1、YOLOV5的超参数配置文件介绍

YOLOv5有大约30个超参数用于各种训练设置。它们在*xml中定义。/data目录下的Yaml文件。更好的初始猜测将产生更好的最终结果，因此在进化之前正确地初始化这些值是很重要的。如果有疑问，只需使用缺省值，这些缺省值是为YOLOv5 COCO训练从头优化的。

YOLOv5的超参文件见data/hyp.finetune.yaml（适用VOC数据集）或者hyo.scrach.yaml（适用COCO数据集）文件

1、yolov5/data/hyps/hyp.scratch-low.yaml(YOLOv5 COCO训练从头优化，数据增强低)

# Hyperparameters for low-augmentation COCO training from scratch # python train.py --batch 64 --cfg yolov5n6.yaml --weights '' --data coco.yaml --img 640 --epochs 300 --linear # See tutorials for hyperparameter evolution https://github.com/ultralytics/yolov5#tutorials lr0: 0.01  # initial learning rate (SGD=1E-2, Adam=1E-3) 初始学习速率lrf: 0.01  # final OneCycleLR learning rate (lr0 * lrf) ，最终OneCycleLR学习率momentum: 0.937  # SGD momentum/Adam beta1 weight_decay: 0.0005  # optimizer weight decay 5e-4 ,权重衰变warmup_epochs: 3.0  # warmup epochs (fractions ok) 学习率热身epochwarmup_momentum: 0.8  # warmup initial momentum 学习率热身初始动量warmup_bias_lr: 0.1  # warmup initial bias lr 学习率热身偏执学习率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) #颜色亮度,色调(Hue)、饱和度(Saturation)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) #图像旋转degrees: 0.0  # image rotation (+/- deg) #图像平移translate: 0.1  # image translation (+/- fraction) ##图像仿射变换的缩放比例scale: 0.5  # image scale (+/- gain) #设置裁剪的仿射矩阵系数shear: 0.0  # image shear (+/- deg) #透视变换perspective: 0.0  # image perspective (+/- fraction), range 0-0.001 ,range 0-0.001 0.0：仿射变换，>0为透视变换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) #在mosaic启用时，才可以启用copy_paste: 0.0  # segment copy-paste (probability),在mosaic启用时，才可以启用

2、yolov5/data/hyps/hyp.scratch-mdeia.yaml（数据增强中）

# YOLOv5 												


											

YOLOV5超参数设置与数据增强解析相关推荐
	

    
								
  1. 第七十四篇：机器学习优化方法及超参数设置综述
		
    第七十四篇:机器学习优化方法及超参数设置综述 置顶 2019-08-25 23:03:44 廖佳才 阅读数 207更多 分类专栏: 深度学习 版权声明:本文为博主原创文章,遵循 CC 4.0 BY-S ...
    
		
    2. 
						
  2. 数据数据泄露泄露_通过超参数调整进行数据泄漏
		
    数据数据泄露泄露 介绍 (Introduction) Data Leakage is when the model somehow knows the patterns in the test dat ...
    
		
    3. 
						
  3. HBase的Compact参数设置及数据读写流程剖析-OLAP商业环境实战
		
    本套系列博客从真实商业环境抽取案例进行总结和分享,并给出Spark商业应用实战指导,请持续关注本套博客.版权声明:本套Spark商业应用实战归作者(秦凯新)所有,禁止转载,欢迎学习. 秦凯新的技术社区 ...
    
		
    4. 
						
  4. 深度学习——超参数设置
		
    一.过拟合 1.定义:给定一个假设空间H,一个假设h属于H,如果存在其他的假设h'属于H,使得在训练样例上h的错误率比h'小,但在整个实例分布上h'比h的错误率小,那么就说假设h过度拟合训练数据. 2 ...
    
		
    5. 
						
  5. pytorch 冻结层操作 + 学习率超参数设置
		
    pytorch finetune冻结层操作 知乎文章:pytorch 两种冻结层的方式 - 知乎 文章说了两种冻结层的方法: 一.设置requires_grad为False 第一步: for para ...
    
		
    6. 
						
  6. 大数据之-Hadoop3.x_Hadoop_HDFS_掉线时限参数设置---大数据之hadoop3.x工作笔记0079
		
    这里定义超时时间是TimeOut,那么这个TimeOut是怎么计算的呢? 是2 * dfs.namenode.heartbeat.recheck-interval 这个 dfs.namenode.he ...
    
