获得最佳YOLOv5训练结果的技巧

📚 本指南介绍了如何使用 YOLOv5 🚀 获得最佳的 mAP 和训练结果。

大多数情况下，无需更改模型或训练设置即可获得良好的结果，前提是您的数据集足够大且标记良好。如果一开始没有获得好的结果，您可以采取一些措施来改进，但我们始终建议用户首先使用所有默认设置进行训练，然后再考虑任何更改。这有助于建立性能基线并发现需要改进的领域。

如果您对训练结果有疑问 我们建议您提供尽可能多的信息 如果您希望获得有用的回复，包括结果图（训练损失、验证损失、P、R、mAP）、PR 曲线， 混淆矩阵，训练马赛克、测试结果和数据集统计图像，例如 labels.png。所有这些都位于您的 project/name 目录，通常是 yolov5/runs/train/exp.

我们为希望在 YOLOv5 训练中获得最佳结果的用户整理了一份完整的指南，如下所示。

数据集

• 每个类别的图像数量。 建议每个类别 ≥ 1500 张图像
• 每个类别的实例数。 建议每个类别 ≥ 10000 个实例（已标注对象）
• 图像多样性。 必须代表部署环境。对于真实世界的用例，我们建议使用来自一天中不同时间、不同季节、不同天气、不同光照、不同角度、不同来源（在线抓取、本地收集、不同相机等）的图像。
• 标签一致性。 所有图像中所有类别的所有实例都必须被标记。部分标记将不起作用。
• 标签准确性。标签必须紧密地包围每个对象。对象与其边界框之间不应存在间隙。不应有任何对象缺少标签。
• 标签验证。 查看 train_batch*.jpg 在训练开始时验证您的标签是否正确显示，例如查看 示例 mosaic。
• 背景图像。 背景图像是指没有对象的图像，添加到数据集中以减少误报 (FP)。我们建议使用大约 0-10% 的背景图像来帮助减少 FP（COCO 有 1000 个背景图像作为参考，占总数的 1%）。背景图像不需要标签。

模型选择

像 YOLOv5x 和 YOLOv5x6 这样更大的模型在几乎所有情况下都会产生更好的结果，但具有更多的参数，需要更多的 CUDA 内存来训练，并且运行速度较慢。对于 移动 部署，我们推荐 YOLOv5s/m；对于 云 部署，我们推荐 YOLOv5l/x。请参阅我们的 README 表格，以全面比较所有模型。

• 从预训练权重开始。 推荐用于中小型数据集（例如： VOC, VisDrone, GlobalWheat)。将模型名称传递给 --weights 参数。模型会自动从以下位置下载 最新的 YOLOv5 版本.

  python train.py --data custom.yaml --weights yolov5s.pt
  python train.py --data custom.yaml --weights yolov5m.pt
  python train.py --data custom.yaml --weights yolov5l.pt
  python train.py --data custom.yaml --weights yolov5x.pt
  python train.py --data custom.yaml --weights custom_pretrained.pt
  

• 从头开始。 推荐用于大型数据集（例如： COCO, Objects365, OIv6)。传入你感兴趣的模型架构 YAML，以及一个空的 --weights '' 参数：

  python train.py --data custom.yaml --weights '' --cfg yolov5s.yaml
  python train.py --data custom.yaml --weights '' --cfg yolov5m.yaml
  python train.py --data custom.yaml --weights '' --cfg yolov5l.yaml
  python train.py --data custom.yaml --weights '' --cfg yolov5x.yaml
  

