1、YOLOv5超參數(shù)配置介紹
YOLOv5 有大約 30 個超參數(shù)用于各種訓練設置。這些是在目錄中*.yaml的文件中定義的/data。更好的初始猜測會產(chǎn)生更好的最終結果，因此在演化之前正確初始化這些值很重要。
lr0 : 0.01 #初始學習率 (SGD=1E-2, Adam=1E-3)
lrf : 0.01 #最終的 OneCycleLR 學習率 (lr0 * lrf)
momentum: 0.937 # SGD 動量/Adam beta1
weight_decay : 0.0005 #優(yōu)化器權重衰減 5e-4
warmup_epochs : 3.0 # warmup epochs (fractions ok)
warmup_momentum : 0.8 #預熱初始動量
warmup_bias_lr : 0.1 #預熱初始偏差 lr
box : 0.05 # box loss gain
cls : 0.5 # cls 損失增益
cls_pw : 1.0 # cls BCELoss positive_weight
obj : 1.0 # obj loss gain（按像素縮放）
obj_pw : 1.0 # obj BCELoss positive_weight
iou_t : 0.20 # IoU訓練閾值
anchor_t : 4.0 #錨倍閾值
#anchors：3 # 每個輸出層的錨點（0 忽略）
fl_gamma : 0.0 #focal loss gamma (efficientDet default gamma=1.5)
hsv_h : 0.015 #圖像 HSV-Hue 增強（分數(shù)）
hsv_s : 0.7 #圖像 HSV-Saturation 增強（分數(shù)）
hsv_v : 0.4 #圖像 HSV 值增強（分數(shù)）
degree : 0.0 #圖像旋轉(zhuǎn) (+/- deg)
translate : 0.1 #圖像翻譯（+/- 分數(shù)）
scale : 0.5 #圖像比例（+/- 增益）
shear：0.0 #圖像剪切（+/- 度）
perspective : 0.0 #圖像透視（+/- 分數(shù)），范圍 0-0.001
flipud : 0.0 #圖像上下翻轉(zhuǎn)（概率）
fliplr : 0.5 #圖像左右翻轉(zhuǎn)（概率）
mosaic: 1.0 #圖像馬賽克（概率）
mixup : 0.0 #圖像混合（概率）
copy_paste : 0.0 #段復制粘貼（概率）
2.YOLOv5內(nèi)置超參配置文件介紹
1. yolov5/data/hyps/hyp.scratch-low.yaml(YOLOv5 COCO訓練從頭優(yōu)化，數(shù)據(jù)增強低)
2. yolov5/data/hyps/hyp.scratch-mdeia.yaml（數(shù)據(jù)增強中）
3. yolov5/data/hyps/hyp.scratch-high.yaml（數(shù)據(jù)增強高）
3. 結果對比
此結果是在 weights：yolov5n6.pt，epochs：100，訓練集驗證集及測試集相同的情況下測得（結果僅供參考）
YOLOv5默認配置
hyp.scratch-low.yaml
hyp.scratch-med.yaml
hyp.scratch-high.yaml
文章來源：http://www.zghlxwxcb.cn/news/detail-416753.html
hyp.finetune_objects365.yaml
文章來源地址http://www.zghlxwxcb.cn/news/detail-416753.html
到了這里，關于YOLOv5內(nèi)置--hyp超參配置文件對比的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！
