棕色网站设计,深圳市住房建设局网站,wordpress切换城市插件,做外贸哪个网站看外汇目录
一、模型配置操作#xff1a;cfg.__init__.py 1.cfg.cfg2dict#xff1a;yaml转字典 2.cfg.get_cfg#xff1a;读取覆盖配置 3.cfg全局配置参数查询表 ①*基础参数配置#xff1a; ②*训练参数配置#xff1a; ③验证测试参数配置#xff1a; ④*预测参数配置…
目录
一、模型配置操作cfg.__init__.py 1.cfg.cfg2dictyaml转字典 2.cfg.get_cfg读取覆盖配置 3.cfg全局配置参数查询表 ①*基础参数配置 ②*训练参数配置 ③验证测试参数配置 ④*预测参数配置 ⑤可视化参数配置 ⑥导出部署模型参数配置 ⑦*训练超参数配置 ⑧*数据增强参数配置 在之前的从零开始使用YOLO系列文章中简单记录了训练部署YOLO模型到自己的应用场景的一般方法。ultralytics平台的代码设计让用户可以非常便捷轻易的使用命令行或者python接口脚本使用模型。 从零开始使用YOLO系列——基础使用博文快速链接https://blog.csdn.net/qq_58718853/article/details/140501645 在此基础上尝试使用Pycharm自带的debug模块通过动态运行代码查看使用其便捷接口时具体调用模块的逻辑和结构。这样检视的好处是可以了解模型运作的流程如加载模型要么调用model类中的self._load要么调用self._new。 从零开始使用YOLO系列——debug源码博文快速链接https://blog.csdn.net/qq_58718853/article/details/141122605 但是debug的方法是跳跃式的在不同文件下python文件跳转对于一些模块只能了解其部分而对类的整体理解审视缺失。因此新开本系列——按源码子文件顺序研读官方参考文档结合源码和实验解读YOLO源码。此系列可以作为YOLO内置功能函数的查询文档也可以搭配debug系列深度理解YOLO运行逻辑。下见所有源码子文件夹。 一、模型配置操作cfg.__init__.py cfg 内文件夹结构如下图。其中datasets存放了相关数据集的 yaml 配置文件models存放从Yolov3到11的模型 yaml 配置文件。__init__.py 文件中编写了处理cfg的相关函数。 1.cfg.cfg2dictyaml转字典 官方文档参考地址https://docs.ultralytics.com/reference/cfg/__init__/ 这是一个读取yaml配置文件并转为字典的功能函数。下例分别读取了yolo11的模型yaml配置文件和整体环境yaml配置。 输入yaml配置环境地址 输出具体配置参数的字典dict格式 yaml配置环境可以在克隆下载的源码内找到。详见下图。 # 测试代码
from ultralytics.cfg import cfg2dictmodel_yaml cfg2dict(yolo11.yaml)
print(model_yaml)
config cfg2dict(default.yaml)
print(config) cfg2dict解析了yaml文件中的设置并将其转为模型方便取用的dict字典格式。 2.cfg.get_cfg读取覆盖配置 读取并修改覆盖配置参数函数。 输入空默认配置或配置文件地址 override输入修改参数的字典 输出ultralytics.utils.IterableSimpleNamespace是ultralytics自定义的类 自定义配置文件my_cfg只修改mode为val验证模式下述测试代码可以验证使用override覆盖后将my_cfg改回了默认配置。 from ultralytics.cfg import get_cfgconfig1 get_cfg(default.yaml)
config2 get_cfg(my_cfg.yaml)
print(type(config1))
print(config1config2)config3 get_cfg(default.yaml, overrides{mode:val})
print(config3config2) 3.cfg全局配置参数查询表 官方参考文档地址https://docs.ultralytics.com/usage/cfg/ ①*基础参数配置
task任务模式检测detect、语义分割segment、分类classify、姿态检测pose、定向边界框obbmode模型模式训练train、验证val、预测predict、导出部署格式模型export、目标追踪track、基准评估benchmark ②*训练参数配置
