【YOLOV5-5.x 源码解读】hyp.scratch.yaml

前言

源码： YOLOv5源码.
链接: 【YOLOV5-5.x 源码讲解】整体项目文件导航.
注释版全部项目文件已上传至GitHub: yolov5-5.x-annotations.

这个脚本存放的是yolov5的相关超参。

这个超参只是yolov5作者根据工程经验得出的一些初始超参，对于一个新的数据集，这些参数未必是最佳的，所以yolov5的作者提供了一个遗传算法超参进化的策略。在train.py中main函数的最后：

调用起来也很简单，只要把opt.evolve参数设为True即可，如下：

注意事项

\qquad在打开超参配置文件的时候，有时候会显示一些乱码错误如：’utf’ 、'gbk’等字样，那通常是你的配置文件中有中文注释，所以报错。应该在打开配置文件的时候使用UTF-8的格式打开：

1、训练相关参数

# 1、训练相关参数
lr0: 0.01              # 初始学习率(SGD=1E-2, Adam=1E-3)
lrf: 0.2               # 最终学习率, 以one_cycle形式或者线性从lr0衰减至lr0 * lrf
momentum: 0.937        # SGD momentum/Adam beta1
weight_decay: 0.0005   # optimizer权重衰减系数 5e-4
warmup_epochs: 3.0     # 前3个epoch进行warmup
warmup_momentum: 0.8   # warmup初始化动量
warmup_bias_lr: 0.1    # warmup初始bias学习率

2、损失函数相关参数

# 2、损失函数相关参数
box: 0.05       # box iou损失系数
cls: 0.5        # cls分类损失系数
cls_pw: 1.0     # cls BCELoss正样本权重
obj: 1.0        # obj loss gain (scale with pixels)
obj_pw: 1.0     # obj BCELoss正样本权重
fl_gamma: 0.0   # focal loss gamma (efficientDet default gamma=1.5)

3、其他几个参数

# 3、其他几个参数
iou_t: 0.20     # 应该是很久以前使用的一个参数，因为那个时候筛选正负样本是靠iou来筛选的，这个iou_t应该就是筛选正负样本用的iou阈值，现在都用宽高比来筛选了，所以这个参数现在也没什么用了
anchor_t: 4.0   # anchor的长宽比阈值（长:宽 = 4:1） 用于k-means中计算 bpr和aat
#anchors: 3 # 每个输出层的anchors数量 (0 to ignore)

4、数据增强相关参数

# 4、数据增强相关参数
hsv_h: 0.015      # hsv增强系数 色调
hsv_s: 0.7        # hsv增强系数 饱和度
hsv_v: 0.4        # hsv增强系数 亮度
degrees: 0.0      # random_perspective增强系数 旋转角度 (+/- deg)
translate: 0.1    # random_perspective增强系数 平移 (+/- fraction)
scale: 0.5        # random_perspective增强系数 图像缩放 (+/- gain)
shear: 0.0        # random_perspective增强系数 图像剪切 (+/- deg)
perspective: 0.0  # random_perspective增强系数 透明度 (+/- fraction), range 0-0.001
flipud: 0.0       # 上下翻转数据增强(probability)
fliplr: 0.5       # 左右翻转数据增强(probability)
mosaic: 1.0       # mosaic数据增强(probability)
mixup: 0.0        # mixup数据增强(probability)
cutout: 0.0       # cutout数据增强(probability)

Reference

CSDN 王吉吉丫: YOLOv5.yaml文件 & 超参详细介绍.