目錄

一、超參數(shù)設(shè)置

1. 定義自適應(yīng)函數(shù)

2. 定義模型深度和寬度

二、遷移訓(xùn)練設(shè)置

1. 為遷移訓(xùn)練設(shè)置凍結(jié)層

一、超參數(shù)設(shè)置

1. 定義自適應(yīng)函數(shù)

遺傳算法中適應(yīng)度（fitness）是描述個(gè)體性能的主要指標(biāo)，直接影響到算法的收斂速度以及能否找到最優(yōu)解。適應(yīng)度是訓(xùn)練中尋求最大化的一個(gè)值。YOLOv5默認(rèn)的適應(yīng)度函數(shù)為各指標(biāo)的加權(quán)組合：mAP_0.5占10%權(quán)重；mAP_0.5:0.95占90%權(quán)重，不存在Precision和Recall。

定義的位置在./utils/metric.py:

def fitness(x):
    # Model fitness as a weighted combination of metrics
    w = [0.0, 0.0, 0.1, 0.9]  # weights for [P, R, mAP@0.5, mAP@0.5:0.95]
    return (x[:, :4] * w).sum(1)

2. 定義模型深度和寬度

YOLOv5引入了depth_multiple和width_multiple系數(shù)來得到不同大小模型：

nc: 1  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

depth_multiple表示channel的縮放系數(shù)，就是將配置里面的backbone和head部分有關(guān)通道的設(shè)置，全部乘以該系數(shù)即可。而width_multiple表示BottleneckCSP模塊的層縮放系數(shù)，將所有的BottleneckCSP模塊的number系數(shù)乘上該參數(shù)就可以最終的層個(gè)數(shù)?？梢园l(fā)現(xiàn)通過這兩個(gè)參數(shù)就可以實(shí)現(xiàn)不同大小不同復(fù)雜度的模型設(shè)計(jì)。

同一文件下的backbone和head記錄了網(wǎng)絡(luò)結(jié)構(gòu)：

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

from：第一列；代表輸入來自哪一層，-1代表上一層，4代表第4層

number：第二列；卷積核的數(shù)量，最終數(shù)量需要乘上width

module：第三列；模塊名稱，包括：Conv Focus BottleneckCSP SPP?#

args：第四列；模塊的參數(shù)

二、遷移訓(xùn)練設(shè)置

1. 為遷移訓(xùn)練設(shè)置凍結(jié)層

通過凍結(jié)某些層進(jìn)行遷移訓(xùn)練可以實(shí)現(xiàn)在新模型上快速進(jìn)行重新訓(xùn)練，以節(jié)省訓(xùn)練資源。YOLOv5所有層的凍結(jié)通過設(shè)置其梯度為零來實(shí)現(xiàn)，執(zhí)行的位置在train.py:

# Freeze
    freeze = [f'model.{x}.' for x in (freeze if len(freeze) > 1 else range(freeze[0]))]  # layers to freeze
    for k, v in model.named_parameters():
        v.requires_grad = True  # train all layers
        if any(x in k for x in freeze):
            LOGGER.info(f'freezing {k}')
            v.requires_grad = False

在./model/yolov5x.yaml可以查看網(wǎng)絡(luò)層：

backbone為0-9層

head為13-23層

backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

通過：

python train.py --freeze 10

凍結(jié)頭部進(jìn)行訓(xùn)練。

通過：

python train.py --freeze 24

凍結(jié)除了輸出層以外的所有層進(jìn)行訓(xùn)練。文章來源地址http://www.zghlxwxcb.cn/news/detail-479651.html

到了這里，關(guān)于YOLOv5超參數(shù)、遷移訓(xùn)練設(shè)置的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！