Эволюция гиперпараметров для YOLOv5

📚 Это руководство объясняет эволюцию гиперпараметров для YOLOv5 🚀. Эволюция гиперпараметров — это метод оптимизации гиперпараметров с использованием генетического алгоритма (GA) для оптимизации.

Гиперпараметры в машинном обучении контролируют различные аспекты обучения, и поиск их оптимальных значений может быть сложной задачей. Традиционные методы, такие как сеточный поиск, быстро становятся невыполнимыми из-за:

Высокой размерности пространства поиска
Неизвестных корреляций между измерениями
Дороговизны оценки приспособленности (fitness) 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 датасеты загружаются автоматически из последнего релиза YOLOv5.

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

1. Инициализация гиперпараметров

У YOLOv5 есть около 30 гиперпараметров, используемых для различных настроек обучения. Они определены в *.yaml файлах в каталоге /data/hyps. Более точные начальные предположения дадут лучшие финальные 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)

2. Определение приспособленности (fitness)

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) не учитываются. 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)

3. Эволюция

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

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

Чтобы провести эволюцию гиперпараметров специфично для этого сценария, начиная с 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 300 поколений. Ты можешь изменить количество поколений с помощью аргумента --evolve, например: python train.py --evolve 1000.

Основными генетическими операторами являются скрещивание 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 каждое поколение в виде runs/evolve/hyp_evolved.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)

Для достижения наилучших результатов мы рекомендуем как минимум 300 поколений эволюции. Учти, что эволюция, как правило, является дорогостоящей и трудоемкой, так как базовый сценарий обучается сотни раз, что может потребовать сотни или тысячи GPU-часов.

Когда эволюция завершится, используй найденные настройки, указав путь к сохраненному файлу при запуске обучения, например: python train.py --hyp runs/evolve/hyp_evolved.yaml --data your.yaml --weights yolov5s.pt.

Визуализация

evolve.csv строится в виде графика evolve.png с помощью utils.plots.plot_evolve() после завершения эволюции, где на каждый гиперпараметр приходится один подграфик, отображающий приспособленность (ось Y) по сравнению со значениями гиперпараметра (ось X). Желтый цвет указывает на более высокую концентрацию. Вертикальные распределения указывают на то, что параметр был отключен и не подвергается мутации. Это настраивается пользователем в словаре meta в train.py и полезно для фиксации параметров, чтобы предотвратить их эволюцию.

Результаты приспособленности при эволюции гиперпараметров YOLOv5

Поддерживаемые среды

Ultralytics предоставляет ряд готовых к использованию сред, в которых уже предустановлены основные зависимости, такие как CUDA, CUDNN, Python и PyTorch, чтобы ты мог быстрее начать свои проекты.

Бесплатные GPU ноутбуки:
Google Cloud: Руководство по быстрому старту GCP
Amazon: Руководство по быстрому старту AWS
Azure: Руководство по быстрому старту AzureML
Docker: Руководство по быстрому старту Docker

Статус проекта

Этот значок означает, что все тесты непрерывной интеграции (CI) YOLOv5 GitHub Actions успешно проходят. Эти CI-тесты строго 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, при этом тесты проводятся каждые 24 часа и при каждом новом коммите.

Contributors

GLglenn-jocher¹² RIRizwanMunawar¹ AMambitious-octopus¹

Created 12 нояб. 2023 г.Updated 3 месяца назад