笔者按照教程训练完YOLO后对train训练参数配置产生兴趣,因此下文参考官方文档进行总结
YOLO 模型的训练设置包括训练过程中使用的各种超参数和配置。 这些设置会影响模型的性能、速度和准确性。 关键的训练设置包括批量大小、学习率、动量和权重衰减。 此外,优化器、损失函数和训练数据集组成的选择也会影响训练过程。 对这些设置进行仔细的调整和实验对于优化性能至关重要。
翻译版本:
参数 | 默认值 | 描述 |
---|---|---|
model | None | 指定用于训练的模型文件。 接受 .pt 预训练模型或 .yaml 配置文件的路径。 对于定义模型结构或初始化权重至关重要。 |
data | None | 数据集配置文件(如 coco8.yaml)的路径。 该文件包含特定于数据集的参数,包括训练数据和验证数据的路径、类名和类数量。 |
epochs | 100 | 训练历元总数。 每个epoch代表对整个数据集的一次完整检测。 调整该值会影响训练时间和模型性能。 |
time | None | 如果设置了这个参数,它将取代 epochs 参数,允许训练在指定时间后自动停止。 对于时间有限的训练场景非常有用。 |
patience | 100 | 在验证指标没有改善的情况下,提前停止训练所需的历元数。 当性能趋于平稳时停止训练,有助于防止过度拟合。 |
batch | 16 | Batch size, 有三种模式:设置为整数(如 batch=16)、GPU 内存利用率为 60% 的自动模式(batch=-1)或指定利用率分数的自动模式(batch=0.70)。 |
imgsz | 640 | 所有图像在输入模型前都会被调整到这一尺寸。 影响模型精度和计算复杂度。 |
save | True | 可保存训练检查点和最终模型权重。 有助于恢复训练或模型部署。 |
save_period | -1 | 保存模型检查点的频率,以 epochs 为单位。 如果值为 -1 则禁用此功能。 该功能适用于在长时间训练过程中保存临时模型。 |
cache | False | 启用内存(True/ram)、磁盘(disk)中的数据集映像缓存,或禁用(False)。 通过减少磁盘 I/O,提高训练速度,但代价是增加内存使用量。 |
device | None | 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)或苹果芯片的 MPS(device=mps)。 |
workers | 8 | 用于加载数据的工作线程数(如果使用多 GPU 训练,则为每个 RANK)。 影响数据预处理和输入模型的速度,尤其适用于多 GPU 设置。 |
project | None | 保存训练结果的项目目录名称。 允许有组织地存储不同的实验。 |
name | None | 训练运行的名称。 用于在项目文件夹内创建一个子目录,用于存储训练日志和输出结果。 |
exist_ok | False | 如果为 True,则允许覆盖现有的项目/名称目录。 这对迭代实验非常有用,无需手动清除之前的输出。 |
pretrained | True | 决定是否从预处理模型开始训练。 可以是布尔值,也可以是加载权重的特定模型的字符串路径。 提高训练效率和模型性能。 |
optimizer | 'auto' | 选择用于训练的优化器。 选项包括 SGD、Adam、AdamW、NAdam、RAdam、RMSProp 等,或根据模型配置自动选择。 影响收敛速度和稳定性。 |
verbose | False | 在培训期间启用冗余输出,提供详细的日志和进度更新。 有助于调试和密切监控培训过程。 |
seed | 0 | 为训练设置随机种子,确保在相同配置下运行的结果具有可重复性。 |
deterministic | True | 强制使用确定性算法,确保可重复性,但由于对非确定性算法的限制,可能会影响性能和速度。 |
single_cls | False | 在训练过程中将多类数据集中的所有类别视为单一类别。 适用于二元分类任务,或侧重于对象的存在而非分类。 |
rect | False | 可进行矩形训练,优化批次组成以减少填充。 这可以提高效率和速度,但可能会影响模型的准确性。 |
cos_lr | False | 利用余弦学习率调度器,根据历时的余弦曲线调整学习率。 这有助于管理学习率,实现更好的收敛。 |
close_mosaic | 10 | 在最后 N 个历元中禁用马赛克数据增强,以便在训练完成前保持稳定。 设置为 0 则禁用此功能。 |
resume | False | 从上次保存的检查点恢复训练。 自动加载模型权重、优化器状态和历时计数,无缝继续训练。 |
amp | True | 启用自动混合精度 (AMP) 训练,可减少内存使用量并加快训练速度,同时将对精度的影响降至最低。 |
fraction | 1.0 | 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,这对实验或资源有限的情况非常有用。 |
profile | False | 可在训练过程中分析 ONNX 和 TensorRT 的速度,这对优化模型部署非常有用。 |
freeze | None | 冻结模型的前 N 层或按索引指定的层,从而减少可训练参数的数量。 这对微调或迁移学习非常有用。 |
lr0 | 0.01 | 初始学习率(即 SGD=1E-2,Adam=1E-3) . 调整这个值对优化过程至关重要,会影响模型权重的更新速度。 |
lrf | 0.01 | 最终学习率为初始学习率的一部分 = (lr0 * lrf),与调度器结合使用,用于调整学习率。 |
momentum | 0.937 | 用于 SGD 的动量因子,或用于 Adam 优化器的 beta1,用于将过去的梯度纳入当前更新。 |
weight_decay | 0.0005 | L2 正则化项,对大权重进行惩罚,以防止过度拟合。 |
warmup_epochs | 3.0 | 学习率预热的历元数,学习率从低值逐渐增加到初始学习率,以在早期稳定训练。 |
warmup_momentum | 0.8 | 热身阶段的初始动量,在热身期间逐渐调整到设定动量。 |
warmup_bias_lr | 0.1 | 热身阶段的偏置参数学习率,有助于稳定初始历元的模型训练。 |
box | 7.5 | 损失函数中边框损失部分的权重,影响对准确预测边框坐标的重视程度。 |
cls | 0.5 | 分类损失在总损失函数中的权重,影响正确分类预测相对于其他部分的重要性。 |
dfl | 1.5 | 分布焦点损失权重,在某些 YOLO 版本中用于精细分类。 |
pose | 12.0 | 姿态损失在姿态估计模型中的权重,影响着准确预测姿态关键点的重点。 |
kobj | 2.0 | 姿态估计模型中关键点对象性损失的权重,平衡检测可信度与姿态精度。 |
label_smoothing | 0.0 | 应用标签平滑,将硬标签软化为目标标签和标签均匀分布的混合标签,可以提高泛化效果。 |
nbs | 64 | 用于损耗正常化的标称批量大小。 |
overlap_mask | True | 决定在训练过程中分割掩码是否应该重叠,适用于实例分割任务。 |
mask_ratio | 4 | 分割掩码的下采样率,影响训练时使用的掩码分辨率。 |
dropout | 0.0 | 分类任务中正则化的丢弃率,通过在训练过程中随机省略单元来防止过拟合。 |
val | True | 可在训练过程中进行验证,以便在单独的数据集上对模型性能进行定期评估。 |
plots | False | 生成并保存训练和验证指标图以及预测示例图,以便直观地了解模型性能和学习进度。 |