model模型参数地址 .pt 或 .yaml 格式path/yolo11.yamldata数据 .yaml 文件存放地址path/coco8.yamlepochs训练轮次数100time最长的训练时长-小时数超出时间终止轮次epochs10patience验证指标没有改进下最大容忍的训练轮次10batch训练一轮的批量大小——图片数量batch -1自动选择imgsz输入模型图片矩阵大小所有输入图片都会调整为这一大小的正方形矩阵640save是否保存模型检查点参数——恢复训练 最终模型结果参数——部署模型Truesave_period 保存模型参数的频率——每几个轮次保存一次 save_period -1禁用此功能 cache数据加载在ram内存True——增加内存占用但提高训练速度 or 禁用此功能Falsedevice训练设备单gpudevice0、多gpudevice0,1,2,3、cpudevicecpu、Apple芯片devicempsworkers工作线程数8在多gpu中影响数据预处理和训练速度project保存项目名称my_projectname实验项目具体保存文件名称nametrain1保存在my_project/train1exist_ok用于迭代训练覆盖同名name文件Trueor 新增改名文件保存——my_project/train2Falsepretrained是否启用预训练模型参数True / False或者直接输入预训练模型参数地址path/yolo11.yamloptimizer训练优化器SGD、Adam、Adamax、AdamW、NAdam、RAdam、RMSProp、自动autoverbose训练中详细打印出训练过程True如训练loss、精度、召回率、map等指标seed设置训练随机种子0deterministic强制使用确定性算法True可能影响性能和速度single_cls专注于提升预测框的精度而不考虑框内目标分类Truerect启用矩形训练提高速度降低精度Truecos_lr启用余弦学习率调节控制学习速度帮助收敛Trueclose_mosaic在最后几10个轮次里禁用马赛克数据增强以提高模型稳定性close_mosaic0禁用此功能resume从最后的中断点开始恢复训练Trueamp启动自动混合精度训练减少内存加快速度Truefraction选择使用数据集的比例分数fraction1.0完整数据集训练fraction0.5使用数据集一半训练profile在训练期间对ONNX和TensorRT速度进行分析这对于优化模型部署非常有用Truefreeze冻结模型的前几层参数不参加训练对微调和迁移学习有帮助减少内存提高速度2禁用功能完整模型训练Nonemulti_scale是否启动多尺度图像训练True帮助模型识别远近物体关系overlap_mask仅对分割segment任务有用训练中掩码需重叠Truemask_ratio仅对分割segment任务有用掩码下采样比率4dropout仅对分类classify任务有用使用dropout正则化0.0 ③验证测试参数配置
val是否在训练时启用验证验证集计算模型指标mapTruesplit使用数据集 yaml 文件中的 val 目录下的数据作为验证集valsave_json使用 json 作为保存格式Truesave_hybrid保存将原始预测标签与其他模型预测相结合的标签的混合版本Trueconf设置检测的最小置信阈值。置信度低于此阈值的检测将被丢弃confNone禁用此功能将保留所有检测框iou设置非最大抑制NMS的联合交叉口IoU阈值。有助于减少重复检测。高于阈值的重叠框将选出唯一置信度最高的iou0.7高于0.7的重叠框将舍弃到唯一框max_det一张图片中最多的检测数量300half启用半精度计算——FP16减少内存TruednnPyTorch推理的替代方法使用OpenCV DNN模块——图像处理与模型推理的集成进行ONNX模型推理——支持跨架构跨模型的硬件加速优化Trueplots保存模型结果的可视化图片True ④*预测参数配置
source指定推理的数据源。可以是图像路径、视频文件、目录、URL或设备ID/path/xxx.imgvid_stride视频输入的帧步长。允许跳过视频中的帧以时间分辨率为代价加快处理速度。值为1时处理每一帧值越大则跳过帧1stream_buffer确定是否为视频流的传入帧排队禁用功能旧帧将被丢弃以容纳新帧False启用此功能新帧排队到缓冲区中确保没有帧被跳过但如果推理FPS速度低于传入流FPS则会导致延迟Truevisualize在推理过程中激活模型特征图的可视化提供对模型“看到”内容的洞察。可用于调试和模型解释Trueaugment启用预测的测试时间增强TTA——图像翻转、旋转、缩放、裁剪、色彩调整等以牺牲推理速度为代价提高检测鲁棒性Trueagnostic_nms启用类无关的非最大抑制NMS合并不同类的重叠框Trueclasses选择专注的目标类别可以是单个类别的索引整数值0也可以是关注的类别索引列表[ 0,2,5 ]retina_masks仅对分割segment任务有用使用高分辨率分割掩模Trueembed返回指定层数结果的特征向量列表形式[ 1 ]可用于下游任务如聚类或相似性分析 ⑤可视化参数配置
show启用在窗口显示带标签检测结果的实时图片或视频Truesave_frames仅在处理视频输入时可用True将单个帧保存为图片save_txt将检测结果保存在文本文件中True格式为[class][x_center][y_center][width][height][confidence]save_conf启用保存检测框的置信度得分Truesave_crop启用保存检测的裁剪图像结果True可用于数据集增强、分析或为特定对象创建聚焦数据集show_labels启用展示当前框的框内目标类别名称Trueshow_conf启用展示当前框的置信度Trueshow_boxes启用展示当前框的边界框Trueline_width设置画框的线条粗细4默认为None此时根据输入图片大小自动选择 ⑥导出部署模型参数配置