		
    7. 
						
  7. Lecture6：激活函数、权值初始化、数据预处理、批量归一化、超参数选择
		
    目录 1.最小梯度下降(Mini-batch SGD) 2.激活函数 2.1 sigmoid 2.2 tanh 2.3 ReLU 2.4 Leaky ReLU 2.5 ELU 2.6 最大输出神经元  ...
    
		
    8. 
						
  8. YOLO5的数据增强和权重设置hyp.scratch-med.yaml文件解读，degrees角度旋转和水平、垂直翻转解释
		
    在新的YOLO5代码中,其中的超参数设置文件已经变成了5个,如下:放在data文件夹下得hyps文件夹中. 作者对于这些文件的解释如下: 这是什么意思呢?可以翻译为中文看看: 这样是不是就比较清楚了. ...
    
		
    9. 
						
  9. 为YOLOv5、YOLOv8带来全新的数据增强方式-合成雾增强算法
		
    简介 BestYOLO:https://github.com/WangRongsheng/BestYOLO BestYOLO是一个以科研和竞赛为导向的最好的YOLO实践框架! 目前BestYOLO是一 ...
    
		
    10. 
		


					

最新文章
	

    
						
  1. 截取指定字符前_Excel应该怎么学--表格维护常用文本函数（截取、转换、连接）...
		
    2. 
						
  2. Android通用流行框架汇总
		
    3. 
						
  3. Hadoop教程（二）：安装
		
    4. 
						
  4. Android编译错误: The project cannot be built until build path errors are resolved
		
    5. 
						
  5. 中文巨量模型“源1.0”：模型结构与生成效果解析
		
    6. 
						
  6. 刚刚，阿里云上线六大“战疫情”项目
		
    7. 
						
  7. 矩阵连乘问题算法思想_AI自然语言处理算法岗常见面试题(一)
		
    8. 
						
  8. 【Kafka】kafka  Java api 获取 kafka topic 或者 partition 占用的磁盘大小
		
    9. 
						
  9. html div 右侧,span在div里居左和居右布局
		
    10. 
						
  10. Java日期格式化之线程安全
		
    11. 
						
  11. HTML+JS调用摄像头拍照并上传图片
		
    12. 
						
  12. 搭配实例的常见cmd命令+最简单bat病毒编写
		
    13. 
						
  13. 华为鸿蒙手机系统什么时候开始更新_华为鸿蒙系统2.0什么时候可以升级
		
    14. 
						
  14. ios 图片合成幻灯片_为iPad构建iOS幻灯片应用程序
		
    15. 
						
  15. Python常用数据分析工具
		
    16. 
						
  16. 20145213《Java程序设计》第五周学习总结
		
    17. 
						
  17. mysql中长整型是longint_整型int和长整型long
		
    18. 
						
  18. lsm mysql_一文了解数据库索引：哈希、B-Tree 与 LSM
		
    19. 
						
  19. R语言之R程序（老虎机）
		
    20. 
						
  20. 高校计算机教师swto分析,信息技术课教师专业成长SWOT分析.doc
		
    21. 
		

	


热门文章
	

    
									
  1. 人脸识别必读的优秀论文
			
    2. 
						
  2. CH1055：一种近红外NIR-II成像的小分子染料（荧光基团优于ICG）
			
    3. 
						
  3. ts-350计算机算标准差,TS-350PI
			
    4. 
						
  4. Python爬虫之数据解析/提取（二）
			
    5. 
						
  5. iphone浏览器服务器已停止响应,为什么我的网页无法在Iphone浏览器中断行？
			
    6. 
						
  6. 【毕业设计】深度学习车牌识别系统 - opencv 卷积神经网络 机器学习
			
    7. 
						
  7. Java 关于序列化、Json和Gson详解
			
    8. 
						
  8. 中国大学慕课 大连理工大学 C语言程序编程题 第二周 仅供参考
			
    9. 
						
  9. 【LFS】Cjktty+uim-fep实现Linux控制台下中文显示与输入
			
    10. 
						
  10. linux发送rarp协议,通过源码理解Rarp协议
			
    11.