-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathdefault.yaml
233 lines (171 loc) · 15 KB
/
default.yaml
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
# Ultralytics YOLO 🚀, AGPL-3.0 license
# Default training settings and hyperparameters for medium-augmentation COCO training
task: detect # (str) YOLO task, i.e. detect, segment, classify, pose
mode: train # (str) YOLO mode, i.e. train, val, predict, export, track, benchmark
# 训练参数设置 -------------------------------------------------------------------------------------------------------
model: # (str, optional) 模型文件的路径，即yolov8n.pt、yolov8n.yaml
data: # (str, optional)数据文件路径 数据集路径, i.e. coco128.yaml
epochs: 100 # (int)训练批次
time: # (float, optional) 最大培训时间(以小时为单位)。如果设置了，这将覆盖 epochs 参数，允许训练在指定的持续时间后自动停止。对于时间限制的训练场景非常有用
patience: 100 # (int) 在早期停止训练之前，在验证度量没有改进的情况下等待的epoch数。当表现停滞时，停止训练有助于防止过度拟合。
batch: 4 # (int)批量大小，有三种模式:设置为整数(例如 batch=16 )，自动模式为60%的GPU内存利用率( batch=-1 )，或自动模式为指定的利用率分数( batch=0.70 )
v10版本里面,没有自动模式,batch必须大于1,否则会默认为16(-1 for AutoBatch)
imgsz: 640 # (int | list) 用于训练的目标图像大小。所有图像在输入到模型之前都会被调整到这个尺寸。影响模型精度和计算复杂度
save: True # (bool) 允许保存训练检查点和最终模型权重。用于恢复训练或模型部署。
save_period: -1 # (int)保存模型检查点的频率，以epoch指定。值为-1时禁用此特性。用于在长时间的训练期间保存临时模型(disabled if < 1)
val_period: 1 # (int) Validation every x epochs 每x个epoch验证一次 就是多久验证一次
cache: False # (bool) True/ram, disk or False. Use cache for data loading
启用在内存( True / ram )、磁盘( disk )或禁用( False )中缓存数据集图像。以增加内存使用为代价，通过减少磁盘I/O来提高训练速度。
device: # (int | str | list, optional) device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu
训练使用gpu还是cpu
workers: 0 # (int) 用于数据加载的工作线程数 (per RANK if DDP)，一般建议根据cpu的个数来
project: # (str, optional) project name 保存培训输出的项目目录名称。允许有组织地存储不同的实验。
name: # (str, optional) experiment name, results saved to 'project/name' directory
训练运行的名称。用于在项目文件夹中创建子目录，用于存储培训日志和输出。
exist_ok: False # (bool) whether to overwrite existing experiment
如果为True，则允许覆盖现有的项目/名称目录。可用于迭代实验，无需手动清除先前的输出。
pretrained: True # (bool | str) whether to use a pretrained model (bool) or a model to load weights from (str)
确定是否从预训练的模型开始训练。可以是布尔值或到要从中加载权重的特定模型的字符串路径。提高培训效率和模型性能。
optimizer: auto # (str) optimizer to use, choices=[SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto]
训练优化器的选择。选项包括 SGD、 Adam 、 AdamW 、 NAdam 、 RAdam 、
RMSProp 等，或者根据型号配置自动选择 auto 。影响收敛速度和稳定性。
verbose: True # (bool) whether to print verbose output
支持训练期间的详细输出，提供详细的日志和进度更新。用于调试和密切监视培训过程。
seed: 0 # (int) random seed for reproducibility
为训练设置随机种子，确保在相同配置的运行中结果的可重复性。
deterministic: True # (bool) whether to enable deterministic mode 强制使用确定性算法，确保再现性，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 # (bool) train multi-class data as single-class 在训练期间将多类数据集中的所有类视为单个类。用于二元分类任务或关注对象存在而不是分类时。
rect: False # (bool) rectangular training if mode='train' or rectangular validation if mode='val'
使矩形训练，优化批量组成最小填充。可以提高效率和速度，但可能会影响模型的准确性。
cos_lr: False # (bool) use cosine learning rate scheduler
利用余弦学习率调度程序，调整学习率后，余弦曲线的epoch。有助于管理学习率以实现更好的收敛
close_mosaic: 10 # (int) disable mosaic augmentation for final epochs (0 to disable)
在最后N次迭代中禁用马赛克数据增强，以在完成之前稳定训练。设置为0禁用此功能。
resume: False # (bool) resume training from last checkpoint 从上次保存的检查点恢复训练。自动加载模型权重、优化器状态和历元计数，无缝地继续训练。
amp: True # (bool) Automatic Mixed Precision (AMP) training, choices=[True, False], True runs AMP check
支持自动混合精度(AMP)训练，减少内存使用，并可能在对准确性影响最小的情况下加速训练
fraction: 1.0 # (float) dataset fraction to train on (default is 1.0, all images in train set)
指定要用于训练的数据集的部分。允许在完整数据集的子集上进行训练，对于实验或资源有限时非常有用 (默认值为1.0，数据集中的所有图像)
profile: False # (bool) profile ONNX and TensorRT speeds during training for loggers