format选择导出模型的目标格式【onnx、torchscript、tensorflow...】keras允许导出TensorFlow SavedModel的Keras格式提供与TensorFlow服务和API的兼容性Trueoptimize移动端导出设置导出到TorchScript时对移动设备进行优化减小模型大小并提高性能Trueint8边缘设备设置使用 int8 量化进一步压缩模型以最小的精度损失加速推理Truedynamic动态图片输入大小设置允许ONNX、TensorRT和OpenVINO导出的动态输入大小增强了处理不同图像尺寸的灵活性Truesimplify使用onnxslim简化ONNX导出的模型图Trueopset指定ONNX opset版本以与不同的ONNX解析器和运行时兼容。如果未设置则使用最新支持的版本opset vision / Noneworkspace设置TensorRT优化的最大工作空间大小GiB平衡内存使用和性能4默认nms在Apple生态框架CoreML导出中添加非最大抑制NMS ⑦*训练超参数配置
lr0初始学习率SGD0.01Adam0.001lrf最终学习率初始学习率 lr0*lrf 最终学习率0.01momentumSGD的动量因子或Adam优化器的beta1影响更新过程中之前梯度的权重0.937weight_decayL2正则化项增加惩罚项实现权重衰退增大值0.001增加惩罚模型权值变小——过拟合风险减少欠拟合风险增加减小值0.0001减小惩罚模型权值变大——过拟合风险增加0.0005默认warmup_epochs学习率预热的迭代次数逐渐将学习率从较低值提高到初始学习率以在早期稳定训练3.0默认warmup_momentum学习率预热的初始势头调大值0.9可以在稳定梯度方向更快收敛适合大规模数据调小值0.7可以使得更新更加平滑稳定0.8默认warmup_bias_lr预热阶段偏差参数的学习率初始阶段稳定模型训练0.1默认box损失函数中框坐标损失的权重影响对精确预测边界框坐标的重视程度调大模型将更重视框的精确度7.5默认cls损失函数中框内目标分类的权重影响对目标正确分类预测的重视程度0.5默认dfl分布焦点损失权重box损失——预测边界框的坐标值的回归问题dfl损失——每个坐标预测拆分为一个离散分布预测坐标值的概率分布的分类问题1.5默认pose姿态估计训练模型中姿态损失的权重影响对准确预测姿态关键点的重视程度12.0默认kobj姿态估计模型中关键点物体损失的权重平衡检测置信度和姿态精度1.0默认label_smoothing 硬标签“软化”将单一绝对值的标签如0,1转为概率分布的软标签如【0.9,0.1】【0.150.85】。 硬标签“平滑化”此参数的值大小决定标签的平滑程度如0.0默认代表使用传统硬标签【1,0】【0,1】。取值越大越平滑最大为1.0max此时每个标签都是一个均匀分布【0.5,0.5】【0.5,0.5】 nbs标准化损失名义批次大小在不同批次大小下对损失值进行归一化处理防止批次大小对梯度稳定性的影响64默认 ⑧*数据增强参数配置 此处参数较为抽象将在后续对数据增强源码解析的实验中记录调整相关参数的数值会对最终生成的数据增强图片造成怎样的影响。
hsv_h数据增强参数——图像色轮色调调整模拟不同光照条件的图像亮度提高模型泛化性数值越高亮度越大0.0-1.0取值范围hsv_s数据增强参数——图像饱和度调整图像颜色强度以模拟不同环境数值越大颜色越强0.0-1.0取值范围degrees数据增强参数——图片随机旋转在指定范围内随机旋转图片提高模型对不同方向目标的泛化能力。特别的如果输入值为正数如45旋转范围为-45到45度如果输入值为负数如-45旋转范围为-45到0度单值-180-180取值范围translate数据增强参数——图片水平或垂直平移数值大小代表平移距离占图片高宽的比例0.1平移图片的十分之一长度或宽度提高模型对图片部分不可见时的泛化能力0.0-1.0取值范围scale数据增强参数——图片缩放数值代表缩放比例模拟相机不同距离下的目标物体0.0取值范围shear数据增强参数——图片“剪切”根据设定度数拉伸或倾斜物体模拟不同角度观测物体效果-180-180取值范围perspective数据增强参数——图片3D透视变换提高模型对三维物体的理解0.0-0.001取值范围flipud数据增强参数——指定概率上下翻转图片数值是随机翻转图片的概率值越大越可能生成翻转图片0.0-1.0取值范围fliplr数据增强参数——指定概率左右翻转图片同上描述随机左右翻转图片0.0-1.0取值范围bgr数据增强参数——指定概率翻转颜色通道以一定概率随机将图片颜色通道从RGB转为BGR提高对不正确通道输入的鲁棒性0.0-1.0取值范围mosaic数据增强参数——图像组合复杂化将四个图片组合成一张图片模拟不同场景对象交互形成的复杂检测环境0.0-1.0取值范围mixup数据增强参数——混合图像将两张图片及其标签信息混合形成合成图片模拟图片存在标签噪音和视觉变化0.0-1.0取值范围copy_paste数据增强参数——混合目标将一个图像中的目标区域剪贴到另一种图像模拟图像中目标被其他目标遮盖的场景0.0-1.0取值范围copy_paste_mode数据增强参数——混合目标模式翻转剪贴目标‘flip’混合目标图像‘mixup’auto_augment数据增强参数——自动增强模式选择自动应用预定义的增强策略randaugment、autoaugment、augmixerasing数据增强参数——随机擦除在分类训练过程中随机擦除图像部分模拟图像中目标特征不太明显时识别状况0.0-0.9取值范围crop_fraction数据增强参数——目标小图裁剪将目标裁剪到其边界检测框大小以减小背景干扰强调中心特征0.1-1.0取值范围
