数据科学与编程

YOLOv5的更新速度真的很快，运行最新的code可能会出现这样的errors：

YOLOv5从入门到部署之：配置与初始化超参

这是因为最新的代码中添加了wandb功能，要先注册一个wandb的账号，然后把在https://wandb.ai/authorize申请的api配置到电脑上，这样就可以实时看到损失、权重和偏置了。

下面就开始《YOLOv5从入门到部署之：配置与初始化超参》的内容了。

1 网络配置文件

Yolov5的配置文件为yaml类型，yolov5*.yaml文件通过yolo.py解析文件配置模型的网络结构。yaml文件配置网络的好处是十分的方便不需要像Yolov3的config设置网络一样进行叠加，只需要在yaml配置文件中的参数进行修改即可。为了更好的了解和修改yolov5的配置文件下面以yolov5s.yaml文件为例介绍网络配置文件的参数。

Yolov5s.yaml

（1）模型的深度和宽度

# parametersnc: 80  
# number of classesdepth_multiple: 0.33  
# model depth multiplewidth_multiple: 0.50  
# layer channel multiple

# parametersnc: 80

# number of classesdepth_multiple: 0.33

# model depth multiplewidth_multiple: 0.50

# layer channel multiple

nc：目标的类别数量。

depth_multiple：模型深度控制模块的数量，当模块的数量number不为1时，

模块的数量 = number * depth。

width_multiple：模型的宽度控制卷积核的数量，卷积核的数量 = 数量 * width。

（2）Acnhor

# anchors  anchors:    - [10,13, 16,30, 33,23]  
# P3/8  检测小目标  10，13是一组尺寸，一共三组    
- [30,61, 62,45, 59,119]  # P4/16     
- [116,90, 156,198, 373,326]  # P5/32  检测大目标

# anchors anchors: - [10,13, 16,30, 33,23]

# P3/8 检测小目标 10，13是一组尺寸，一共三组

- [30,61, 62,45, 59,119] # P4/16

- [116,90, 156,198, 373,326] # P5/32 检测大目标

yolov5已经在yaml预设好了输入图像为640*640分辨率对应的anchor尺寸，yolov5的anchor也是在大特征图上检测小目标，在小特征图上检测大目标。三个特征图，每个特征图上的格子有三种尺寸的anchor。

（3）Backbone

# YOLOv5 backbone  
backbone:    
# from   
第一列 输入来自哪一层  -1代表上一层， 4代表第4层       
# number 第二列 卷积核的数量    最终数量需要乘上width    
# module 第三列 模块名称 包括：Conv Focus BottleneckCSP SPP    
# args   第四列 模块的参数     
# [from, number, module, args]    
[[-1, 1, Focus, [64, 3]],  
# 0-P1/2     
[-1, 1, Conv, [128, 3, 2]],  
# 1-P2/4 卷积核的数量 = 128 * wedith = 128*0.5=64           
[-1, 3, BottleneckCSP, [128]],       
模块数量 = 3 * depth =3*0.33=1     
[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8        
[-1, 9, BottleneckCSP, [256]],       
模块数量 = 9 * depth =9*0.33=3     
[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16         
[-1, 9, BottleneckCSP, [512]],     
[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32         
[-1, 1, SPP, [1024, [5, 9, 13]]],    
[-1, 3, BottleneckCSP, [1024, False]],  # 9    ]

# YOLOv5 backbone

backbone:

# from

第一列输入来自哪一层 -1代表上一层， 4代表第4层

# number 第二列卷积核的数量最终数量需要乘上width

# module 第三列模块名称包括：Conv Focus BottleneckCSP SPP

# args 第四列模块的参数

# [from, number, module, args]

[[-1, 1, Focus, [64, 3]],

# 0-P1/2

[-1, 1, Conv, [128, 3, 2]],

# 1-P2/4 卷积核的数量 = 128 * wedith = 128*0.5=64

[-1, 3, BottleneckCSP, [128]],

模块数量 = 3 * depth =3*0.33=1

[-1, 1, Conv, [256, 3, 2]], # 3-P3/8

[-1, 9, BottleneckCSP, [256]],

模块数量 = 9 * depth =9*0.33=3

[-1, 1, Conv, [512, 3, 2]], # 5-P4/16

[-1, 9, BottleneckCSP, [512]],

[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32

[-1, 1, SPP, [1024, [5, 9, 13]]],

[-1, 3, BottleneckCSP, [1024, False]], # 9 ]

