YOLOv5内置--hyp超参配置文件对比

这篇具有很好参考价值的文章主要介绍了YOLOv5内置--hyp超参配置文件对比。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1、YOLOv5超参数配置介绍

YOLOv5 有大约 30 个超参数用于各种训练设置。这些是在目录中*.yaml的文件中定义的/data。更好的初始猜测会产生更好的最终结果,因此在演化之前正确初始化这些值很重要。

 lr0 : 0.01   #初始学习率 (SGD=1E-2, Adam=1E-3) 
 lrf : 0.01   #最终的 OneCycleLR 学习率 (lr0 * lrf) 
 momentum: 0.937   # SGD 动量/Adam beta1 
 weight_decay : 0.0005   #优化器权重衰减 5e-4 
 warmup_epochs : 3.0   # warmup epochs (fractions ok) 
 warmup_momentum : 0.8   #预热初始动量 
 warmup_bias_lr : 0.1   #预热初始偏差 lr 
 box : 0.05   # box loss gain 
 cls : 0.5   # cls 损失增益 
 cls_pw : 1.0   # cls BCELoss positive_weight 
 obj : 1.0   # obj loss gain(按像素缩放) 
 obj_pw : 1.0   # obj BCELoss positive_weight 
 iou_t : 0.20   # IoU训练阈值 
 anchor_t : 4.0   #锚倍阈值 
 #anchors:3 # 每个输出层的锚点(0 忽略) 
 fl_gamma : 0.0   #focal loss gamma (efficientDet default gamma=1.5) 
 hsv_h : 0.015   #图像 HSV-Hue 增强(分数) 
 hsv_s : 0.7   #图像 HSV-Saturation 增强(分数) 
 hsv_v : 0.4   #图像 HSV 值增强(分数) 
 degree : 0.0   #图像旋转 (+/- deg) 
 translate : 0.1   #图像翻译(+/- 分数) 
 scale : 0.5   #图像比例(+/- 增益) 
 shear:0.0   #图像剪切(+/- 度) 
 perspective : 0.0   #图像透视(+/- 分数),范围 0-0.001 
 flipud : 0.0   #图像上下翻转(概率) 
 fliplr : 0.5   #图像左右翻转(概率) 
 mosaic: 1.0   #图像马赛克(概率) 
 mixup : 0.0   #图像混合(概率) 
 copy_paste : 0.0   #段复制粘贴(概率) 

2.YOLOv5内置超参配置文件介绍

1. yolov5/data/hyps/hyp.scratch-low.yaml(YOLOv5 COCO训练从头优化,数据增强低)
2. yolov5/data/hyps/hyp.scratch-mdeia.yaml(数据增强中)
3. yolov5/data/hyps/hyp.scratch-high.yaml(数据增强高)

3. 结果对比

此结果是在 weights:yolov5n6.pt,epochs:100,训练集验证集及测试集相同的情况下测得(结果仅供参考)

YOLOv5默认配置
YOLOv5内置--hyp超参配置文件对比
hyp.scratch-low.yaml
YOLOv5内置--hyp超参配置文件对比

hyp.scratch-med.yaml
YOLOv5内置--hyp超参配置文件对比
hyp.scratch-high.yaml
YOLOv5内置--hyp超参配置文件对比

hyp.finetune_objects365.yaml
YOLOv5内置--hyp超参配置文件对比文章来源地址https://www.toymoban.com/news/detail-416753.html

到了这里,关于YOLOv5内置--hyp超参配置文件对比的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • YOLOV5 INT8 量化对比

    对比了两种INT8量化, 熵校准的量化有更高的速度,但是吧… 最大最小值校准是一种 INT8 校准算法。在最大最小值校准中, 需要使用一组代表性的校准数据来生成量化参数, 首先将推理中的数据进行统计,计算数据的最小值和最大值,然后根据这些值来计算量化参数。具体步

    2024年02月16日
    浏览(47)
  • YOLOv8+tracking与YOLOv5+tracking performance score对比

    如果你想了解YOLOv8的模型细节和里面每个流程,可以阅读这篇博客 https://blog.csdn.net/Albert233333/article/details/130044349 如果这篇博客对你有帮助, 希望你 点赞、收藏、关注、评论 ,您的认可将是我创作下去最大的动力! MOT17——https://motchallenge.net/data/MOT17/ MOT15——https://motchall

