Конфигурация

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

Скорость обучения (lr0) имеет решающее значение для оптимизации. Общепринятая точка отсчета - 0.01 для SGD или 0.001 для Adam. Очень важно следить за показателями обучения и при необходимости корректировать их. Используй планировщики косинусной скорости обучения (cos_lr) или техники разогрева (warmup_epochs, warmup_momentum), чтобы динамически изменять скорость во время тренировки. Более подробную информацию ты найдешь в руководстве по тренировкам.

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

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

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:

Пример

CLIPython

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.

Аргумент	По умолчанию	Описание
`task`	`'detect'`	Укажи задачу YOLO , которую нужно выполнить. Опции включают `detect` для обнаружения объектов, `segment` для сегментации, `classify` для классификации, `pose` для оценки позы и `OBB` для ориентированных ограничительных блоков. Каждое задание приспособлено к определенным типам вывода и проблемам в рамках анализа изображений и видео.

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.).

Аргумент	По умолчанию	Описание
`mode`	`'train'`	Указывает 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 разных 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. 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.

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 проверочным данным, названия классов и их количество.
`epochs`	`100`	Общее количество тренировочных эпох. 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 тренировки в часах. Если установлено, то оно отменяет значение `epochs` аргумент, позволяющий автоматически прекратить тренировку по истечении указанной продолжительности. Полезно для сценариев тренировок с ограниченным временем.
`patience`	`100`	Количество эпох, которое нужно подождать, пока не улучшатся показатели валидации, чтобы досрочно прекратить обучение. Помогает предотвратить чрезмерную подгонку, останавливая обучение, когда производительность достигает плато.
`batch`	`16`	Размер партии с тремя режимами: задается как целое число (например, `batch=16`), авторежим для 60-процентного 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 вычислительную сложность.
`save`	`True`	Включает сохранение контрольных точек тренировки и финальных весов модели. Полезно для возобновления тренировки или развертывания модели.
`save_period`	`-1`	Частота сохранения контрольных точек модели, указывается 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 тренировок за счет снижения дискового ввода-вывода ценой увеличения использования памяти.
`device`	`None`	Указывается вычислительное устройство (устройства) для тренировки: 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 тренировка мультиGPU ). Влияет на скорость предварительной обработки данных и подачи их в модель, особенно полезно в мультиGPU установках.
`project`	`None`	Имя директории проекта, в которой сохраняются результаты тренировок. Позволяет организовать хранение различных экспериментов.
`name`	`None`	Название тренировочного прогона. Используется для создания подкаталога в папке проекта, где будут храниться журналы тренировок и результаты.
`exist_ok`	`False`	Если значение True, это позволяет перезаписать существующий каталог с проектом/именем. 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'`	Выбери оптимизатор для тренировки. Варианты включают в себя `SGD`, `Adam`, `AdamW`, `NAdam`, `RAdam`, `RMSProp` и т.д., или `auto` для автоматического выбора на основе конфигурации модели. Влияет на скорость сходимости и стабильность.
`verbose`	`False`	Включает подробный вывод информации во время тренировки, предоставляя подробные журналы и обновления прогресса. Полезно для отладки и тщательного контроля процесса тренировки.
`seed`	`0`	Задает случайное зерно для тренировки, 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 на недетерминированные алгоритмы.
`single_cls`	`False`	Во время обучения все классы в многоклассовых наборах данных рассматриваются как один класс. Полезно для задач бинарной классификации или когда внимание сосредоточено на присутствии объекта, а не на классификации.
`rect`	`False`	Включает прямоугольную тренировку, оптимизируя состав партии для минимальной набивки. Это может повысить эффективность и скорость, но может повлиять на точность модели.
`cos_lr`	`False`	Использует косинусный планировщик скорости обучения, настраивая 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, чтобы стабилизировать тренировку перед завершением. Установка значения 0 отключает эту функцию.
`resume`	`False`	Возобнови тренировку с последней сохраненной контрольной точки. Автоматически загружает веса модели, состояние оптимизатора и количество эпох, продолжая тренировку без проблем.
`amp`	`True`	Включает автоматическое обучение со смешанной точностью (AMP), что уменьшает расход памяти и, возможно, ускоряет обучение с минимальным влиянием на точность.
`fraction`	`1.0`	Указывает, какую часть набора данных использовать для обучения. Позволяет тренироваться на подмножестве полного набора данных, что полезно для экспериментов или при ограниченных ресурсах.
`profile`	`False`	Позволяет профилировать скорости ONNX и TensorRT во время тренировки, что полезно для оптимизации развертывания модели.
`freeze`	`None`	Замораживай 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 то, как быстро обновляются веса моделей.
`lrf`	`0.01`	Конечная скорость обучения как доля от начальной скорости = (`lr0 * lrf`), используемые вместе с планировщиками для регулировки скорости обучения с течением времени.
`momentum`	`0.937`	Момент-фактор 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, чтобы предотвратить перебор.
`warmup_epochs`	`3.0`	Количество эпох для разогрева 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, постепенно подстраиваясь под заданный импульс в течение всего периода разминки.
`warmup_bias_lr`	`0.1`	Скорость обучения параметров смещения во время фазы разминки, помогающая стабилизировать обучение модели в начальных эпохах.
`box`	`7.5`	Вес компонента box loss в функции потерь, влияющий на то, насколько большое внимание уделяется точному предсказанию координат bounding box.
`cls`	`0.5`	Вес классификационных потерь в общей функции потерь, влияющий на важность правильного предсказания класса относительно других компонентов.
`dfl`	`1.5`	Вес фокусной потери 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 объектности 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 может улучшить обобщение.
`nbs`	`64`	Номинальный размер партии для нормализации потерь.
`overlap_mask`	`True`	Определяет, должны ли маски сегментации перекрываться во время обучения, что применимо в задачах сегментации экземпляров.
`mask_ratio`	`4`	Коэффициент понижения дискретизации для масок сегментации, влияющий на разрешение масок, используемых во время обучения.
`dropout`	`0.0`	Показатель отсева для регуляризации в задачах классификации, предотвращающий перебор с помощью случайного исключения единиц во время обучения.
`val`	`True`	Включает валидацию во время обучения, позволяя периодически оценивать производительность модели на отдельном наборе данных.
`plots`	`False`	Генерирует и сохраняет графики метрик обучения и проверки, а также примеры предсказаний, обеспечивая визуальное представление о производительности модели и прогрессе обучения.