a、Focus：对特征图的切片操作，模块参数args分析：[[-1, 1, Focus, [64, 3]] 中的[64, 3] 解析得到[3, 32, 3] ，输入为3（RGB），输出为64*0.5 = 32，3是卷积核 3*3

b、Conv：这里的Conv由conv+Bn+Leaky_relu激活函数三者组成，模块参数args分析：[-1, 1, Conv, [128, 3, 2]]中的128 是卷积核数量，最终数量需要乘上width = 128 *0.5 = 64，3是卷积核 3*3，2是步长。

c、BottleneckCSP：借鉴CSPNet网络结构，由三个卷积层和X个Res unint模块Concate组成，如果带有False参数就是没有使用Res unint模块，而是采用conv+Bn+Leaky_relu

d、SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合。

（4）Head

# YOLOv5 head  
head:    
[[-1, 1, Conv, [512, 1, 1]],     
[-1, 1, nn.Upsample, [None, 2, 'nearest']],     
上采样     
[[-1, 6], 1, Concat, [1]],
#cat backbone P4 [-1, 6]代表cat上一层和第6层     [
-1, 3, BottleneckCSP, [512, False]],  
# 13 第13层                
[-1, 1, Conv, [256, 1, 1]],     
[-1, 1, nn.Upsample, [None, 2, 'nearest']],     
上采样     
[[-1, 4], 1, Concat, [1]],
#cat backbone P3 [-1,4]代表cat上一层和第4层     
[-1, 3, BottleneckCSP, [256, False]], 
# 17 (P3/8-small)    第17层       
[-1, 1, Conv, [256, 3, 2]],     
[[-1, 14], 1, Concat, [1]], 
#cat head P4 [-1,14]代表cat上一层和第14层     
[-1, 3, BottleneckCSP, [512, False]],  
# 20 (P4/16-medium)  第20层       
[-1, 1, Conv, [512, 3, 2]],                          
[[-1, 10], 1, Concat, [1]], 
#cat head P5 [-1,10]代表cat上一层和第10层     
[-1, 3, BottleneckCSP, [1024, False]],  
# 23 (P5/32-large)  第23层          
[[17, 20, 23], 1, Detect, [nc, anchors]], 
# Detect(P3, P4, P5)    ]
#Detect [17, 20, 23] 代表输入的层数17和20和23

# YOLOv5 head

head:

[[-1, 1, Conv, [512, 1, 1]],

[-1, 1, nn.Upsample, [None, 2, 'nearest']],

上采样

[[-1, 6], 1, Concat, [1]],

#cat backbone P4 [-1, 6]代表cat上一层和第6层 [

-1, 3, BottleneckCSP, [512, False]],

# 13 第13层

[-1, 1, Conv, [256, 1, 1]],

[-1, 1, nn.Upsample, [None, 2, 'nearest']],

上采样

[[-1, 4], 1, Concat, [1]],

#cat backbone P3 [-1,4]代表cat上一层和第4层

[-1, 3, BottleneckCSP, [256, False]],

# 17 (P3/8-small) 第17层

[-1, 1, Conv, [256, 3, 2]],

[[-1, 14], 1, Concat, [1]],

#cat head P4 [-1,14]代表cat上一层和第14层

[-1, 3, BottleneckCSP, [512, False]],

# 20 (P4/16-medium) 第20层

[-1, 1, Conv, [512, 3, 2]],

[[-1, 10], 1, Concat, [1]],

#cat head P5 [-1,10]代表cat上一层和第10层

[-1, 3, BottleneckCSP, [1024, False]],

# 23 (P5/32-large) 第23层

[[17, 20, 23], 1, Detect, [nc, anchors]],

# Detect(P3, P4, P5) ]

#Detect [17, 20, 23] 代表输入的层数17和20和23

Yolov5 Head 包括 Neck 和 Detector head 两部分，Neck部分使用了PANet的结构， Detector head使用和yolov3一样的head。

其中，BottleneckCSP带有False参数说明没有使用Res unit结构而是采用了conv+Bn+Leaky_relu。

2 初始化超参数

(1) hpy超参数

hpy超参数包括：lr、weight_decay、momentum和图像处理的参数等，Yolov5已经设置好了训练Coco和 Voc数据集的超参数，分别data文件夹下的hyp.finetune.yaml和hyp.scratch.yaml。