    2024年02月04日
    浏览(45)
  • YOLOV5的backbone改为shuffleNet,并进行效果对比

    近期,想尝试将YOLOV5的backbone改为ShuffleNetv2这类的轻量级网络,想和yolov5s进行对比,话不多少,正文开始 拉取YOLOV5的最新代码,代码链接如下:YOLOV5 2.1数据集下载 这里我们准备VOC数据集,如果不想提现下载也没关系,训练时会自动下载,但是这里还是建议提前准备好,下载

    2024年02月06日
    浏览(42)
  • 【目标检测】YOLOv5:640与1280分辨率效果对比

    YOLOv5-5.0版本的四个预训练权重输入的图片尺寸固定为640x640。 但是在YOLOv5-6.1版本,多了几个例如 yolov5l6.pt 末尾带6的预训练权重,这几个权重是在更大分辨率1280x1280进行训练的。 因此我想在自己的电脑上测试一下相同的数据集从640x640到1280x1280效果会有多少提升。 原本是想在

    2024年02月06日
    浏览(53)
  • YOLOv8之C2f模块——与YOLOv5的C3模块对比

      YOLOv8完整工程代码下载:ultralytics/ultralytic   C2f模块源码在ultralytics/nn/modules.py下,源码如下:   YOLOv5的完整工程代码下载:ultralytic/yolov5   C3模块源码在models/common.py下,源码如下: C2f模块和C3模块的对外接口保持一致,都是(ch_in, ch_out, number, shortcut, groups, expans

    2024年02月01日
    浏览(44)
  • YOLOv5s训练结果result.txt绘制loss/mAP等曲线对比图

    引用代码 另外奉上各种线性颜色:参考 大概是够用了!!!

    2024年02月13日
    浏览(47)
  • YOLOv5|YOLOv7|YOLOv8改进之实验结果(四):将多种算法的Loss精度曲线图绘制到一张图上,便于YOLOv5、v7系列模型对比实验获取更多精度数据,丰富实验数据

    💡该教程为改进YOLO高阶指南,属于 《芒果书》 📚系列,包含大量的原创首发改进方式🚀 💡更多改进内容📚可以点击查看:YOLOv5改进、YOLOv7改进、YOLOv8改进、YOLOX改进原创目录 | 老师联袂推荐🏆 💡 🚀🚀🚀本博客内含·改进源代码·,按步骤操作运行改进后的代码即可

    2023年04月17日
    浏览(54)
  • Yolov5更换上采样方式( 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积) (新增对比试验组)

    🌟想了解YOLO系列算法更多教程欢迎订阅我的专栏🌟 对于基础薄弱的同学来说,推荐阅读《目标检测蓝皮书》📘,里面涵盖了丰富的目标检测实用知识,是你迅速掌握目标检测的理想选择! 如果想了解 YOLOv5 和 YOLOv7 系列算法的训练和改进,可以关注专栏《YOLOv5/v7 改进实战

    2024年02月07日
    浏览(53)
  • 跑通官方的yolov7-tiny实验记录(yolov7-tiny可作为yolov5s的对比实验网络)

    官方YOLOv7 项目地址:https://github.com/WongKinYiu/yolov7 如果想设置早停机制,可以参考这个链接:yolov7自动停止(设置patience)且输出最优模型时的PR图(test best.py) 学习 train.py 中的参数含义,可参考手把手调参最新 YOLOv7 模型 训练部分 - 最新版本(二) 学习 detect.py 中的参数含

    2023年04月18日
    浏览(45)
  • YOLOv5 - yolov5s.yaml 文件

    🍨 本文为[🔗365天深度学习训练营学习记录博客 🍦 参考文章:365天深度学习训练营 🍖 原作者:[K同学啊 | 接辅导、项目定制](https://mtyjkh.blog.csdn.net/) 🚀 文章来源:[K同学的学习圈子](https://www.yuque.com/mingtian-fkmxf/zxwb45) 基于深度学习的目标检测模型的结构:输入-主干-脖子

    2024年02月06日
    浏览(41)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包