─░├žeri─če ge├ž

En ─░yi Antrenman Sonu├žlar─▒ i├žin ─░pu├žlar─▒

­čôÜ Bu k─▒lavuz, YOLOv5 ­čÜÇ ile en iyi mAP ve e─čitim sonu├žlar─▒n─▒n nas─▒l ├╝retilece─čini a├ž─▒klamaktad─▒r.

Veri setinizin yeterince b├╝y├╝k ve iyi etiketlenmi┼č olmas─▒ ko┼čuluyla, ├žo─ču zaman modellerde veya e─čitim ayarlar─▒nda hi├žbir de─či┼čiklik yapmadan iyi sonu├žlar elde edilebilir. ─░lk ba┼čta iyi sonu├žlar alamazsan─▒z, iyile┼čtirmek i├žin atabilece─činiz ad─▒mlar olabilir, ancak her zaman kullan─▒c─▒lar─▒n herhangi bir de─či┼čiklik yapmadan ├Ânce t├╝m varsay─▒lan ayar larla e─čitim almas─▒n─▒ ├Âneririz. Bu, bir performans taban ├žizgisi olu┼čturmaya ve iyile┼čtirme alanlar─▒n─▒ tespit etmeye yard─▒mc─▒ olur.

E─čitim sonu├žlar─▒n─▒z hakk─▒nda sorular─▒n─▒z varsa m├╝mk├╝n olan maksimum miktarda bilgi vermenizi ├Âneririz Sonu├ž grafikleri (train losses, val losses, P, R, mAP), PR e─črisi, kar─▒┼č─▒kl─▒k matrisi, e─čitim mozaikleri, test sonu├žlar─▒ ve labels.png gibi veri k├╝mesi istatistik g├Âr├╝nt├╝leri dahil olmak ├╝zere yararl─▒ bir yan─▒t bekliyorsan─▒z. Bunlar─▒n hepsi sizin project/name dizini, tipik olarak yolov5/runs/train/exp.

YOLOv5 e─čitimlerinde en iyi sonu├žlar─▒ almak isteyen kullan─▒c─▒lar i├žin a┼ča─č─▒da tam bir k─▒lavuz haz─▒rlad─▒k.

Veri Seti

  • S─▒n─▒f ba┼č─▒na g├Âr├╝nt├╝. Ôëą S─▒n─▒f ba┼č─▒na 1500 g├Âr├╝nt├╝ ├Ânerilir
  • S─▒n─▒f ba┼č─▒na ├Ârnek. Ôëą S─▒n─▒f ba┼č─▒na 10000 ├Ârnek (etiketli nesne) ├Ânerilir
  • G├Âr├╝nt├╝ ├že┼čitlili─či. Konu┼čland─▒r─▒lan ortam─▒ temsil etmelidir. Ger├žek d├╝nya kullan─▒m durumlar─▒ i├žin g├╝n├╝n farkl─▒ zamanlar─▒ndan, farkl─▒ mevsimlerden, farkl─▒ hava ko┼čullar─▒ndan, farkl─▒ ─▒┼č─▒klardan, farkl─▒ a├ž─▒lardan, farkl─▒ kaynaklardan (├ževrimi├ži olarak kaz─▒nm─▒┼č, yerel olarak toplanm─▒┼č, farkl─▒ kameralar) vb. g├Âr├╝nt├╝ler ├Âneririz.
  • Etiket tutarl─▒l─▒─č─▒. T├╝m resimlerdeki t├╝m s─▒n─▒flar─▒n t├╝m ├Ârnekleri etiketlenmelidir. K─▒smi etiketleme i┼če yaramayacakt─▒r.
  • Etiket do─črulu─ču. Etiketler her nesneyi yak─▒ndan ├ževrelemelidir. Bir nesne ile s─▒n─▒rlay─▒c─▒ kutusu aras─▒nda bo┼čluk olmamal─▒d─▒r. Hi├žbir nesnenin etiketi eksik olmamal─▒d─▒r.
  • Etiket do─črulama. G├Âr├╝n├╝m train_batch*.jpg Etiketlerinizin do─čru g├Âr├╝nd├╝─č├╝n├╝ do─črulamak i├žin tren ba┼člang─▒c─▒nda, ├Ârn. ├Ârnek Mozaik.
  • Arka plan g├Âr├╝nt├╝leri. Arka plan g├Âr├╝nt├╝leri, Yanl─▒┼č Pozitifleri (FP) azaltmak i├žin bir veri k├╝mesine eklenen ve nesne i├žermeyen g├Âr├╝nt├╝lerdir. FP'leri azaltmaya yard─▒mc─▒ olmas─▒ i├žin yakla┼č─▒k %0-10 oran─▒nda arka plan g├Âr├╝nt├╝s├╝ ├Âneriyoruz (COCO'da referans olarak 1000 arka plan g├Âr├╝nt├╝s├╝ vard─▒r, toplam─▒n %1'i). Arka plan g├Âr├╝nt├╝leri i├žin etiket gerekmez.