Примечание о параметрах размера пакета

The batch аргумент может быть настроен тремя способами:

Фиксированный размер партии: Задайте целочисленное значение (например, batch=16), указывая непосредственно количество изображений в пакете.
Автоматический режим (60% GPU Memory):Использование batch=-1 чтобы автоматически настроить размер партии для использования памяти примерно на 60% CUDA .
Автоматический режим с долей использования: Задайте значение дроби (например, batch=0.70), чтобы отрегулировать размер партии в зависимости от указанной доли используемой памяти GPU .

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:

Аргумент	Тип	По умолчанию	Описание
`source`	`str`	`'ultralytics/assets'`	Указывает источник данных для выводов. Это может быть путь к изображению, видеофайлу, директории, URL или идентификатор устройства для прямых трансляций. Поддерживает широкий спектр форматов и источников, что позволяет гибко использовать различные типы входных данных.
`conf`	`float`	`0.25`	Устанавливает минимальный порог уверенности для обнаружения. Объекты, обнаруженные с уверенностью 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 боксов, 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 повысить точность обнаружения и скорость обработки.
`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 умозаключений (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 чрезмерный вывод в плотных сценах.
`vid_stride`	`int`	`1`	Пропуск кадров для видеовходов. Позволяет пропускать кадры в видео, чтобы ускорить обработку за счет снижения временного разрешения. При значении 1 обрабатывается каждый кадр, при больших значениях кадры пропускаются.
`stream_buffer`	`bool`	`False`	Определяет, нужно ли буферизовать все кадры при обработке видеопотока (`True`), или если модель должна возвращать самый последний кадр (`False`). Полезно для приложений, работающих в режиме реального времени.
`visualize`	`bool`	`False`	Активирует визуализацию особенностей модели во время вывода, давая представление о том, что "видит" модель. Полезно для отладки и интерпретации модели.
`augment`	`bool`	`False`	Включает увеличение времени тестирования (TTA) для предсказаний, потенциально улучшая устойчивость обнаружения ценой снижения скорости вывода.
`agnostic_nms`	`bool`	`False`	Включает диагностируемое классом немаксимальное подавление (NMS), которое объединяет перекрывающиеся боксы разных классов. Полезно в сценариях многоклассового обнаружения, где часто происходит перекрытие классов.
`classes`	`list[int]`	`None`	Фильтрует предсказания по набору идентификаторов классов. Будут возвращены только те обнаружения, которые относятся к указанным классам. Полезно для того, чтобы сфокусироваться на соответствующих объектах в многоклассовых задачах обнаружения.
`retina_masks`	`bool`	`False`	Используй маски сегментации высокого разрешения, если они есть в модели. Это может повысить качество масок для задач сегментации, обеспечивая более тонкую детализацию.
`embed`	`list[int]`	`None`	Определяет слои, из которых нужно извлечь векторы признаков или вкрапления. Полезно для последующих задач, таких как кластеризация или поиск сходства.

