы настроить размер партии на основе указанной доли использования памяти GPU .

Путеводитель по поезду

Прогнозирование настроек

Настройки предсказания для моделей YOLO включают в себя ряд гиперпараметров и конфигураций, которые влияют на производительность, скорость и точность модели при выводе новых данных. Тщательная настройка и эксперименты с этими настройками необходимы для достижения оптимальной производительности для конкретной задачи. К ключевым настройкам относятся порог уверенности, порог немаксимального подавления (NMS) и количество учитываемых классов. Дополнительными факторами, влияющими на процесс предсказания, являются размер и формат входных данных, наличие дополнительных признаков, таких как маски или несколько меток на ячейку, а также конкретная задача, для которой используется модель.

Аргументы для умозаключений:

Аргумент	Тип	По умолчанию	Описание
`source`	`str`	`'ultralytics/assets'`	Указывает источник данных для вывода. Это может быть путь к изображению, видеофайлу, директории, URL-адрес или идентификатор устройства для прямой трансляции. Поддерживает широкий спектр форматов и источников, что позволяет гибко использовать различные типы входных данных.
`conf`	`float`	`0.25`	Устанавливает минимальный порог уверенности для обнаружений. Объекты, обнаруженные с достоверностью ниже этого порога, будут проигнорированы. Настройка этого значения может помочь уменьшить количество ложных срабатываний.
`iou`	`float`	`0.7`	Порог Intersection Over Union (IoU) для немаксимального подавления (NMS). Более низкие значения приводят к уменьшению количества обнаружений за счет устранения перекрывающихся ячеек, что полезно для уменьшения количества дубликатов.
`imgsz`	`int or tuple`	`640`	Определяет размер изображения для вывода. Может быть одним целым числом `640` для изменения размера квадрата или кортеж (высота, ширина). Правильное изменение размера может улучшить обнаружение точность и скорость обработки данных.
`half`	`bool`	`False`	Включает вывод с половинной точностью (FP16), что позволяет ускорить вывод модели на поддерживаемых графических процессорах с минимальным влиянием на точность.
`device`	`str`	`None`	Указывает устройство для вывода (например, `cpu`, `cuda:0` или `0`). Позволяет пользователям выбирать между CPU, конкретным GPU или другими вычислительными устройствами для выполнения модели.
`max_det`	`int`	`300`	Максимальное количество обнаружений, допустимое для одного изображения. Ограничивает общее количество объектов, которые модель может обнаружить за один вывод, предотвращая чрезмерное количество выводов в плотных сценах.
`vid_stride`	`int`	`1`	Пропуск кадров для видеовходов. Позволяет пропускать кадры в видео для ускорения обработки за счет снижения временного разрешения. При значении 1 обрабатывается каждый кадр, при больших значениях кадры пропускаются.
`stream_buffer`	`bool`	`False`	Определяет, ставить ли входящие кадры в очередь для видеопотоков. Если `False`то старые кадры будут отброшены, чтобы разместить новые (оптимизировано для приложений реального времени). Если `True', новые кадры ставятся в очередь в буфер, что гарантирует, что ни один кадр не будет пропущен, но это приведет к задержке, если FPS вывода ниже FPS потока.
`visualize`	`bool`	`False`	Активирует визуализацию особенностей модели во время вывода, позволяя понять, что "видит" модель. Полезно для отладки и интерпретации модели.
`augment`	`bool`	`False`	Обеспечивает увеличение времени тестирования (TTA) для предсказаний, потенциально улучшая надежность обнаружения за счет снижения скорости вывода.
`agnostic_nms`	`bool`	`False`	Включает не зависящую от класса функцию Non-Maximum Suppression (NMS), которая объединяет перекрывающиеся ячейки разных классов. Полезно в сценариях обнаружения нескольких классов, где часто происходит перекрытие классов.
`classes`	`list[int]`	`None`	Фильтрует предсказания по набору идентификаторов классов. Будут возвращены только обнаружения, принадлежащие указанным классам. Полезно для фокусировки на соответствующих объектах в многоклассовых задачах обнаружения.
`retina_masks`	`bool`	`False`	Возвращает маски сегментации высокого разрешения. Возвращаемые маски (`masks.data`) будут соответствовать размеру исходного изображения, если они включены. Если они отключены, то будут иметь размер изображения, используемый при выводе.
`embed`	`list[int]`	`None`	Определяет слои, из которых нужно извлечь векторы признаков или вкрапления. Полезно для последующих задач, таких как кластеризация или поиск сходства.
`project`	`str`	`None`	Имя каталога проекта, в котором сохраняются результаты предсказаний, если `save` включена.
`name`	`str`	`None`	Имя прогона предсказания. Используется для создания подкаталога в папке проекта, в котором хранятся результаты предсказаний, если `save` включена.

