YOLO算法检测模型训练参数大合集!!再也不用看不懂超参啦!

本文主要是介绍YOLO算法检测模型训练参数大合集!!再也不用看不懂超参啦!,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

参数默认值描述
modelNone指定用于训练的模型文件。接受预训练模型(.pt 文件)或配置文件(.yaml 文件)的路径。对于定义模型结构或初始化权重至关重要。
dataNone数据集配置文件的路径(例如,coco8.yaml)。该文件包含特定于数据集的参数,包括训练和验证数据的路径、类名以及类的数量。
epochs100训练的总轮数。每个轮数代表对整个数据集的完整遍历。调整此值会影响训练持续时间和模型性能。
timeNone最大训练时间(以小时为单位)。如果设置,将覆盖 epochs 参数,允许在达到指定持续时间后自动停止训练。对于时间受限的训练场景很有用。
patience100在验证指标没有改善的情况下等待的轮数,之后提前停止训练。当性能稳定时,通过停止训练来防止过拟合。
batch16训练的批处理大小,表示在更新模型的内部参数之前处理的图像数量。AutoBatch(batch=-1)根据 GPU 内存可用性动态调整批处理大小。
imgsz640训练的目标图像大小。所有图像在输入模型之前都将被调整到此维度。影响模型准确度和计算复杂性。
saveTrue启用训练检查点和最终模型权重的保存。对于恢复训练或模型部署很有用。
save_period-1保存模型检查点的频率,以轮数(epochs)为单位。值-1禁用此功能。在长时间的训练过程中,保存中间模型很有用。
cacheFalse启用数据集图像的内存缓存(True/ram)、磁盘缓存(disk)或禁用(False)。通过减少磁盘I/O来提高训练速度,但会增加内存使用。
deviceNone指定用于训练的计算设备:单个GPU(device=0)、多个GPU(device=0,1)、CPU(device=cpu)或Apple Silicon的MPS(device=mps)。
workers8数据加载的工作线程数(如果是多GPU训练,则每个RANK一个)。影响数据预处理和输入模型的速度,在多GPU设置中尤其有用。
projectNone保存训练输出的项目目录名称。允许组织存储不同的实验。
nameNone训练运行的名称。用于在项目文件夹内创建子目录,其中存储训练日志和输出。
exist_okFalse如果为True,则允许覆盖已存在的项目/名称目录。在不需要手动清除先前输出的情况下进行迭代实验时很有用。
pretrainedTrue确定是否从预训练模型开始训练。可以是一个布尔值或特定模型的字符串路径,从中加载权重。提高训练效率和模型性能。
optimizer'auto'训练时优化器的选择。选项包括SGD、Adam、AdamW、NAdam、RAdam、RMSProp等,或'auto'以根据模型配置自动选择。影响收敛速度和稳定性。
verboseFalse启用训练期间的详细输出,提供详细的日志和进度更新。对于调试和密切监控训练过程很有用。
seed0设置训练的随机种子,确保在相同配置下运行的结果可复现。
deterministicTrue强制使用确定性算法,确保可复现性,但可能由于限制非确定性算法而影响性能和速度。
single_clsFalse在训练过程中,将多类数据集中的所有类别视为单个类别。对于二元分类任务或仅关注对象存在性而非分类时很有用。
rectFalse启用矩形训练,优化批次组成以最小化填充。可以提高效率和速度,但可能影响模型准确性。
cos_lrFalse使用余弦学习率调度器,使学习率在训练过程中按余弦曲线进行调整。有助于更好地管理学习率以实现更好的收敛。
close_mosaic10在最后N个轮次中禁用马赛克数据增强,以在训练完成前稳定训练。设置为0将禁用此功能。
resumeFalse从最后保存的检查点恢复训练。自动加载模型权重、优化器状态和轮次计数,无缝继续训练。
ampTrue启用自动混合精度(AMP)训练,减少内存使用,并可能以最小的精度影响加速训练。
fraction1.0指定用于训练的数据集分数。允许在完整数据集的子集上进行训练,对于实验或资源有限时很有用。
profileFalse在训练期间启用ONNX和TensorRT的速度分析,有助于优化模型部署。
freezeNone冻结模型的前N层或按索引指定的层,减少可训练参数的数量。对于微调或迁移学习很有用。
lr00.01初始学习率(例如,SGD=1E-2, Adam=1E-3)。调整此值对优化过程至关重要,影响模型权重更新的速度。
lrf0.01最终学习率作为初始学习率的分数 = (lr0 * lrf),与学习率调度器一起使用,随时间调整学习率。
momentum0.937SGD优化器的动量因子或Adam优化器的beta1,影响当前更新中过去梯度的纳入。
weight_decay0.0005L2正则化项,惩罚大权重以防止过拟合。
warmup_epochs3.0学习率预热所需的轮次数,逐渐将学习率从低值增加到初始学习率,以在早期稳定训练。
warmup_momentum0.8预热阶段的初始动量,在预热期间逐渐调整到设定的动量。
warmup_bias_lr0.1预热阶段偏差参数的学习率,有助于在初始轮次中稳定模型训练。
box7.5损失函数中边界框损失组件的权重,影响对准确预测边界框坐标的重视程度。
cls0.5总损失函数中分类损失的权重,影响相对于其他组件正确类别预测的重要性。
dfl1.5分布焦点损失的权重,在某些YOLO版本中用于细粒度分类。
pose12.0在训练用于姿态估计的模型中,姿态损失的权重,影响对姿态关键点的准确预测的重视程度。
kobj2.0在姿态估计模型中,关键点对象性损失的权重,平衡检测置信度与姿态准确性。
label_smoothing0.0应用标签平滑,将硬标签软化为目标标签和标签上的均匀分布的混合,可能提高泛化能力。
nbs64损失归一化的名义批次大小。
overlap_maskTrue确定在训练期间分割掩码是否应该重叠,适用于实例分割任务。
mask_ratio4分割掩码的下采样比率,影响训练期间使用的掩码的分辨率。
dropout0.0分类任务中的正则化dropout率,通过在训练期间随机省略单元来防止过拟合。
valTrue启用训练期间的验证,允许在单独的数据集上定期评估模型性能。
plotsFalse生成并保存训练和验证指标的图表,以及预测示例,为模型性能和学习进度提供视觉洞察。