Аргументы для визуализации:

Аргумент	Тип	По умолчанию	Описание
`show`	`bool`	`False`	Если `True`Отображает аннотированные изображения или видео в окне. Полезно для мгновенной визуальной обратной связи во время разработки или тестирования.
`save`	`bool`	`False` или `True`	Enables saving of the annotated images or videos to file. Useful for documentation, further analysis, or sharing results. Defaults to True when using CLI & False when used in Python.
`save_frames`	`bool`	`False`	При обработке видео сохраняй отдельные кадры в виде изображений. Полезно для извлечения конкретных кадров или для детального покадрового анализа.
`save_txt`	`bool`	`False`	Сохрани 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`	Включай доверительные оценки в сохраненные текстовые файлы. Повышает детализацию, доступную для постобработки и анализа.
`save_crop`	`bool`	`False`	Сохраняй обрезанные изображения обнаруженных объектов. Полезно для расширения набора данных, анализа или создания наборов данных, ориентированных на конкретные объекты.
`show_labels`	`bool`	`True`	Отображает метки для каждого обнаружения в визуальном выводе. Обеспечивает мгновенное понимание обнаруженных объектов.
`show_conf`	`bool`	`True`	Отображает балл уверенности 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.

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.

Аргумент	Тип	По умолчанию	Описание
`data`	`str`	`None`	Указывает путь к файлу конфигурации набора данных (например, `coco8.yaml`). Этот файл содержит пути к данным 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 одной партии. Используй `-1` для AutoBatch, который автоматически настраивается в зависимости от доступности памяти 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 в себе оригинальные аннотации с дополнительными предсказаниями модели.
`conf`	`float`	`0.001`	Устанавливает минимальный порог доверия для обнаружения. Обнаружения с уверенностью ниже этого порога отбрасываются.
`iou`	`float`	`0.6`	Устанавливает порог Intersection Over Union (IoU) для Non-Maximum Suppression (NMS). Помогает уменьшить количество дублирующих обнаружений.
`max_det`	`int`	`300`	Ограничивает максимальное количество обнаружений на одном изображении. Полезно в плотных сценах, чтобы избежать 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 модуль OpenCV DNN для вывода моделей ONNX , предлагая альтернативу методам вывода PyTorch .
`plots`	`bool`	`False`	Если установить значение `True`, генерирует и сохраняет графики соотношения предсказаний и истины для визуальной оценки работы модели.
`rect`	`bool`	`False`	Если `True`Использует прямоугольный вывод для пакетной обработки, уменьшая количество набивки и потенциально увеличивая скорость и эффективность.
`split`	`str`	`val`	Определяет разбиение набора данных, которое будет использоваться для проверки (`val`, `test`, или `train`). Позволяет гибко подходить к выбору сегмента данных для оценки производительности.

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 наклеек 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 на входе модели. Может быть целым числом для квадратных изображений или кортежем `(height, width)` за конкретные размеры.
`keras`	`bool`	`False`	Включает 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 (половинной точности), уменьшая размер модели и потенциально ускоряя вывод на поддерживаемом оборудовании.
`int8`	`bool`	`False`	Активирует квантование INT8, еще больше сжимая модель и ускоряя вывод с минимальной потерей точности, в первую очередь для краевых устройств.
`dynamic`	`bool`	`False`	Позволяет динамически изменять размеры входных данных для экспорта ONNX, TensorRT и OpenVINO , повышая гибкость в работе с изображениями разных размеров.
`simplify`	`bool`	`False`	Упрощает построение графика модели для ONNX exports с помощью `onnxslim`, потенциально повышая производительность и совместимость.
`opset`	`int`	`None`	Указывает версию опенсета ONNX для совместимости с различными парсерами и режимами выполнения ONNX. Если не задано, используется последняя поддерживаемая версия.
`workspace`	`float`	`4.0`	Устанавливает максимальный размер рабочего пространства в GiB для оптимизации TensorRT , балансируя между использованием памяти и производительностью.
`nms`	`bool`	`False`	Добавляет Non-Maximum Suppression (NMS) в экспорт CoreML, что необходимо для точной и эффективной постобработки детектирования.
`batch`	`int`	`1`	Задает размер пакета вывода модели экспорта или максимальное количество изображений, которые экспортируемая модель будет обрабатывать одновременно в `predict` режим.