# Hyperparameters for VOC finetuning  
python train.py --batch 64 --weights yolov5m.pt --data voc.yaml --img 512 --epochs 50  
lr0: 0.0032  #学习率  
lrf: 0.12    # 余弦退火超参数  
momentum: 0.843  # 学习率动量  
weight_decay: 0.00036  # 权重衰减系数  
warmup_epochs: 2.0  #预热学习
epoch  warmup_momentum: 0.5 #预热学习率动量  
warmup_bias_lr: 0.05 #预热学习率  
box: 0.0296  # giou损失的系数  
cls: 0.243  # 分类损失的系数  
cls_pw: 0.631 #分类BCELoss中正样本的权重  
obj: 0.301  # 有无物体损失的系数  
obj_pw: 0.911  # 有无物体BCELoss中正样本的权重  
iou_t: 0.2    # 标签与anchors的iou阈值iou training threshold  
anchor_t: 2.91  # 标签的长h宽w/anchor的长h_a宽w_a阈值, 即h/h_a, w/w_a都要在(1/2.91, 2.91)之间anchor-multiple threshold
anchors: 3.63  # 下面是一些数据增强的系数, 包括颜色空间和图片空间  
fl_gamma: 0.0  
hsv_h: 0.0138  # 色调  
hsv_s: 0.664   # 饱和度  
hsv_v: 0.464   # 明度  
degrees: 0.373 #旋转角度  
translate: 0.245  # 水平和垂直平移  
scale: 0.898   # 缩放  
shear: 0.602  # 剪切  
perspective: 0.0  # 透视变换参数  
flipud: 0.00856  # 上下翻转  
fliplr: 0.5   # 左右翻转  
mosaic: 1.0   #进行mosaic的概率  
mixup: 0.243  #进行mixup的概率

# Hyperparameters for VOC finetuning

python train.py --batch 64 --weights yolov5m.pt --data voc.yaml --img 512 --epochs 50

lr0: 0.0032 #学习率

lrf: 0.12 # 余弦退火超参数

momentum: 0.843 # 学习率动量

weight_decay: 0.00036 # 权重衰减系数

warmup_epochs: 2.0 #预热学习

epoch warmup_momentum: 0.5 #预热学习率动量

warmup_bias_lr: 0.05 #预热学习率

box: 0.0296 # giou损失的系数

cls: 0.243 # 分类损失的系数

cls_pw: 0.631 #分类BCELoss中正样本的权重

obj: 0.301 # 有无物体损失的系数

obj_pw: 0.911 # 有无物体BCELoss中正样本的权重

iou_t: 0.2 # 标签与anchors的iou阈值iou training threshold

anchor_t: 2.91 # 标签的长h宽w/anchor的长h_a宽w_a阈值, 即h/h_a, w/w_a都要在(1/2.91, 2.91)之间anchor-multiple threshold

anchors: 3.63 # 下面是一些数据增强的系数, 包括颜色空间和图片空间

fl_gamma: 0.0

hsv_h: 0.0138 # 色调

hsv_s: 0.664 # 饱和度

hsv_v: 0.464 # 明度

degrees: 0.373 #旋转角度

translate: 0.245 # 水平和垂直平移

scale: 0.898 # 缩放

shear: 0.602 # 剪切

perspective: 0.0 # 透视变换参数

flipud: 0.00856 # 上下翻转

fliplr: 0.5 # 左右翻转

mosaic: 1.0 #进行mosaic的概率

mixup: 0.243 #进行mixup的概率

训练别的数据集可以自定义超参数在train.py的meta字典里面修改具体的超参数也可以自己添加hpy.yaml的超参数配置文件，在训练参数的—hpy设置好超参数配置文件的路径就行。

（2）训练超参数：

训练超参数包括配置文件yaml的选择，和训练图片的大小，预训练，batch，epoch等。

可以直接在train.py代码中修改也可以在命令行执行时修改，如：

$ python train.py –data coco.yaml –cfg yolov5s.yaml –weights ” –batch-size 64

–data 设置数据的配置文件 –cfg 设置网络结构的配置文件 –weihts 加载预训练模型的路径

YOLOv5从入门到部署之：配置与初始化超参

3 Next

下一篇，《YOLOv5从入门到部署》系列将会介绍：数据读取与扩增部分。

打赏赞

yolov5 计算机视觉

本站上原创文章未经作者许可，不得用于商业用途，仅做学习交流使用，本站免责声明。转载请注明出处，否则保留追究法律责任的权利。《署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0)》许可协议授权
数据科学与编程 » YOLOv5从入门到部署之：配置与初始化超参

分享到：

发表评论取消回复

投稿请登录

回复时间

2021年2月
一	二	三	四	五	六	日
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

相关推荐

发表评论 取消回复

提供最优质的博文资源集合

投稿请登录

回复时间

发表评论取消回复