允许在训练期间对ONNX和TensorRT速度进行分析，有助于优化模型部署。
freeze: None # (int | list, optional) freeze first n layers, or freeze list of layer indices during training
通过索引冻结模型的前N层或指定层，减少可训练参数的数量。用于微调或迁移学习。
multi_scale: False # (bool) Whether to use multiscale during training
培训期间是否使用多尺度
# Segmentation 市场细分
overlap_mask: True # (bool) masks should overlap during training (segment train only)
确定在训练期间分割掩码是否应该重叠，适用于实例分割任务。
mask_ratio: 4 # (int) mask downsample ratio (segment train only)
分割蒙版的下采样率，影响训练时使用的蒙版的分辨率。
# Classification 分类
dropout: 0.0 # (float) use dropout regularization (classify train only)
分类任务中正则化的失败率，通过在训练过程中随机省略单元来防止过拟合。
# Val/Test settings 验证/测试 参数设置 ----------------------------------------------------------------------------------------------------
val: True # (bool) validate/test during training
在训练期间启用验证，允许在单独的数据集上定期评估模型性能。
split: val # (str) dataset split to use for validation, i.e. 'val', 'test' or 'train'
数据集拆分以用于验证
save_json: False # (bool) save results to JSON file 保存结果到json文件里面
save_hybrid: False # (bool) save hybrid version of labels (labels + additional predictions)
保存标签的混合版本（标签+其他预测）
conf: # (float, optional) object confidence threshold for detection (default 0.25 predict, 0.001 val)
用于检测的对象置信阈值（默认0.25预测，0.001 val）
iou: 0.7 # (float) intersection over union (IoU) threshold for NMS
NMS的交叉口超过联合（IoU）阈值
max_det: 300 # (int) maximum number of detections per image
每张图像的最大检测次数
half: False # (bool) use half precision (FP16)
使用半精度
dnn: False # (bool) use OpenCV DNN for ONNX inference
使用OpenCV DNN进行ONNX推理
plots: True # (bool) save plots and images during train/val
在训练/比赛期间保存图表和图像
# Predict settings 预测设置-----------------------------------------------------------------------------------------------------
source: # (str, optional) source directory for images or videos 要预测的图形或者视频
vid_stride: 1 # (int) video frame-rate stride 视频帧率步幅
stream_buffer: False # (bool) buffer all streaming frames (True) or return the most recent frame (False)
用于控制是否缓冲所有流式帧（True）或返回最新的帧（False）
visualize: False # (bool) visualize model features 用于控制是否可视化模型的特征
augment: False # (bool) apply image augmentation to prediction sources 用于控制是否对预测源应用图像增强
agnostic_nms: False # (bool) class-agnostic NMS 用于控制是否使用无关类别的非极大值抑制（NMS）
classes: # (int | list[int], optional) filter results by class, i.e. classes=0, or classes=[0,2,3]
按类别筛选结果
retina_masks: False # (bool) use high-resolution segmentation masks
使用高分辨率分割掩模
embed: # (list[int], optional) return feature vectors/embeddings from given layers
从给定层返回特征向量/嵌入
# Visualize settings 预测结果可视化设置---------------------------------------------------------------------------------------------------
show: False # (bool) show predicted images and videos if environment allows
如果环境允许，显示预测的图像和视频
save_frames: False # (bool) save predicted individual video frames
保存预测的单个视频帧
save_txt: False # (bool) save results as .txt file
保存结果到文件
save_conf: False # (bool) save results with confidence scores 用于控制是否在保存结果时包含置信度分数
save_crop: False # (bool) save cropped images with results 用于控制是否将带有结果的裁剪图像保存下来
show_labels: True # (bool) show prediction labels, i.e. 'person' 用于控制在绘图结果中是否显示目标标签
show_conf: True # (bool) show prediction confidence, i.e. '0.99' 用于控制在绘图结果中是否显示目标置信度分数
show_boxes: True # (bool) show prediction boxes 显示预测框
line_width: # (int, optional) line width of the bounding boxes. Scaled to image size if None. 边界框的线宽。如果无，则按图像大小缩放。
# Export settings 导出设置------------------------------------------------------------------------------------------------------
format: torchscript # (str) format to export to, choices at https://docs.ultralytics.com/modes/export/#export-formats