Аргументы для визуализации:

Аргумент	Тип	По умолчанию	Описание
`show`	`bool`	`False`	Если `True`отображает аннотированные изображения или видео в окне. Полезно для немедленной визуальной обратной связи во время разработки или тестирования.
`save`	`bool`	`False` или `True`	Позволяет сохранить аннотированные изображения или видео в файл. Полезно для документации, дальнейшего анализа или обмена результатами. По умолчанию имеет значение True при использовании CLI и False при использовании Python.
`save_frames`	`bool`	`False`	При обработке видео сохраняет отдельные кадры в виде изображений. Полезно для извлечения конкретных кадров или для детального покадрового анализа.
`save_txt`	`bool`	`False`	Сохраняет результаты обнаружения в текстовом файле, следуя формату `[class] [x_center] [y_center] [width] [height] [confidence]`. Полезно для интеграции с другими инструментами анализа.
`save_conf`	`bool`	`False`	Включает доверительные оценки в сохраненные текстовые файлы. Повышает детализацию, доступную для постобработки и анализа.
`save_crop`	`bool`	`False`	Сохраняет обрезанные изображения обнаруженных объектов. Полезно для расширения набора данных, анализа или создания наборов данных, ориентированных на конкретные объекты.
`show_labels`	`bool`	`True`	Отображение меток для каждого обнаруженного объекта в визуальном выводе. Обеспечивает немедленное понимание обнаруженных объектов.
`show_conf`	`bool`	`True`	Отображает оценку достоверности для каждого обнаружения рядом с меткой. Дает представление о степени уверенности модели для каждого обнаружения.
`show_boxes`	`bool`	`True`	Рисует ограничительные рамки вокруг обнаруженных объектов. Необходим для визуальной идентификации и определения местоположения объектов на изображениях или видеокадрах.
`line_width`	`None` или `int`	`None`	Определяет ширину линии ограничительных рамок. Если `None`Ширина линии автоматически регулируется в зависимости от размера изображения. Обеспечивает визуальную настройку для наглядности.

Путеводитель по предсказаниям

Настройки проверки

Настройки проверки (валидации) для моделей YOLO включают в себя различные гиперпараметры и конфигурации, используемые для оценки производительности модели на наборе данных для проверки. Эти настройки влияют на производительность, скорость и точность модели. Общие настройки валидации YOLO включают размер партии, частоту валидации во время обучения и метрики оценки производительности. Другие факторы, влияющие на процесс валидации, включают размер и состав валидационного набора данных, а также конкретную задачу, для которой используется модель.

Аргумент	Тип	По умолчанию	Описание
`data`	`str`	`None`	Указывает путь к файлу конфигурации набора данных (например, `coco8.yaml`). Этот файл включает в себя пути к данные проверки, названия классов и их количество.
`imgsz`	`int`	`640`	Определяет размер входных изображений. Перед обработкой все изображения приводятся к этому размеру.
`batch`	`int`	`16`	Устанавливает количество изображений в партии. Используйте `-1` для функции AutoBatch, которая автоматически настраивается в зависимости от наличия памяти на сайте GPU .
`save_json`	`bool`	`False`	Если `True`, сохраняет результаты в JSON-файл для дальнейшего анализа или интеграции с другими инструментами.
`save_hybrid`	`bool`	`False`	Если `True`сохраняет гибридную версию меток, которая сочетает оригинальные аннотации с дополнительными предсказаниями модели.
`conf`	`float`	`0.001`	Устанавливает минимальный порог достоверности для обнаружений. Обнаружения с достоверностью ниже этого порога отбрасываются.
`iou`	`float`	`0.6`	Устанавливает пороговое значение Intersection Over Union (IoU) для немаксимального подавления (NMS). Помогает уменьшить количество дублирующих обнаружений.
`max_det`	`int`	`300`	Ограничивает максимальное количество обнаружений на одном изображении. Полезно в плотных сценах для предотвращения чрезмерного количества обнаружений.
`half`	`bool`	`True`	Обеспечивает вычисления с половинной точностью (FP16), уменьшая потребление памяти и потенциально увеличивая скорость с минимальным влиянием на точность.
`device`	`str`	`None`	Указание устройства для проверки (`cpu`, `cuda:0`, и т.д.). Позволяет гибко использовать ресурсы CPU или GPU .
`dnn`	`bool`	`False`	Если `True`, использует OpenCV Модуль DNN для вывода моделей ONNX , предлагающий альтернативу PyTorch методы вывода.
`plots`	`bool`	`False`	Если установлено значение `True`генерирует и сохраняет графики сопоставления прогноза с истиной для визуальной оценки работы модели.
`rect`	`bool`	`True`	Если `True`В нем используется прямоугольный вывод для пакетной обработки, что уменьшает количество набивок и потенциально увеличивает скорость и эффективность.
`split`	`str`	`val`	Определяет разбиение набора данных, используемое для проверки (`val`, `test`, или `train`). Позволяет гибко подходить к выбору сегмента данных для оценки производительности.
`project`	`str`	`None`	Имя каталога проекта, в котором сохраняются результаты проверки.
`name`	`str`	`None`	Имя прогона валидации. Используется для создания подкаталога в папке проекта, в котором хранятся журналы и результаты валидации.

