YOLOV5 参数关键部分含义指示

#YOLOV5 参数关键部分含义指示| 来源: 网络整理| 查看: 265

parser = argparse.ArgumentParser() parser.add_argument('--cfg', type=str, default='models/yolov5x.yaml', help='opt.cfg 模型配置和网络结构的yaml文件路径') parser.add_argument('--data', type=str, default='data/test.yaml', help='opt.data 数据集配置的yaml文件路径，包括数据集的路径，类名等关键信息') parser.add_argument('--hyp', type=str, default='', help='opt.hyp 超参数配置的yaml文件路径') parser.add_argument('--epochs', type=int, default=3, help='opt.epochs 训练总轮次') parser.add_argument('--batch-size', type=int, default=4, help='opt.batch_size 每个轮次下图片训练的批次大小') parser.add_argument('--img-size', nargs='+', type=int, default=[608, 608], help='opt.img_size 输入图像的分辨率大小，注意这里是训练和mAP测试的图像尺寸，而不是一个图像的宽高') parser.add_argument('--rect', action='store_true', help='opt.rect 是否采用矩形图像训练，默认是False') parser.add_argument('--resume', nargs='?', const='get_last', default=False, help='opt.resume 从给定的path/last.pt恢复训练，如果为空，则从最近保存的path/last.pt恢复训练') parser.add_argument('--nosave', action='store_true', help='opt.nosave 保存模型，只保存最后的检查点，默认为False') parser.add_argument('--notest', action='store_true', help='opt.notest 训练中不进行test，只测试最后一个轮次，默认为False') parser.add_argument('--noautoanchor', action='store_true', help='opt.noautoanchor 不自动调整anchor，默认为False') parser.add_argument('--evolve', action='store_true', help='opt.evolve 是否进行超参数进化，默认为False') parser.add_argument('--bucket', type=str, default='', help='opt.bucket 未研究清楚') parser.add_argument('--cache-images', action='store_true', help='opt.cache_images 是否提前缓存图片到内存，以加快训练速度，默认为False') parser.add_argument('--weights', type=str, default='runs/yolov5x.pt', help='opt.weights 加载与训练的权重文件') parser.add_argument('--name', default='', help='opt.name 数据集名字，如果设置：results.txt to results_name.txt，默认无') parser.add_argument('--device', default='0', help='opt.device 训练的设备设置 , i.e. 0 or 0,1,2,3 or cpu') parser.add_argument('--multi-scale', action='store_true', help='opt.multi_scale 是否进行多尺度训练，默认为False +/- 50%%') parser.add_argument('--single-cls', action='store_true', help='opt.single_cls 将所有数据按照一个类别进行训练') parser.add_argument('--adam', action='store_true', help='opt.adam 是否使用 torch.optim.Adam() 优化器，默认是False') parser.add_argument('--sync-bn', action='store_true', help='opt.sync_bn 是否使用跨卡同步BN，仅在DDP模式下有效') parser.add_argument('--local_rank', type=int, default=-1, help='DDP参数，不要修改') opt = parser.parse_args()

输入参数指标

# Hyperparameters for VOC finetuning # ython train.py --batch 64 --weights yolov5m.pt --data voc.yaml --img 512 --epochs 50 lr0: 0.0032 #学习率 lrf: 0.12 # 余弦退火超参数 momentum: 0.843 # 学习率动量 weight_decay: 0.00036 # 权重衰减系数 warmup_epochs: 2.0 #预热学习epoch warmup_momentum: 0.5 #预热学习率动量 warmup_bias_lr: 0.05 #预热学习率 box: 0.0296 # giou损失的系数 cls: 0.243 # 分类损失的系数 cls_pw: 0.631 #分类BCELoss中正样本的权重 obj: 0.301 # 有无物体损失的系数 obj_pw: 0.911 # 有无物体BCELoss中正样本的权重 iou_t: 0.2 # 标签与anchors的iou阈值iou training threshold anchor_t: 2.91 # 标签的长h宽w/anchor的长h_a宽w_a阈值, 即h/h_a, w/w_a都要在(1/2.91, 2.91)之间anchor-multiple threshold # anchors: 3.63 # 下面是一些数据增强的系数, 包括颜色空间和图片空间 fl_gamma: 0.0 hsv_h: 0.0138 # 色调 hsv_s: 0.664 # 饱和度 hsv_v: 0.464 # 明度 degrees: 0.373 #旋转角度 translate: 0.245 # 水平和垂直平移 scale: 0.898 # 缩放 shear: 0.602 # 剪切 perspective: 0.0 # 透视变换参数 flipud: 0.00856 # 上下翻转 fliplr: 0.5 # 左右翻转 mosaic: 1.0 #进行mosaic的概率 mixup: 0.243 #进行mixup的概率