导出格式，可在以下位置选择
keras: False # (bool) use Kera=s 使用Kera
optimize: False # (bool) TorchScript: optimize for mobile 针对移动设备进行优化
int8: False # (bool) CoreML/TF INT8 quantization CoreML/TF INT8量化
dynamic: False # (bool) ONNX/TF/TensorRT: dynamic axes ONNX/TF/TensorRT：动态轴
simplify: False # (bool) ONNX: simplify model ONNX：简化模型
opset: # (int, optional) ONNX: opset version opset版本
workspace: 4 # (int) TensorRT: workspace size (GB)
nms: False # (bool) CoreML: add NMS
# Hyperparameters 超参数------------------------------------------------------------------------------------------------------
lr0: 0.01 # (float) initial learning rate (i.e. SGD=1E-2, Adam=1E-3)
最初的学习速率(即 SGD=1E-2 , Adam=1E-3 )。调整此值对于优化过程至关重要，它会影响模型权重更新的速度。
lrf: 0.01 # (float) final learning rate (lr0 * lrf)
最终学习率作为初始学习率的一部分= ( lr0 * lrf )，与调度器一起使用以随时间调整学习率。
momentum: 0.937 # (float) SGD momentum/Adam beta1 SGD的动量因子或Adam优化器的beta1，影响当前更新中过去梯度的整合。
weight_decay: 0.0005 # (float) optimizer weight decay 5e-4 L2正则化项，惩罚大权重以防止过拟合。
warmup_epochs: 3.0 # (float) warmup epochs (fractions ok) 学习率预热的epoch数，从一个较低的学习率逐渐增加到初始学习率，以稳定早期的训练。
warmup_momentum: 0.8 # (float) warmup initial momentum 热身阶段的初始动量，在热身期间逐渐调整到设定的动量。
warmup_bias_lr: 0.1 # (float) warmup initial bias lr 预热阶段偏差参数的学习率，有助于稳定初始阶段的模型训练。
box: 7.5 # (float) box loss gain
损失函数中盒损失分量的权重，影响对准确预测边界盒坐标的重视程度。
cls: 0.5 # (float) cls loss gain (scale with pixels) 图像缩放（+/- 增益）。
dfl: 1.5 # (float) dfl loss gain 分布焦点损失的权重，在某些YOLO版本中用于细粒度分类。
pose: 12.0 # (float) pose loss gain
kobj: 1.0 # (float) keypoint obj loss gain
label_smoothing: 0.0 # (float) label smoothing (fraction)
nbs: 64 # (int) nominal batch size
hsv_h: 0.015 # (float) image HSV-Hue augmentation (fraction)
hsv_s: 0.7 # (float) image HSV-Saturation augmentation (fraction)
hsv_v: 0.4 # (float) image HSV-Value augmentation (fraction)
degrees: 0.0 # (float) image rotation (+/- deg) 图像旋转角度（+/- 度数）。
translate: 0.1 # (float) image translation (+/- fraction) 图像平移（+/- 比例）。
scale: 0.5 # (float) image scale (+/- gain) 规模
shear: 0.0 # (float) image shear (+/- deg) 图像剪切（+/- 度数）。
perspective: 0.0 # (float) image perspective (+/- fraction), range 0-0.001 图像透视（+/- 比例），范围0-0.001。
flipud: 0.0 # (float) image flip up-down (probability) 图像上下翻转（概率）。
fliplr: 0.5 # (float) image flip left-right (probability) 图像左右翻转（概率）。
bgr: 0.0 # (float) image channel BGR (probability) 图像通道BGR（概率）。
mosaic: 1.0 # (float) image mosaic (probability) 图像马赛克（概率）。
mixup: 0.0 # (float) image mixup (probability) 图像混合（概率）。
copy_paste: 0.0 # (float) segment copy-paste (probability) 分割拷贝粘贴（概率）
auto_augment: randaugment # (str) auto augmentation policy for classification (randaugment, autoaugment, augmix)
erasing: 0.4 # (float) probability of random erasing during classification training (0-1)
crop_fraction: 1.0 # (float) image crop fraction for classification evaluation/inference (0-1)
------------------常用的几个超参数-------------------------------
degrees: 图像旋转角度（+/- 度数）。
translate: 图像平移（+/- 比例）。
scale: 图像缩放（+/- 增益）。
shear: 图像剪切（+/- 度数）。
perspective: 图像透视（+/- 比例），范围0-0.001。 就是把图片从2d视角变3d视角，会歪曲图片
flipud: 图像上下翻转（概率）。
fliplr: 图像左右翻转（概率）。
bgr: 图像通道BGR（概率）。
mosaic: 图像马赛克（概率）。
mixup: 图像混合（概率）。
copy_paste: 分割拷贝粘贴（概率）。
# Custom config.yaml ---------------------------------------------------------------------------------------------------
cfg: # (str, optional) for overriding defaults.yaml
# Tracker settings 跟踪器------------------------------------------------------------------------------------------------------
tracker: botsort.yaml # (str) tracker type, choices=[botsort.yaml, bytetrack.yaml]