Тщательная настройка и эксперименты с этими параметрами очень важны для обеспечения оптимальной производительности на наборе данных для проверки, а также для обнаружения и предотвращения чрезмерной подгонки.

Путеводитель по Валу

Настройки экспорта

Параметры экспорта моделей YOLO включают в себя конфигурации и опции, связанные с сохранением или экспортом модели для использования в различных средах или платформах. Эти настройки могут влиять на производительность, размер и совместимость модели с различными системами. Основные параметры экспорта включают формат файла экспортируемой модели (например, ONNX, TensorFlow SavedModel ), целевое устройство (например, CPU, GPU), а также дополнительные возможности, такие как маски или несколько этикеток на коробку. На процесс экспорта также может повлиять конкретная задача модели и требования или ограничения целевой среды или платформы.

Аргумент	Тип	По умолчанию	Описание
`format`	`str`	`'torchscript'`	Целевой формат экспортируемой модели, например `'onnx'`, `'torchscript'`, `'tensorflow'`, или другие, определяющие совместимость с различными средами развертывания.
`imgsz`	`int` или `tuple`	`640`	Желаемый размер изображения для входных данных модели. Может быть целым числом для квадратных изображений или кортежем `(height, width)` для получения конкретных размеров.
`keras`	`bool`	`False`	Обеспечивает экспорт в формат Keras для TensorFlow SavedModel обеспечивая совместимость с сервисами и API TensorFlow .
`optimize`	`bool`	`False`	Применяет оптимизацию для мобильных устройств при экспорте в TorchScript, потенциально уменьшая размер модели и улучшая производительность.
`half`	`bool`	`False`	Включает квантование FP16 (половина точности), уменьшая размер модели и потенциально ускоряя вывод на поддерживаемом оборудовании.
`int8`	`bool`	`False`	Активирует квантование INT8, что еще больше сжимает модель и ускоряет вывод с минимальной потерей точности, в первую очередь для пограничных устройств.
`dynamic`	`bool`	`False`	Позволяет вводить динамические размеры для экспорта ONNX, TensorRT и OpenVINO , что повышает гибкость при работе с изображениями разных размеров.
`simplify`	`bool`	`True`	Упрощает граф модели для экспорта ONNX с `onnxslim`, потенциально улучшая производительность и совместимость.
`opset`	`int`	`None`	Указывает версию ONNX opset для совместимости с различными ONNX парсерами и программами выполнения. Если не задано, используется последняя поддерживаемая версия.
`workspace`	`float`	`4.0`	Устанавливает максимальный размер рабочей области в GiB для оптимизации TensorRT , балансируя между использованием памяти и производительностью.
`nms`	`bool`	`False`	Добавляет не максимальное подавление (NMS) к экспорту CoreML , что необходимо для точной и эффективной постобработки обнаружения.
`batch`	`int`	`1`	Указывает размер пакетного вывода экспортной модели или максимальное количество изображений, которые экспортируемая модель будет обрабатывать одновременно в `predict` режим.
`device`	`str`	`None`	Указывает устройство для экспорта: GPU (`device=0`), CPU (`device=cpu`), MPS для кремния Apple (`device=mps`) или DLA для NVIDIA Jetson (`device=dla:0` или `device=dla:1`).

Очень важно тщательно настроить эти параметры, чтобы экспортируемая модель была оптимизирована для предполагаемого использования и эффективно функционировала в целевой среде.