config文件参数

https://zhuanlan.zhihu.com/p/366225937?ivk_sa=1024320u （1）模型的深度和宽度 # parameters nc: 80 # number of classes depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multiple nc：目标的类别数量。depth_multiple：模型深度控制模块的数量，当模块的数量number不为1时，模块的数量 = number * depth。 width_multiple：模型的宽度控制卷积核的数量，卷积核的数量 = 数量 * width。（2）Acnhor # anchors anchors: - [10,13, 16,30, 33,23] # P3/8 检测小目标 10，13是一组尺寸，一共三组 - [30,61, 62,45, 59,119] # P4/16 - [116,90, 156,198, 373,326] # P5/32 检测大目标 yolov5已经在yaml预设好了输入图像为640*640分辨率对应的anchor尺寸，yolov5的anchor也是在大特征图上检测小目标，在小特征图上检测大目标。三个特征图，每个特征图上的格子有三种尺寸的anchor。（3）Backbone # YOLOv5 backbone backbone: # from 第一列输入来自哪一层 -1代表上一层， 4代表第4层 # number 第二列卷积核的数量最终数量需要乘上width # module 第三列模块名称包括：Conv Focus BottleneckCSP SPP # args 第四列模块的参数 # [from, number, module, args] [[-1, 1, Focus, [64, 3]], # 0-P1/2 [-1, 1, Conv, [128, 3, 2]], # 1-P2/4 卷积核的数量 = 128 * wedith = 128*0.5=64 [-1, 3, BottleneckCSP, [128]], 模块数量 = 3 * depth =3*0.33=1 [-1, 1, Conv, [256, 3, 2]], # 3-P3/8 [-1, 9, BottleneckCSP, [256]], 模块数量 = 9 * depth =9*0.33=3 [-1, 1, Conv, [512, 3, 2]], # 5-P4/16 [-1, 9, BottleneckCSP, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 1, SPP, [1024, [5, 9, 13]]], [-1, 3, BottleneckCSP, [1024, False]], # 9 ] a、Focus：对特征图的切片操作，模块参数args分析： [[-1, 1, Focus, [64, 3]] 中的 [64, 3] 解析得到[3, 32, 3] ，输入为3（RGB），输出为64*0.5 = 32，3是卷积核 3*3 b、Conv：这里的Conv由conv+Bn+Leaky_relu激活函数三者组成，模块参数args分析：[-1, 1, Conv, [128, 3, 2]]中的128 是卷积核数量，最终数量需要乘上width = 128 *0.5 = 64，3是卷积核 3*3，2是步长。c、BottleneckCSP：借鉴CSPNet网络结构，由三个卷积层和X个Res unint模块Concate组成，如果带有False参数就是没有使用Res unint模块，而是采用conv+Bn+Leaky_relu d、SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合。（4）Head # YOLOv5 head head: [[-1, 1, Conv, [512, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], 上采样 [[-1, 6], 1, Concat, [1]],#cat backbone P4 [-1, 6]代表cat上一层和第6层 [-1, 3, BottleneckCSP, [512, False]], # 13 第13层 [-1, 1, Conv, [256, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], 上采样 [[-1, 4], 1, Concat, [1]],#cat backbone P3 [-1,4]代表cat上一层和第4层 [-1, 3, BottleneckCSP, [256, False]], # 17 (P3/8-small) 第17层 [-1, 1, Conv, [256, 3, 2]], [[-1, 14], 1, Concat, [1]], #cat head P4 [-1,14]代表cat上一层和第14层 [-1, 3, BottleneckCSP, [512, False]], # 20 (P4/16-medium) 第20层 [-1, 1, Conv, [512, 3, 2]], [[-1, 10], 1, Concat, [1]], #cat head P5 [-1,10]代表cat上一层和第10层 [-1, 3, BottleneckCSP, [1024, False]], # 23 (P5/32-large) 第23层 [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ]#Detect [17, 20, 23] 代表输入的层数17和20和23 Yolov5 Head 包括 Neck 和 Detector head 两部分，Neck部分使用了PANet的结构， Detector head使用和yolov3一样的head。其中，BottleneckCSP带有False参数说明没有使用Res unit结构而是采用了conv+Bn+Leaky_relu。 2 初始化超参数 (1) hpy超参数hpy超参数包括：lr、weight_decay、momentum和图像处理的参数等，Yolov5已经设置好了训练Coco和 Voc数据集的超参数，分别data文件夹下的hyp.finetune.yaml和hyp.scratch.yaml。 # Hyperparameters for VOC finetuning # ython train.py --batch 64 --weights yolov5m.pt --data voc.yaml --img 512 --epochs 50 lr0: 0.0032 #学习率 lrf: 0.12 # 余弦退火超参数 momentum: 0.843 # 学习率动量 weight_decay: 0.00036 # 权重衰减系数 warmup_epochs: 2.0 #预热学习epoch warmup_momentum: 0.5 #预热学习率动量 warmup_bias_lr: 0.05 #预热学习率 box: 0.0296 # giou损失的系数 cls: 0.243 # 分类损失的系数 cls_pw: 0.631 #分类BCELoss中正样本的权重 obj: 0.301 # 有无物体损失的系数 obj_pw: 0.911 # 有无物体BCELoss中正样本的权重 iou_t: 0.2 # 标签与anchors的iou阈值iou training threshold anchor_t: 2.91 # 标签的长h宽w/anchor的长h_a宽w_a阈值, 即h/h_a, w/w_a都要在(1/2.91, 2.91)之间anchor-multiple threshold # anchors: 3.63 # 下面是一些数据增强的系数, 包括颜色空间和图片空间 fl_gamma: 0.0 hsv_h: 0.0138 # 色调 hsv_s: 0.664 # 饱和度 hsv_v: 0.464 # 明度 degrees: 0.373 #旋转角度 translate: 0.245 # 水平和垂直平移 scale: 0.898 # 缩放 shear: 0.602 # 剪切 perspective: 0.0 # 透视变换参数 flipud: 0.00856 # 上下翻转 fliplr: 0.5 # 左右翻转 mosaic: 1.0 #进行mosaic的概率 mixup: 0.243 #进行mixup的概率

训练别的数据集可以自定义超参数在train.py的meta字典里面修改具体的超参数也可以自己添加hpy.yaml的超参数配置文件，在训练参数的—hpy设置好超参数配置文件的路径就行。

【本文地址】

公司简介

联系我们