【YOLO】YOLOv8怎么调参及数据增强策略（持续更新）

# use Adam
lr0: 0.001  # initial learning rate (i.e. SGD=1E-2, Adam=1E-3)
lrf: 0.01  # final learning rate (lr0 * lrf)
momentum: 0.937  # SGD momentum/Adam beta1
weight_decay: 0.0005  # optimizer weight decay 5e-4
warmup_epochs: 3.0  # warmup epochs (fractions ok)
warmup_momentum: 0.8  # warmup initial momentum
warmup_bias_lr: 0.1  # warmup initial bias lr
box: 7.5  # box loss gain
cls: 0.5  # cls loss gain (scale with pixels)
dfl: 1.5  # dfl loss gain
fl_gamma: 0.0  # focal loss gamma (efficientDet default gamma=1.5)
label_smoothing: 0.0  # label smoothing (fraction)
nbs: 64  # nominal batch size
hsv_h: 0.015  # image HSV-Hue augmentation (fraction)
hsv_s: 0.7  # image HSV-Saturation augmentation (fraction)
hsv_v: 0.4  # image HSV-Value augmentation (fraction)
degrees: 0.0  # image rotation (+/- deg)
translate: 0.1  # image translation (+/- fraction)
scale: 0.5  # image scale (+/- gain)
shear: 0.0  # image shear (+/- deg)
perspective: 0.0  # image perspective (+/- fraction), range 0-0.001
flipud: 0.0  # image flip up-down (probability)
fliplr: 0.5  # image flip left-right (probability)
mosaic: 1.0  # image mosaic (probability)
mixup: 0.0  # image mixup (probability)
copy_paste: 0.0  # segment copy-paste (probability)

解释配置参数含义

这段配置主要是用于深度学习模型训练过程中的参数设置，特别是在使用Adam优化器时的一些关键参数配置，以及数据增强（Data Augmentation）的策略。下面是对这些参数的具体解释：

优化器相关参数

• lr0: 初始学习率（Initial Learning Rate），设置为0.001。这是训练开始时的学习率，对于Adam优化器来说，这个值通常比SGD优化器的初始学习率要小。
• lrf: 最终学习率（Final Learning Rate），设置为0.01。这是通过lr0 * lrf计算得出的，用于学习率衰减的最终目标值。
• momentum: 对于SGD来说，这是动量（Momentum）参数；对于Adam来说，它相当于beta1，设置为0.937。Adam中的beta1用于计算梯度的一阶矩估计。
• weight_decay: 优化器的权重衰减（Weight Decay），设置为0.0005，用于防止过拟合。

学习率预热（Warmup）参数

• warmup_epochs: 预热周期（Warmup Epochs），设置为3.0。在训练初期，学习率从一个较小的值逐渐增加到初始学习率，有助于模型稳定训练。
• warmup_momentum: 预热初始动量（Warmup Initial Momentum），设置为0.8。与预热学习率类似，动量也可以从较小的值开始预热。
• warmup_bias_lr: 预热初始偏置学习率（Warmup Initial Bias Learning Rate），设置为0.1。这个参数可能特定于某些模型或框架，用于控制某些参数（如偏置项）的学习率。

损失函数相关参数

• box: 边界框（Box）损失增益（Gain），设置为7.5。这用于调整边界框损失的权重。
• cls: 分类（Classification）损失增益，设置为0.5。这用于调整分类损失的权重，并且会根据像素数进行缩放。
• dfl: Distance-IoU Loss（DFL）增益，设置为1.5。DFL是一种用于目标检测的损失函数，用于更精确地回归边界框。
• fl_gamma: Focal Loss的γ参数，设置为0.0。Focal Loss用于解决分类问题中的类别不平衡问题，但这里设置为0.0表示不使用Focal Loss的γ调整。
• label_smoothing: 标签平滑（Label Smoothing），设置为0.0。标签平滑是一种正则化技术，通过软化真实标签来减少模型对标签噪声的敏感性。

数据增强参数

• hsv_h, hsv_s, hsv_v: 分别控制HSV颜色空间中Hue（色调）、Saturation（饱和度）、Value（亮度）的增强程度。

参考百度百科:https://baike.baidu.com/item/HSV

• degrees, translate, scale, shear, perspective: 分别控制图像的旋转、平移、缩放、剪切和透视变换的程度。
• flipud, fliplr: 控制图像上下翻转和左右翻转的概率。
• mosaic, mixup, copy_paste: 分别控制图像拼接（Mosaic）、图像混合（Mixup）和段落复制粘贴（Copy-Paste）的概率。这些技术用于增加数据的多样性和复杂性，有助于提高模型的泛化能力。