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:

Аргумент	Тип	По умолчанию	Диапазон	Описание
`hsv_h`	`float`	`0.015`	`0.0 - 1.0`	Корректирует оттенок изображения на долю цветового круга, внося вариативность цвета. Помогает модели обобщать различные условия освещения.
`hsv_s`	`float`	`0.7`	`0.0 - 1.0`	Изменяет насыщенность изображения на доли, 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 долю, помогая модели хорошо проявить себя 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`	Масштабируй изображение по коэффициенту усиления, имитируя объекты на разных расстояниях от камеры.
`shear`	`float`	`0.0`	`-180 - +180`	Обрезай изображение на заданный градус, имитируя эффект предметов, рассматриваемых 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`	Переворачивай изображение слева направо с заданной вероятностью, что полезно для изучения симметричных объектов и увеличения разнообразия датасетов.
`bgr`	`float`	`0.0`	`0.0 - 1.0`	Переворачивай каналы изображения из RGB в BGR с заданной вероятностью, что полезно для повышения устойчивости к неправильному упорядочиванию каналов.
`mosaic`	`float`	`1.0`	`0.0 - 1.0`	Объединяет четыре тренировочных изображения в одно, имитируя различные композиции сцены и взаимодействие объектов. Высокоэффективно для понимания сложных сцен.
`mixup`	`float`	`0.0`	`0.0 - 1.0`	Смешивай два изображения и их метки, создавая составное изображение. Усиливает способность модели к обобщению, вводя 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 окклюзии объектов.
`auto_augment`	`str`	`randaugment`	-	Автоматическое применение предопределенной политики аугментации (`randaugment`, `autoaugment`, `augmix`), оптимизируя для задач 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 масштабам объектов, уменьшая фоновые отвлекающие факторы.

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.

Аргумент	По умолчанию	Описание
`project`	`'runs'`	Укажи корневую директорию для сохранения тренировочных прогонов. Каждый прогон будет сохранен в отдельном подкаталоге внутри этой директории.
`name`	`'exp'`	Определяет имя эксперимента. Если оно не указано, то YOLO автоматически увеличивает это имя для каждого запуска, например, `exp`, `exp2`, и т.д., чтобы не переписывать предыдущие эксперименты.
`exist_ok`	`False`	Определяет, нужно ли перезаписывать существующую директорию экспериментов, если директория с таким же именем уже существует. Установив это значение в `True` позволяет перезаписывать, в то время как `False` предотвращает это.
`plots`	`False`	Управляет созданием и сохранением тренировочных и проверочных графиков. Установи на `True` для создания таких графиков, как кривые потерь, кривые "точность-возврат" и прогнозы образцов. Полезно для визуального отслеживания производительности модели с течением времени.
`save`	`False`	Включает сохранение контрольных точек тренировки и финальных весов модели. Установи на `True` периодически сохранять состояния моделей, что позволяет возобновить тренировку с этих контрольных точек или развернуть модели.

ВОПРОСЫ И ОТВЕТЫ

Как улучшить производительность модели YOLO во время обучения?

Улучшение производительности модели YOLO включает в себя настройку таких гиперпараметров, как размер партии, скорость обучения, импульс и затухание веса. Также может помочь настройка параметров аугментации, выбор правильного оптимизатора и использование таких техник, как ранняя остановка или смешанная точность. Подробное руководство по настройке параметров обучения ты найдешь в Руководстве по обучению.

Какие ключевые гиперпараметры нужно учитывать для точности модели YOLO ?

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

Размер партии (batch): Большие размеры партии могут стабилизировать тренировку, но могут потребовать больше памяти.
Скорость обучения (lr0): Контролирует размер шага для обновления веса; меньшие показатели обеспечивают тонкую настройку, но замедляют сходимость.
Момент (momentum): Помогает ускорять векторы градиента в нужных направлениях, гася колебания.
Размер изображения (imgsz): Большие размеры изображений могут повысить точность, но увеличивают вычислительную нагрузку.

Настрой эти значения в зависимости от твоего набора данных и возможностей оборудования. Узнай больше в разделе " Настройки тренировок ".

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. Очень важно следить за показателями обучения и при необходимости корректировать их. Используй планировщики скорости косинусного обучения (cos_lr) или техники разминки (warmup_epochs, warmup_momentum), чтобы динамически изменять темп во время тренировки. Более подробную информацию ты найдешь в Путеводитель по поезду.

Какие настройки вывода по умолчанию для моделей YOLO ?

Настройки умозаключений по умолчанию включают в себя:

Порог доверия (conf=0.25): Минимальная уверенность для обнаружения.
Порог IoU (iou=0.7): Для не максимального подавления (NMS).
Размер изображения (imgsz=640): Измени размер входных изображений перед выводом.
Устройство (device=None): Выбирает CPU или GPU для умозаключений. Чтобы получить исчерпывающую информацию, посети Предсказать настройки раздел и Руководство по предсказаниям.

Почему я должен использовать смешанные точные тренировки с моделями YOLO ?

Смешанные точные тренировки, которые можно выполнять с помощью amp=TrueЭто помогает снизить расход памяти и ускорить обучение, используя преимущества как FP16, так и FP32. Это выгодно для современных графических процессоров, которые нативно поддерживают смешанную точность, позволяя уместить в памяти больше моделей и ускорить вычисления без существенной потери точности. Подробнее об этом ты можешь узнать в Путеводитель по поезду.

📅 Created 10 months ago ✏️ Updated 10 days ago