训练设置

在修改任何内容之前，首先使用默认设置进行训练，以建立性能基线。完整的 train.py 设置列表可以在 train.py 参数解析器中找到。

• Epochs. 从300个epochs开始。如果过早发生过拟合，则可以减少epochs。如果在300个epochs后没有发生过拟合，则训练更长时间，即600、1200等epochs。
• 图像大小。 COCO 以原生分辨率进行训练 --img 640，虽然由于数据集中存在大量小物体，但它可以受益于以更高的分辨率进行训练，例如 --img 1280。如果有很多小物体，那么自定义数据集将受益于以原始或更高分辨率进行训练。在相同的分辨率下可获得最佳推理结果 --img 作为训练运行的地方，例如，如果您在以下位置进行训练 --img 1280 您还应该在以下位置进行测试和检测 --img 1280.
• 批处理大小。 使用最大的 --batch-size 您的硬件允许的。小批量大小会产生较差的 批量归一化 统计数据，应避免使用。您可以使用 --batch-size -1 自动选择适合您 GPU 的最佳批次大小。
• 学习率。 默认的学习率计划在大多数情况下都适用。为了更快地收敛，您可以尝试使用 --cos-lr flag 以启用余弦学习率调度，它在 epochs 上按照余弦曲线逐渐降低学习率。
• 数据增强。 YOLOv5 包括各种增强技术，如 mosaic，它结合了多个训练图像。对于最后几个 epoch，请考虑使用 --close-mosaic 10 禁用 mosaic 数据增强，这有助于稳定训练。
• 超参数。 默认超参数位于 hyp.scratch-low.yaml。我们建议您先使用默认超参数进行训练，然后再考虑修改任何参数。通常，增加增强超参数将减少并延迟过拟合，从而允许更长的训练时间和更高的最终 mAP。 减少损失分量增益超参数，例如 hyp['obj'] 将有助于减少这些特定损失分量中的过拟合。有关优化这些超参数的自动化方法，请参阅我们的 超参数进化教程.
• 混合精度训练。 启用混合精度训练，使用 --amp 以加速训练并减少内存使用，同时不牺牲模型准确性。
• 多GPU训练。 如果您有多个 GPU，请使用 --device 0,1,2,3 在它们之间分配训练，这可以显著减少训练时间。
• 提前停止。 使用 --patience 50 如果验证指标在 50 个 epoch 内没有改善，则停止训练，从而节省时间并防止过度拟合。

高级优化技术

• 迁移学习. 对于专门的数据集，从预训练权重开始，并在训练过程中逐渐解冻层，以使模型适应您的特定任务。
• 模型剪枝. 训练后，考虑剪枝您的模型以删除冗余权重，并在不显著降低性能的情况下减小模型大小。
• 模型集成. 对于关键应用，训练具有不同配置的多个模型，并结合它们的预测以提高准确性。
• 测试时增强。 在推理期间启用 TTA，使用 --augment 通过平均输入图像的增强版本的结果来提高预测准确性。

延伸阅读

如果您想了解更多信息，一个好的起点是 Karpathy 的“神经网络训练秘诀”，其中包含适用于所有 ML 领域的训练的绝妙想法：https://karpathy.github.io/2019/04/25/recipe/

有关训练设置和配置的更多详细信息，请参阅Ultralytics 训练设置文档，其中提供了所有可用参数的全面说明。

祝您好运 🍀 ，如果您有任何其他问题，请告诉我们！

常见问题

如何判断我的模型是否过拟合？

如果训练损失持续减少而验证损失开始增加，则您的模型可能会过度拟合。 监控验证 mAP - 如果它趋于稳定或减少，而训练损失不断提高，则表明存在过度拟合。 解决方案包括添加更多训练数据、增加数据增强或实施正则化技术。

训练 YOLOv5 的最佳批次大小是多少？

最佳批次大小取决于您的 GPU 内存。较大的批次大小通常提供更好的批次归一化统计信息和训练稳定性。使用您的硬件可以处理的最大批次大小，而不会耗尽内存。您可以使用 --batch-size -1 自动确定适合您设置的最佳批次大小。

如何加速 YOLOv5 训练？

要加速训练，请尝试：启用混合精度训练，使用 --amp，使用多个 GPU 与 --device 0,1,2,3，使用以下方式缓存您的数据集： --cache，并优化您的批次大小。如果对绝对精度要求不高，还可以考虑使用较小的模型变体，如 YOLOv5s。

📅 创建于 1 年前 ✏️ 更新于 3 个月前

评论