目次
1. ハイパーパラメータの設定
1. 適応関数を定義する
遺伝的アルゴリズムにおける適応度は、個人のパフォーマンスを表す主な指標であり、アルゴリズムの収束速度と最適な解が見つかるかどうかに直接影響します。フィットネスは、トレーニング中に最大化されることが求められる値です。YOLOv5 のデフォルトのフィットネス関数は、インジケーターの重み付けされた組み合わせです: mAP_0.5 は重みの 10% を占め、mAP_0.5:0.95 は重みの 90% を占め、精度と再現率はありません。
定義された場所は ./utils/metric.py にあります。
def fitness(x):
# Model fitness as a weighted combination of metrics
w = [0.0, 0.0, 0.1, 0.9] # weights for [P, R, [email protected], [email protected]:0.95]
return (x[:, :4] * w).sum(1)2. モデルの深さと幅を定義する
YOLOv5 では、さまざまなサイズのモデルを取得するために Depth_multiple 係数と width_multiple 係数が導入されています。
nc: 1 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multipleDepth_multiple は、チャネルのズーム係数を示します。これは、構成内のバックボーンおよびヘッド部分のチャネル設定にこの係数を乗算します。また、width_multiple は、BottleneckCSP モジュールのレイヤー スケーリング係数を表し、すべての BottleneckCSP モジュールの数係数にこのパラメーターが乗算されて、最終的なレイヤー数が得られます。これら 2 つのパラメーターを通じて、さまざまなサイズと複雑さのモデル設計を実現できることがわかります。
同じファイルの下のバックボーンとヘッドには、ネットワーク構造が記録されます。
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]from: 最初の列。入力がどのレイヤーから来たかを表し、-1 は前のレイヤーを表し、4 は 4 番目のレイヤーを表します。
数値: 2 番目の列; コンボリューション カーネルの数、最終的な数値には幅を掛ける必要があります
モジュール: 3 番目の列; Conv Focus BottleneckCSP SPP # を含むモジュール名
args: 4 番目の列; モジュールのパラメータ
2. 移行トレーニングの設定
1. 転送トレーニング用にフリーズ層を設定する
一部のレイヤーをフリーズすることによる移行トレーニングにより、新しいモデルでの高速な再トレーニングが可能になり、トレーニング リソースが節約されます。YOLOv5 のすべてのレイヤーのフリーズは、その勾配をゼロに設定することで実現され、実行場所は train.py 内にあります。
# Freeze
freeze = [f'model.{x}.' for x in (freeze if len(freeze) > 1 else range(freeze[0]))] # layers to freeze
for k, v in model.named_parameters():
v.requires_grad = True # train all layers
if any(x in k for x in freeze):
LOGGER.info(f'freezing {k}')
v.requires_grad = Falseネットワーク層は ./model/yolov5x.yaml で確認できます。
バックボーンは0～9層です
先頭はレイヤー 13 ～ 23
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
合格：
python train.py --freeze 10トレーニングのために頭をフリーズさせます。
合格：
python train.py --freeze 24トレーニング用の出力レイヤーを除くすべてのレイヤーをフリーズします。