Руководство по экспорту

Настройки аугментации

Методы дополнения необходимы для повышения устойчивости и производительности моделей YOLO за счет внесения изменчивости в обучающие данные, что помогает модели лучше обобщать данные, не встречающиеся в поле зрения. В следующей таблице описаны цель и эффект каждого аргумента дополнения:

Аргумент	Тип	По умолчанию	Диапазон	Описание
`hsv_h`	`float`	`0.015`	`0.0 - 1.0`	Корректирует оттенок изображения на долю цветового круга, внося разнообразие в цвет. Помогает модели обобщать данные при различных условиях освещения.
`hsv_s`	`float`	`0.7`	`0.0 - 1.0`	Изменяет насыщенность изображения на долю, влияя на интенсивность цветов. Полезно для имитации различных условий окружающей среды.
`hsv_v`	`float`	`0.4`	`0.0 - 1.0`	Изменяет значение (яркость) изображения на определенную долю, помогая модели хорошо работать при различных условиях освещения.
`degrees`	`float`	`0.0`	`-180 - +180`	Произвольно поворачивает изображение в заданном диапазоне градусов, улучшая способность модели распознавать объекты с различной ориентацией.
`translate`	`float`	`0.1`	`0.0 - 1.0`	Переводит изображение по горизонтали и вертикали на долю размера изображения, помогая научиться обнаруживать частично видимые объекты.
`scale`	`float`	`0.5`	`>=0.0`	Масштабирует изображение по коэффициенту усиления, имитируя объекты на разных расстояниях от камеры.
`shear`	`float`	`0.0`	`-180 - +180`	Обрезает изображение на определенный градус, имитируя эффект просмотра объектов под разными углами.
`perspective`	`float`	`0.0`	`0.0 - 0.001`	Применяет к изображению случайное преобразование перспективы, улучшая способность модели понимать объекты в трехмерном пространстве.
`flipud`	`float`	`0.0`	`0.0 - 1.0`	Переворачивает изображение с заданной вероятностью, увеличивая вариативность данных без ущерба для характеристик объекта.
`fliplr`	`float`	`0.5`	`0.0 - 1.0`	Переворачивает изображение слева направо с заданной вероятностью, что полезно для изучения симметричных объектов и увеличения разнообразия наборов данных.
`bgr`	`float`	`0.0`	`0.0 - 1.0`	Переключает каналы изображения с RGB на BGR с заданной вероятностью, что полезно для повышения устойчивости к неправильному упорядочиванию каналов.
`mosaic`	`float`	`1.0`	`0.0 - 1.0`	Объединяет четыре учебных изображения в одно, имитируя различные композиции сцены и взаимодействие объектов. Высокоэффективно для понимания сложных сцен.
`mixup`	`float`	`0.0`	`0.0 - 1.0`	Смешивает два изображения и их метки, создавая составное изображение. Усиливает способность модели к обобщению, внося шум от меток и визуальную изменчивость.
`copy_paste`	`float`	`0.0`	`0.0 - 1.0`	Копирует объекты с одного изображения и вставляет их на другое, что полезно для увеличения количества экземпляров объектов и изучения их окклюзии.
`copy_paste_mode`	`str`	`flip`	-	Выбор метода наращивания Copy-Paste среди вариантов (`"flip"`, `"mixup"`).
`auto_augment`	`str`	`randaugment`	-	Автоматическое применение предопределенной политики дополнения (`randaugment`, `autoaugment`, `augmix`), оптимизируя задачи классификации за счет разнообразия визуальных признаков.
`erasing`	`float`	`0.4`	`0.0 - 0.9`	Случайно стирает часть изображения во время обучения классификации, побуждая модель сосредоточиться на менее очевидных признаках для распознавания.
`crop_fraction`	`float`	`1.0`	`0.1 - 1.0`	Обрезает классификационное изображение до меньшего размера, чтобы подчеркнуть центральные особенности и адаптироваться к масштабу объекта, уменьшая отвлекающий фон.

Эти параметры могут быть изменены в соответствии с конкретными требованиями набора данных и поставленной задачи. Экспериментирование с различными значениями поможет найти оптимальную стратегию дополнения, которая приведет к наилучшей производительности модели.

Настройки протоколирования, контрольных точек и черчения

Ведение журнала, контрольные точки, построение графиков и управление файлами - важные моменты при обучении модели YOLO .

Ведение журнала: Во время обучения часто полезно регистрировать различные метрики и статистику, чтобы отслеживать прогресс модели и диагностировать возникающие проблемы. Для этого можно использовать библиотеку протоколирования, например TensorBoard, или записывать сообщения журнала в файл.
Контрольные точки: Хорошей практикой является сохранение контрольных точек модели через регулярные промежутки времени в процессе обучения. Это позволит вам возобновить обучение с предыдущей точки, если процесс обучения прерван или если вы хотите поэкспериментировать с различными конфигурациями обучения.
Построение графиков: Визуализация производительности модели и хода обучения может быть полезна для понимания поведения модели и выявления потенциальных проблем. Это можно сделать с помощью библиотеки построения графиков, такой как matplotlib, или путем генерации графиков с помощью библиотеки протоколирования, такой как TensorBoard.
Управление файлами: Управление различными файлами, создаваемыми в процессе обучения, такими как контрольные точки модели, файлы журналов и графики, может быть сложной задачей. Важно иметь четкую и организованную файловую структуру, чтобы отслеживать эти файлы и облегчить доступ к ним и их анализ по мере необходимости.

