yolov5--hsv增强，hyp超参数，

一.hyp超参数:

文件位置：

data/hyps/hyp.scratch-low.yaml

具体如下：

lr0: 0.01  # initial learning rate (SGD=1E-2, Adam=1E-3)
lrf: 0.01  # final OneCycleLR 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: 0.05  # box loss gain
cls: 0.5  # cls loss gain
cls_pw: 1.0  # cls BCELoss positive_weight
obj: 1.0  # obj loss gain (scale with pixels)
obj_pw: 1.0  # obj BCELoss positive_weight
iou_t: 0.20  # IoU training threshold
anchor_t: 4.0  # anchor-multiple threshold

# anchors: 3  # anchors per output layer (0 to ignore)
fl_gamma: 0.0  # focal loss gamma (efficientDet default gamma=1.5)
############################################################
hsv_h: 0.015  # image HSV-Hue augmentation (fraction)
hsv_s: 0.16  # image HSV-Saturation augmentation (fraction)
#饱和度（Saturation）增强的幅度，表示在增强过程中饱和度可以变化的范围，这里设置为0到0.7，
#意味着饱和度可以有相当大的变化。较高的饱和度值会使图像的颜色更加鲜艳。
hsv_v: 0.16  # 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)

以下是一些关键超参数的解释：

• lr0: 初始学习率，用于SGD优化器。
• lrf: 最终OneCycleLR学习率，乘以初始学习率lr0。
• momentum: SGD动量/Adam beta1参数。
• weight_decay: 优化器权重衰减。
• warmup_epochs: 预热周期数，用于逐渐增加学习率和动量。
• warmup_momentum 和 warmup_bias_lr: 分别定义了预热期间的初始动量和偏置学习率。
• box, cls, obj: 分别是边界框、类别和目标损失的增益。
• iou_t: IoU训练阈值，用于确定预测框和真实框的匹配程度。
• anchor_t: 锚点多重阈值。
• fl_gamma: 焦点损失的gamma参数。

数据增强部分的参数包括：

• hsv_h, hsv_s, hsv_v: 分别是HSV颜色空间中色调、饱和度和亮度的增强系数。

  （hsv_h, hsv_s, hsv_v分别代表的是增强系数，而不是概率）

    HSV代表色调（Hue）、饱和度（Saturation）和亮度（Value）

• degrees: 图像旋转的范围。
• translate: 图像平移的范围。
• scale: 图像尺度的变化范围。
• shear: 图像剪切的范围。
• perspective: 图像透视变换的范围。
• flipud 和 fliplr: 分别是图像上下翻转和左右翻转的概率。
• mosaic: 马赛克数据增强的概率。
• mixup: 图像混合的概率。
• copy_paste: 复制粘贴数据增强的概率。

如果你想要取消HSV增强，你可以将

hsv_h, hsv_s, hsv_v的值设置为0。

例如：

hsv_h: 0.0 # 取消色调增强

hsv_s: 0.0 # 取消饱和度增强

hsv_v: 0.0 # 取消亮度增强

这样，在训练过程中，图像的HSV变换将不会发生。

二.dataloader调用augment_hsv：

使用范例（dataloader中）：

dataloader的文件位置：utils/dataloaders.py

augment_hsv(img, hgain=hyp['hsv_h'], sgain=hyp['hsv_s'], vgain=hyp['hsv_v'])

具体如下，包含注释：

def augment_hsv(img, hgain=0.5, sgain=0.5, vgain=0.5):
    # HSV color-space augmentation
    if hgain or sgain or vgain:
        # random gains[a,b,c];a b c都在0.5到1.5
        r = np.random.uniform(-1, 1, 3) * [hgain, sgain, vgain] + 1
        # 分离hsv通道
        hue, sat, val = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2HSV))
        dtype = img.dtype  # uint8
        x = np.arange(0, 256, dtype=r.dtype)
        lut_hue = ((x * r[0]) % 180).astype(dtype)
        
        lut_sat = np.clip(x * r[1], 0, 255).astype(dtype)
        lut_val = np.clip(x * r[2], 0, 255).astype(dtype)
        # 用于创建一个查找表（Look-Up Table，简称 LUT），这个表可以用于快速地将一组输入值转换为另一组值。
        # 这在图像处理中非常有用，比如在调整图像的亮度或对比度时，可以将像素值映射到新的值。
        im_hsv = cv2.merge((cv2.LUT(hue, lut_hue), cv2.LUT(sat, lut_sat), cv2.LUT(val, lut_val)))
        cv2.cvtColor(im_hsv, cv2.COLOR_HSV2BGR, dst=img)  # no return needed

（上面函数在utils/augmentations.py中）

解释说明（其实是我本人不会，现学的 ：<）：

1.np.random.uniform(-1, 1, 3)：

• 第一个参数 -1 是随机数的下限。
• 第二个参数 1 是随机数的上限。
• 第三个参数 3 表示生成随机数的数量，这里是生成3个随机数
• 生成如：[ 0.123456 -0.654321  0.987654]

2.x = np.arange(0, 256, dtype=r.dtype)

    是0-255的列表，255个元素。

3.lut_hue,lut_sat,lut_val:

    lut:look up table(查找表)

    lut_hue：有%180，则范围0-180，个数255的列表；