Конфигурация

YOLO Настройки и гиперпараметры играют важнейшую 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 предсказание.

Смотри: Mastering Ultralytics YOLOv8 : Configuration

Ultralytics Команды используют следующий синтаксис:

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)

Где:

• TASK (необязательно) - это одно из (обнаружить, сегмент, классифицировать, Поза)
• MODE (обязательно) - это одно из (Поезд, val, предсказать, экспорт, трек)
• ARGS (необязательно) arg=value Такие пары, как imgsz=640 которые отменяют настройки по умолчанию.

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

Задания

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

• Обнаружение: Для идентификации и локализации объектов или областей интереса в изображении или видео.
• Сегмент: Служит для разделения изображения или видео на области или пиксели, которые соответствуют различным объектам или классам.
• Классифицируй: Для предсказания классовой метки входного изображения.
• Поза: Для идентификации объектов и оценки их ключевых точек на изображении или видео.
• OBB: Ориентированные (то есть повернутые) ограничительные рамки, подходящие для спутниковых или медицинских снимков.

Руководство по выполнению заданий

Режимы

YOLO Модели можно использовать в разных режимах в зависимости от конкретной проблемы, которую ты пытаешься решить. К этим режимам относятся:

• Train: Для обучения модели YOLOv8 на пользовательском наборе данных.
• Val: Для проверки модели YOLOv8 после ее обучения.
• Predict: Для составления прогнозов с помощью обученной модели YOLOv8 на новых изображениях или видео.
• Экспорт: Для экспорта модели YOLOv8 в формат, который можно использовать для развертывания.
• Трек: Для отслеживания объектов в реальном времени с помощью модели YOLOv8 .
• Бенчмарк: Для бенчмарка скорости и точности экспорта YOLOv8 (ONNX, TensorRT, и т.д.).

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. К ключевым настройкам обучения относятся размер партии, скорость обучения, импульс и затухание веса. Кроме того, выбор оптимизатора, функции потерь и состава тренировочного набора данных может повлиять на процесс обучения. Тщательная настройка и эксперименты с этими настройками очень важны для оптимизации производительности.

Путеводитель по поезду

Предсказать настройки

Настройки предсказания для моделей YOLO включают в себя целый ряд гиперпараметров и конфигураций, которые влияют на производительность, скорость и точность модели при умозаключениях на 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 рассматриваемых классов. Дополнительными факторами, влияющими на процесс предсказания, являются размер и формат входных данных, наличие дополнительных признаков, таких как маски или несколько меток на коробку, а также конкретная задача, для которой используется модель.

Аргументы для умозаключений:

Аргументы для визуализации:

Руководство по предсказаниям

Настройки проверки

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

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

Val Guide

Настройки экспорта

Настройки 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 повлиять на производительность модели, ее размер и совместимость с различными системами. Основные настройки экспорта включают формат файла экспортируемой модели (например, ONNX, TensorFlow SavedModel ), целевое устройство (например, CPU, GPU), а также дополнительные возможности, такие как маски или несколько ярлыков на коробку. На процесс экспорта также может повлиять конкретная задача модели и требования или ограничения целевой среды или платформы.

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

Руководство по экспорту

Настройки аугментации

Методы дополнения важны для повышения робастности и производительности моделей YOLO за счет внесения изменчивости в обучающие данные, что помогает модели лучше обобщаться на невидимые данные. В следующей таблице описаны цель и эффект каждого аргумента аугментации:

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 записывать в журнал различные метрики и статистику, чтобы отслеживать прогресс модели и диагностировать возникающие проблемы. Для этого можно использовать библиотеку ведения логов, например TensorBoard, или записывать лог-сообщения в файл.
• Контрольные точки: Хорошей практикой является сохранение контрольных точек модели через регулярные промежутки времени во время тренировки. Это позволит тебе возобновить тренировку с предыдущей точки, если процесс обучения будет прерван или если ты захочешь поэкспериментировать с различными конфигурациями тренировки.
• Построение графиков: Визуализация производительности модели и прогресса обучения может быть полезна для понимания поведения модели и выявления потенциальных проблем. Это можно сделать с помощью библиотеки построения графиков, например matplotlib, или сгенерировать графики с помощью библиотеки протоколирования, например TensorBoard.
• Управление файлами: Управление различными файлами, создаваемыми в процессе тренировки, такими как контрольные точки модели, файлы журналов и графики, может быть непростой 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, контрольные точки, построение графиков и управление файлами помогут тебе следить за прогрессом модели и облегчат отладку и оптимизацию процесса обучения.

Комментарии