 

这篇关于YOLO算法检测模型训练参数大合集!!再也不用看不懂超参啦!的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1011474

相关文章

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

一文带你了解SpringBoot中启动参数的各种用法

《一文带你了解SpringBoot中启动参数的各种用法》在使用SpringBoot开发应用时,我们通常需要根据不同的环境或特定需求调整启动参数,那么,SpringBoot提供了哪些方式来配置这些启动参... 目录一、启动参数的常见传递方式二、通过命令行参数传递启动参数三、使用 application.pro

基于@RequestParam注解之Spring MVC参数绑定的利器

《基于@RequestParam注解之SpringMVC参数绑定的利器》:本文主要介绍基于@RequestParam注解之SpringMVC参数绑定的利器,具有很好的参考价值,希望对大家有所帮助... 目录@RequestParam注解:Spring MVC参数绑定的利器什么是@RequestParam?@

SpringBoot接收JSON类型的参数方式

《SpringBoot接收JSON类型的参数方式》:本文主要介绍SpringBoot接收JSON类型的参数方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、jsON二、代码准备三、Apifox操作总结一、JSON在学习前端技术时,我们有讲到过JSON,而在

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.

JAVA虚拟机中 -D, -X, -XX ,-server参数使用

《JAVA虚拟机中-D,-X,-XX,-server参数使用》本文主要介绍了JAVA虚拟机中-D,-X,-XX,-server参数使用,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录一、-D参数二、-X参数三、-XX参数总结:在Java开发过程中,对Java虚拟机(JVM)的启动参数进

解读docker运行时-itd参数是什么意思

《解读docker运行时-itd参数是什么意思》在Docker中,-itd参数组合用于在后台运行一个交互式容器,同时保持标准输入和分配伪终端,这种方式适合需要在后台运行容器并保持交互能力的场景... 目录docker运行时-itd参数是什么意思1. -i(或 --interactive)2. -t(或 --