COCO Analizi

Model Se├žimi

YOLOv5x ve YOLOv5x6 gibi daha b├╝y├╝k modeller neredeyse t├╝m durumlarda daha iyi sonu├žlar ├╝retecektir, ancak daha fazla parametreye sahiptir, e─čitmek i├žin daha fazla CUDA belle─či gerektirir ve ├žal─▒┼čt─▒r─▒lmas─▒ daha yava┼čt─▒r. Mobil da─č─▒t─▒mlar i├žin YOLOv5s/m'yi, bulut da─č─▒t─▒mlar─▒ i├žin YOLOv5l/x'i ├Âneriyoruz. T├╝m modellerin tam kar┼č─▒la┼čt─▒rmas─▒ i├žin README tablomuza bak─▒n.

YOLOv5 Modeller

  • ├ľnceden e─čitilmi┼č a─č─▒rl─▒klardan ba┼člay─▒n. K├╝├ž├╝k ve orta ├Âl├žekli veri k├╝meleri i├žin ├Ânerilir (├Ârn. VOC, VisDrone, GlobalWheat). Modelin ad─▒n─▒, modelin --weights arg├╝man. Modeller otomatik olarak en son YOLOv5 s├╝r├╝m├╝.
python train.py --data custom.yaml --weights yolov5s.pt
                                             yolov5m.pt
                                             yolov5l.pt
                                             yolov5x.pt
                                             custom_pretrained.pt
  • S─▒f─▒rdan ba┼člay─▒n. B├╝y├╝k veri k├╝meleri i├žin ├Ânerilir (├Ârn. COCO, Objects365, OIv6). ─░lgilendi─činiz model mimarisi YAML'─▒n─▒ bo┼č bir --weights '' Tart─▒┼čma:
python train.py --data custom.yaml --weights '' --cfg yolov5s.yaml
                                                      yolov5m.yaml
                                                      yolov5l.yaml
                                                      yolov5x.yaml

E─čitim Ayarlar─▒

Herhangi bir de─či┼čiklik yapmadan ├Ânce, bir performans taban ├žizgisi olu┼čturmak i├žin ├Ânce varsay─▒lan ayarlarla e─čitin. train.py ayarlar─▒n─▒n tam listesi train.py argparser'da bulunabilir.

  • ├ça─člar. 300 d├Ânem ile ba┼člay─▒n. E─čer bu erken uyum sa─člarsa, epoklar─▒ azaltabilirsiniz. A┼č─▒r─▒ uyum 300 epoktan sonra ger├žekle┼čmezse, daha uzun s├╝re e─čitin, yani 600, 1200 vb. epoklar.
  • Resim boyutu. COCO ┼ču ├ž├Âz├╝n├╝rl├╝kte e─čitim verir --img 640Bununla birlikte, veri k├╝mesindeki y├╝ksek miktardaki k├╝├ž├╝k nesneler nedeniyle, a┼ča─č─▒daki gibi daha y├╝ksek ├ž├Âz├╝n├╝rl├╝klerde e─čitimden faydalanabilir --img 1280. ├çok say─▒da k├╝├ž├╝k nesne varsa, ├Âzel veri k├╝meleri yerel veya daha y├╝ksek ├ž├Âz├╝n├╝rl├╝kte e─čitimden fayda sa─člayacakt─▒r. En iyi ├ž─▒kar─▒m sonu├žlar─▒ ayn─▒ ├ž├Âz├╝n├╝rl├╝kte elde edilir --img e─čitimin y├╝r├╝t├╝ld├╝─č├╝ gibi, yani e─čer --img 1280 de test etmeli ve tespit etmelisiniz. --img 1280.
  • Parti b├╝y├╝kl├╝─č├╝. En b├╝y├╝─č├╝n├╝ kullan─▒n --batch-size donan─▒m─▒n─▒z─▒n izin verdi─či kadar. K├╝├ž├╝k y─▒─č─▒n boyutlar─▒ zay─▒f y─▒─č─▒n normu istatistikleri ├╝retir ve bundan ka├ž─▒n─▒lmal─▒d─▒r.
  • Hiperparametreler. Varsay─▒lan hiperparametreler hyp.scratch-low.yaml. Herhangi birini de─či┼čtirmeyi d├╝┼č├╝nmeden ├Ânce varsay─▒lan hiperparametrelerle e─čitim yapman─▒z─▒ ├Âneririz. Genel olarak, art─▒rma hiperparametrelerinin art─▒r─▒lmas─▒ a┼č─▒r─▒ uyumu azaltacak ve geciktirecek, daha uzun e─čitimlere ve daha y├╝ksek nihai mAP'ye izin verecektir. Kay─▒p bile┼čeni kazan├ž hiperparametrelerindeki azalma hyp['obj'] bu belirli kay─▒p bile┼čenlerinde a┼č─▒r─▒ uyumu azaltmaya yard─▒mc─▒ olacakt─▒r. Bu hiperparametreleri optimize etmenin otomatik bir y├Ântemi i├žin bkz. Hiperparametre Evrimi E─čitimi.

Daha Fazla Okuma

Daha fazla bilgi edinmek isterseniz, Karpathy'nin 'Sinir A─člar─▒n─▒ E─čitmek ─░├žin Re├žete' adl─▒ kitab─▒ ba┼člang─▒├ž i├žin iyi bir yerdir; bu kitapta t├╝m makine ├Â─črenimi alanlar─▒nda ge├žerli olan e─čitim i├žin harika fikirler vard─▒r: https://karpathy.github.io/2019/04/25/recipe/

─░yi ┼čanslar ­čŹÇ ve ba┼čka sorular─▒n─▒z olursa bize bildirin!



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (4), Burhan-Q (1)

Yorumlar