Ultralytics YOLO 超参数调整指南

导言

超参数调整并非一次性设置，而是一个迭代过程，旨在优化机器学习模型的性能指标，如准确率、精确度和召回率。在Ultralytics YOLO 的情况下，这些超参数的范围可以从学习率到架构细节，如使用的层数或激活函数类型。

什么是超参数？

超参数是算法的高级结构设置。它们在训练阶段之前设定，并在训练阶段保持不变。以下是Ultralytics YOLO 中一些常用的超参数：

学习率 lr0:确定每次迭代的步长，同时使损失函数达到最小值。
批量大小 batch:前向传递中同时处理的图像数量。
纪元数 epochs:一个历元是所有训练实例的一次完整的正向和反向传递。
具体架构：如通道数、层数、激活函数类型等。

超参数调整可视化

有关YOLOv8 中使用的增强超参数的完整列表，请参阅配置页面。

基因进化与突变

Ultralytics YOLO 使用遗传算法优化超参数。遗传算法的灵感来源于自然选择和遗传学机制。

突变：在Ultralytics YOLO 的情况下，突变有助于局部搜索超参数空间，方法是对现有超参数进行微小的随机改变，产生新的候选参数供评估。
交叉：虽然交叉是一种流行的遗传算法技术，但目前在Ultralytics YOLO 中并未用于超参数调整。重点主要放在产生新超参数集的突变上。

准备超参数调整

在开始调整过程之前，重要的是：

确定指标：确定用于评估模型性能的指标。这可以是 AP50、F1 分数或其他指标。
设置调整预算：确定愿意分配多少计算资源。超参数调整需要大量计算资源。

使用示例

以下是如何使用 model.tune() 方法来利用 Tuner 在 COCO8 上使用 AdamW 优化器对YOLOv8n 的超参数进行 30 个历元的调整，并跳过绘图、检查点和验证（最后一个历元除外），以加快调整速度。

示例

Python

from ultralytics import YOLO

# Initialize the YOLO model
model = YOLO('yolov8n.pt')

# Tune hyperparameters on COCO8 for 30 epochs
model.tune(data='coco8.yaml', epochs=30, iterations=300, optimizer='AdamW', plots=False, save=False, val=False)

成果

成功完成超参数调整过程后，您将获得多个文件和目录，其中包含调整结果。下面将逐一介绍：

文件结构

以下是结果的目录结构。培训目录如 train1/ 包含单独的调整迭代，即用一组超参数训练一个模型。超参数 tune/ 目录中包含所有单个模型训练的调整结果：

runs/
└── detect/
    ├── train1/
    ├── train2/
    ├── ...
    └── tune/
        ├── best_hyperparameters.yaml
        ├── best_fitness.png
        ├── tune_results.csv
        ├── tune_scatter_plots.png
        └── weights/
            ├── last.pt
            └── best.pt

文件说明

best_hyperparameters.yaml

该 YAML 文件包含调整过程中发现的性能最佳的超参数。您可以使用该文件，用这些优化设置来初始化未来的训练。

格式： YAMLYAML
使用方法超参数结果

示例:

  # 558/900 iterations complete ✅ (45536.81s)
  # Results saved to /usr/src/ultralytics/runs/detect/tune
  # Best fitness=0.64297 observed at iteration 498
  # Best fitness metrics are {'metrics/precision(B)': 0.87247, 'metrics/recall(B)': 0.71387, 'metrics/mAP50(B)': 0.79106, 'metrics/mAP50-95(B)': 0.62651, 'val/box_loss': 2.79884, 'val/cls_loss': 2.72386, 'val/dfl_loss': 0.68503, 'fitness': 0.64297}
  # Best fitness model is /usr/src/ultralytics/runs/detect/train498
  # Best fitness hyperparameters are printed below.

  lr0: 0.00269
  lrf: 0.00288
  momentum: 0.73375
  weight_decay: 0.00015
  warmup_epochs: 1.22935
  warmup_momentum: 0.1525
  box: 18.27875
  cls: 1.32899
  dfl: 0.56016
  hsv_h: 0.01148
  hsv_s: 0.53554
  hsv_v: 0.13636
  degrees: 0.0
  translate: 0.12431
  scale: 0.07643
  shear: 0.0
  perspective: 0.0
  flipud: 0.0
  fliplr: 0.08631
  mosaic: 0.42551
  mixup: 0.0
  copy_paste: 0.0

best_fitness.png

这是一幅显示适应度（通常是 AP50 这样的性能指标）与迭代次数的对比图。它可以帮助你直观地了解遗传算法在一段时间内的表现。

格式：PNGPNG
使用方法性能可视化

超参数调整适合度与迭代

tune_results.csv

CSV 文件，包含调整过程中每次迭代的详细结果。文件中的每一行代表一次迭代，包括适配度得分、精确度、召回率等指标，以及使用的超参数。

格式： CSVCSV
使用方法每次迭代结果跟踪

示例:

  fitness,lr0,lrf,momentum,weight_decay,warmup_epochs,warmup_momentum,box,cls,dfl,hsv_h,hsv_s,hsv_v,degrees,translate,scale,shear,perspective,flipud,fliplr,mosaic,mixup,copy_paste
  0.05021,0.01,0.01,0.937,0.0005,3.0,0.8,7.5,0.5,1.5,0.015,0.7,0.4,0.0,0.1,0.5,0.0,0.0,0.0,0.5,1.0,0.0,0.0
  0.07217,0.01003,0.00967,0.93897,0.00049,2.79757,0.81075,7.5,0.50746,1.44826,0.01503,0.72948,0.40658,0.0,0.0987,0.4922,0.0,0.0,0.0,0.49729,1.0,0.0,0.0
  0.06584,0.01003,0.00855,0.91009,0.00073,3.42176,0.95,8.64301,0.54594,1.72261,0.01503,0.59179,0.40658,0.0,0.0987,0.46955,0.0,0.0,0.0,0.49729,0.80187,0.0,0.0

tune_scatter_plots.png

该文件包含由 tune_results.csv帮助你直观地了解不同超参数和性能指标之间的关系。请注意，初始化为 0 的超参数将不会被调整，例如 degrees 和 shear 下图

格式：PNGPNG
使用方法探索性数据分析

超参数调整散点图

权重/

该目录包含超参数调整过程中最后一次和最佳迭代保存的PyTorch 模型。

last.pt:last.pt是上一个训练周期的权重。
best.pt:获得最佳适应度得分的迭代的 best.pt 权重。

利用这些结果，您可以为今后的模型培训和分析做出更明智的决定。请随时查阅这些成果，以了解您的模型表现如何，以及如何进一步改进。

结论

Ultralytics YOLO 中的超参数调整过程既简单又强大，这要归功于其基于遗传算法的突变方法。按照本指南中概述的步骤进行操作，将有助于您系统地调整模型，以获得更好的性能。

Ultralytics YOLO 超参数调整指南

导言

什么是超参数？

基因进化与突变

准备超参数调整

相关步骤

初始化超参数

变异超参数

火车模型

评估模型

日志结果

重复