Эффективные протоколирование, создание контрольных точек, построение графиков и управление файлами помогут вам следить за ходом работы над моделью и облегчат отладку и оптимизацию процесса обучения.

Аргумент	По умолчанию	Описание
`project`	`'runs'`	Указывает корневой каталог для сохранения тренировочных прогонов. Каждый прогон будет сохранен в отдельном подкаталоге в этом каталоге.
`name`	`'exp'`	Определяет имя эксперимента. Если оно не указано, YOLO автоматически увеличивает это имя для каждого запуска, например, `exp`, `exp2`и т.д., чтобы избежать перезаписи предыдущих экспериментов.
`exist_ok`	`False`	Определяет, следует ли перезаписывать существующий каталог экспериментов, если каталог с таким же именем уже существует. Установите это значение в `True` позволяет перезаписывать, в то время как `False` предотвращает это.
`plots`	`False`	Управляет созданием и сохранением тренировочных и проверочных графиков. Установить на `True` для создания графиков, таких как кривые потерь, точность-отзыв кривые и примерные прогнозы. Полезно для визуального отслеживания производительности модели с течением времени.
`save`	`False`	Включает сохранение контрольных точек обучения и окончательных весов модели. Установить на `True` для периодического сохранения состояний модели, что позволяет возобновить обучение с этих контрольных точек или развернуть модели.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как повысить производительность модели YOLO во время обучения?

Улучшение производительности модели YOLO предполагает настройку таких гиперпараметров, как размер партии, скорость обучения, импульс и затухание веса. Также могут помочь настройки дополнения, выбор подходящего оптимизатора и использование таких методов, как ранняя остановка или смешанная точность. Подробные рекомендации по настройкам обучения см. в Руководстве по обучению.

Какие ключевые гиперпараметры следует учитывать для обеспечения точности модели YOLO ?

Основные гиперпараметры, влияющие на точность модели YOLO , включают в себя:

Размер партии (batch): Большие объемы партий могут стабилизировать процесс обучения, но могут потребовать больше памяти.
Скорость обучения (lr0): Управляет размером шага для обновления веса; меньшие значения обеспечивают тонкую настройку, но замедляют сходимость.
Момент (momentum): Помогает ускорить векторы градиента в нужных направлениях, гася колебания.
Размер изображения (imgsz): Увеличение размера изображения может повысить точность, но увеличивает вычислительную нагрузку.

Настройте эти значения в зависимости от набора данных и возможностей оборудования. Подробнее в разделе "Настройки поезда ".

Как задать скорость обучения для тренировки модели YOLO ?

Скорость обучения (lr0) имеет решающее значение для оптимизации. Общепринятой отправной точкой является 0.01 за SGD или 0.001 для Адама. Важно следить за показателями обучения и при необходимости корректировать их. Используйте планировщики скорости косинусного обучения (cos_lr) или техники разминки (warmup_epochs, warmup_momentum) для динамического изменения темпа во время тренировки. Более подробную информацию вы найдете в Путеводитель по поезду.

Каковы настройки вывода по умолчанию для моделей YOLO ?

Настройки вывода по умолчанию включают:

Порог доверия (conf=0.25): Минимальная достоверность обнаружения.
Порог IoU (iou=0.7): Для не максимального подавления (NMS).
Размер изображения (imgsz=640): Изменение размера входных изображений перед выводом.
Устройство (device=None): Выбирает CPU или GPU для вывода. Для получения исчерпывающей информации посетите Прогнозирование настроек раздел и Путеводитель по предсказаниям.

Почему я должен использовать смешанную точную тренировку с моделями YOLO ?

Смешанная высокоточная подготовка, обеспечиваемая amp=TrueЭто позволяет снизить потребление памяти и ускорить обучение за счет использования преимуществ как FP16, так и FP32. Это выгодно для современных графических процессоров, которые поддерживают смешанную точность нативно, позволяя уместить в памяти больше моделей и ускорить вычисления без существенной потери точности. Подробнее об этом можно узнать в Путеводитель по поезду.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад