YOLO Vision 2026:

Эволюция гиперпараметров для YOLOv5#

📚 В этом руководстве рассказывается об эволюции гиперпараметров для YOLOv5 🚀. Эволюция гиперпараметров — это метод оптимизации гиперпараметров с использованием генетического алгоритма (ГА) для оптимизации.

Гиперпараметры в моделировании машинного обучения контролируют различные аспекты обучения, и поиск их оптимальных значений может быть сложной задачей. Традиционные методы, такие как поиск по сетке, могут быстро стать невыполнимыми из-за:

  1. Высокой размерности пространства поиска
  2. Неизвестных корреляций между измерениями
  3. Дороговизны оценки пригодности в каждой точке

Это делает генетические алгоритмы подходящим кандидатом для поиска гиперпараметров.

Перед началом#

Клонируй репозиторий и установи requirements.txt в среде Python>=3.8.0, включая PyTorch>=1.8. Модели и наборы данных скачиваются автоматически из последнего релиза YOLOv5.

git clone https://github.com/ultralytics/yolov5 # clone
cd yolov5
pip install -r requirements.txt # install

Инициализация гиперпараметров#

YOLOv5 имеет около 30 гиперпараметров, используемых для различных настроек обучения. Они определены в файлах *.yaml в каталоге /data/hyps. Лучшие начальные предположения дадут лучшие конечные результаты, поэтому важно правильно инициализировать эти значения перед эволюцией. Если сомневаешься, просто используй значения по умолчанию, которые оптимизированы для обучения YOLOv5 на COCO с нуля.

# YOLOv5 🚀 by Ultralytics, AGPL-3.0 license
# Hyperparameters for low-augmentation COCO training from scratch
# python train.py --batch 64 --cfg yolov5n6.yaml --weights '' --data coco.yaml --img 640 --epochs 300 --linear
# See tutorials for hyperparameter evolution https://github.com/ultralytics/yolov5#tutorials

lr0: 0.01 # initial learning rate (SGD=1E-2, Adam=1E-3)
lrf: 0.01 # final OneCycleLR learning rate (lr0 * lrf)
momentum: 0.937 # SGD momentum/Adam beta1
weight_decay: 0.0005 # optimizer weight decay 5e-4
warmup_epochs: 3.0 # warmup epochs (fractions ok)
warmup_momentum: 0.8 # warmup initial momentum
warmup_bias_lr: 0.1 # warmup initial bias lr
box: 0.05 # box loss gain
cls: 0.5 # cls loss gain
cls_pw: 1.0 # cls BCELoss positive_weight
obj: 1.0 # obj loss gain (scale with pixels)
obj_pw: 1.0 # obj BCELoss positive_weight
iou_t: 0.20 # IoU training threshold
anchor_t: 4.0 # anchor-multiple threshold
# anchors: 3  # anchors per output layer (0 to ignore)
fl_gamma: 0.0 # focal loss gamma (efficientDet default gamma=1.5)
hsv_h: 0.015 # image HSV-Hue augmentation (fraction)
hsv_s: 0.7 # image HSV-Saturation augmentation (fraction)
hsv_v: 0.4 # image HSV-Value augmentation (fraction)
degrees: 0.0 # image rotation (+/- deg)
translate: 0.1 # image translation (+/- fraction)
scale: 0.5 # image scale (+/- gain)
shear: 0.0 # image shear (+/- deg)
perspective: 0.0 # image perspective (+/- fraction), range 0-0.001
flipud: 0.0 # image flip up-down (probability)
fliplr: 0.5 # image flip left-right (probability)
mosaic: 1.0 # image mosaic (probability)
mixup: 0.0 # image mixup (probability)
copy_paste: 0.0 # segment copy-paste (probability)

Определение пригодности#

Приспособленность — это значение, которое мы стремимся максимизировать. В YOLOv5 мы определяем функцию приспособленности по умолчанию как взвешенную комбинацию метрик: mAP@0.5 составляет 10% веса, а mAP@0.5:0.95 — оставшиеся 90%, при этом точность (P) и полнота (R) отсутствуют. Ты можешь настроить их по своему усмотрению или использовать определение приспособленности по умолчанию в utils/metrics.py (рекомендуется).

def fitness(x):
    """Return model fitness as the sum of weighted metrics [P, R, mAP@0.5, mAP@0.5:0.95]."""
    w = [0.0, 0.0, 0.1, 0.9]  # weights for [P, R, mAP@0.5, mAP@0.5:0.95]
    return (x[:, :4] * w).sum(1)

Эволюция#

Эволюция выполняется для базового сценария, который мы стремимся улучшить. Базовым сценарием в этом примере является тонкая настройка COCO128 в течение 10 эпох с использованием предобученной модели YOLOv5s. Команда обучения для базового сценария:

python train.py --epochs 10 --data coco128.yaml --weights yolov5s.pt --cache

Чтобы запустить эволюцию гиперпараметров, специфичных для этого сценария, начиная с наших начальных значений, определенных в Разделе 1., и максимизируя приспособленность, определенную в Разделе 2., добавь --evolve:

# Single-GPU
python train.py --epochs 10 --data coco128.yaml --weights yolov5s.pt --cache --evolve

# Multi-GPU with delay
for i in {0..7}; do
  sleep $((30 * i)) # 30-second delay (optional)
  echo "Starting GPU $i..."
  nohup python train.py --epochs 10 --data coco128.yaml --weights yolov5s.pt --cache --device $i --evolve > "evolve_gpu_$i.log" &
done

# Continuous training (use with caution)
# for i in {0..7}; do
#   sleep $((30 * i))  # 30-second delay (optional)
#   echo "Starting continuous training on GPU $i..."
#   (
#     while true; do
#       python train.py --epochs 10 --data coco128.yaml --weights yolov5s.pt --cache --device $i --evolve > "evolve_gpu_$i.log"
#     done
#   ) &
# done

Настройки эволюции по умолчанию запустят базовый сценарий 300 раз, то есть на протяжении 300 поколений. Ты можешь изменить количество поколений с помощью аргумента --evolve, то есть python train.py --evolve 1000.

Основными генетическими операторами являются кроссинговер и мутация. В этой работе используется мутация с вероятностью 80% и дисперсией 0.04 для создания нового потомства на основе комбинации лучших родителей из всех предыдущих поколений. Результаты записываются в runs/evolve/exp/evolve.csv, а потомство с наивысшей приспособленностью сохраняется в каждом поколении как runs/evolve/exp/hyp_evolve.yaml:

# YOLOv5 Hyperparameter Evolution Results
# Best generation: 287
# Last generation: 300
#    metrics/precision,       metrics/recall,      metrics/mAP_0.5, metrics/mAP_0.5:0.95,         val/box_loss,         val/obj_loss,         val/cls_loss
#              0.54634,              0.55625,              0.58201,              0.33665,             0.056451,             0.042892,             0.013441

lr0: 0.01 # initial learning rate (SGD=1E-2, Adam=1E-3)
lrf: 0.2 # final OneCycleLR learning rate (lr0 * lrf)
momentum: 0.937 # SGD momentum/Adam beta1
weight_decay: 0.0005 # optimizer weight decay 5e-4
warmup_epochs: 3.0 # warmup epochs (fractions ok)
warmup_momentum: 0.8 # warmup initial momentum
warmup_bias_lr: 0.1 # warmup initial bias lr
box: 0.05 # box loss gain
cls: 0.5 # cls loss gain
cls_pw: 1.0 # cls BCELoss positive_weight
obj: 1.0 # obj loss gain (scale with pixels)
obj_pw: 1.0 # obj BCELoss positive_weight
iou_t: 0.20 # IoU training threshold
anchor_t: 4.0 # anchor-multiple threshold
# anchors: 3  # anchors per output layer (0 to ignore)
fl_gamma: 0.0 # focal loss gamma (efficientDet default gamma=1.5)
hsv_h: 0.015 # image HSV-Hue augmentation (fraction)
hsv_s: 0.7 # image HSV-Saturation augmentation (fraction)
hsv_v: 0.4 # image HSV-Value augmentation (fraction)
degrees: 0.0 # image rotation (+/- deg)
translate: 0.1 # image translation (+/- fraction)
scale: 0.5 # image scale (+/- gain)
shear: 0.0 # image shear (+/- deg)
perspective: 0.0 # image perspective (+/- fraction), range 0-0.001
flipud: 0.0 # image flip up-down (probability)
fliplr: 0.5 # image flip left-right (probability)
mosaic: 1.0 # image mosaic (probability)
mixup: 0.0 # image mixup (probability)
copy_paste: 0.0 # segment copy-paste (probability)

Мы рекомендуем минимум 300 поколений эволюции для получения наилучших результатов. Учти, что эволюция обычно является дорогостоящим и трудоемким процессом, так как базовый сценарий тренируется сотни раз, что может потребовать сотни или тысячи часов работы GPU.

По завершении эволюции используй найденные настройки повторно, указав обучение на сохраненный файл, например python train.py --hyp runs/evolve/exp/hyp_evolve.yaml --data your.yaml --weights yolov5s.pt.

4. Визуализация#

evolve.csv отображается в виде evolve.png с помощью utils.plots.plot_evolve() после завершения эволюции, причем для каждого гиперпараметра выводится по одному подграфику, показывающему приспособленность (ось y) в зависимости от значений гиперпараметра (ось x). Желтый цвет указывает на более высокие концентрации. Вертикальные распределения показывают, что параметр был отключен и не мутирует. Это выбирается пользователем в словаре meta в файле train.py и полезно для фиксации параметров и предотвращения их эволюции.

Результаты приспособленности эволюции гиперпараметров YOLOv5

Поддерживаемые окружения#

Ultralytics предоставляет множество готовых к использованию сред, в каждую из которых предварительно установлены основные зависимости, такие как CUDA, CUDNN, Python и PyTorch, чтобы помочь тебе быстро начать проекты.

Статус проекта#

YOLOv5 CI

Этот значок указывает на то, что все тесты непрерывной интеграции (CI) GitHub Actions для YOLOv5 успешно пройдены. Эти тесты CI тщательно проверяют функциональность и производительность YOLOv5 по различным ключевым аспектам: обучение, валидация, инференс, экспорт и бенчмарки. Они обеспечивают стабильную и надежную работу на macOS, Windows и Ubuntu, причем тесты проводятся каждые 24 часа и при каждом новом коммите.

Участники
GLglenn-jocher1

Комментарии