电脑登录不了建设银行网站,网站的优化承诺,kratos的WordPress,手机软件网站原标题#xff1a;专栏 | 【从零开始学习YOLOv3】4. YOLOv3中的参数进化前言#xff1a;YOLOv3代码中也提供了参数进化(搜索)#xff0c;可以为对应的数据集进化一套合适的超参数。本文建档分析一下有关这部分的操作方法以及其参数的具体进化方法。1. 超参数YOLOv3中的 超参…原标题专栏 | 【从零开始学习YOLOv3】4. YOLOv3中的参数进化前言YOLOv3代码中也提供了参数进化(搜索)可以为对应的数据集进化一套合适的超参数。本文建档分析一下有关这部分的操作方法以及其参数的具体进化方法。1. 超参数YOLOv3中的 超参数在train.py中提供其中包含了一些数据增强参数设置具体内容如下hyp { giou: 3.54, # giou loss gaincls: 37.4, # cls loss gaincls_pw: 1.0, # cls BCELoss positive_weightobj: 49.5, # obj loss gain (*img_size/320 if img_size ! 320)obj_pw: 1.0, # obj BCELoss positive_weightiou_t: 0.225, # iou training thresholdlr0: 0.00579, # initial learning rate (SGD1E-3, Adam9E-5)lrf: -4., # final LambdaLR learning rate lr0 * (10 ** lrf)momentum: 0.937, # SGD momentumweight_decay: 0.000484, # optimizer weight decayfl_gamma: 0.5, # focal loss gammahsv_h: 0.0138, # image HSV-Hue augmentation (fraction)hsv_s: 0.678, # image HSV-Saturation augmentation (fraction)hsv_v: 0.36, # image HSV-Value augmentation (fraction)degrees: 1.98, # image rotation (/- deg)translate: 0.05, # image translation (/- fraction)scale: 0.05, # image scale (/- gain)shear: 0.641} # image shear (/- deg)2. 使用方法在训练的时候train.py提供了一个可选参数 --evolve , 这个参数决定了是否进行超参数搜索与进化(默认是不开启超参数搜索的)。具体使用方法也很简单python train.py --data data/voc.data--cfg cfg/yolov3-tiny.cfg--img-size 416--epochs 273--evolve实际使用的时候需要进行修改train.py中的约444行for_ inrange( 1): # generations to evolve将其中的1修改为你想设置的迭代数比如200代如果不设置结果将会如下图所示实际上就是只有一代。3. 原理整个过程比较简单对于进化过程中的新一代都选了了适应性最高的前一代(在前几代中)进行突变。以上所有的参数将有约20%的 1-sigma的正态分布几率同时突变。s 0.2# sigma整个进化过程需要搞清楚两个点如何评判其中一代的好坏下一代如何根据上一代进行进化**第一个问题**判断好坏的标准。deffitness(x):w [ 0.0, 0.0, 0.8, 0.2]# weights for [P, R, mAP, F1]0.5return(x[:, : 4] * w).sum( 1)YOLOv3进化部分是通过以上的适应度函数判断的适应度越高代表这一代的性能越好。而在适应度中是通过Precision,Recall ,mAP,F1这四个指标作为适应度的评价标准。其中的w是设置的加权如果更关心mAP的值可以提高mAP的权重如果更关心F1,则设置更高的权重在对应的F1上。这里分配mAP权重为0.8、F1权重为0.2。**第二个问题**如何进行进化进化过程中有 两个重要的参数:第一个参数为 parent, 可选值为 single 或者 weighted 这个参数的作用是决定如何选择上一代。如果选择single代表只选择上一代中最好的那个。ifparent singleorlen(x) 1:x x[fitness(x).argmax]如果选择weighted代表选择得分的前10个加权平均的结果作为下一代具体操作如下elifparent weighted: # weighted combinationn min( 10, len(x)) # number to mergex x[np.argsort(-fitness(x))][:n] # top n mutationsw fitness(x) - fitness(x).min # weightsx (x * w.reshape(n, 1)).sum( 0) / w.sum # new parent第二个参数为 method可选值为 1,2,3 , 分别代表使用三种模式来进化# Mutatemethod 2s 0.2# 20% sigmanp.random.seed(int(time.time))g np.array([ 1, 1, 1, 1, 1, 1, 1, 0, .1,1, 0, 1, 1, 1, 1, 1, 1, 1]) # gains# 这里的g类似加权ng len(g)ifmethod 1:v (np.random.randn(ng) *np.random.random * g * s 1) ** 2.0elifmethod 2:v (np.random.randn(ng) *np.random.random(ng) * g * s 1) ** 2.0elifmethod 3:v np.ones(ng)whileall(v 1):# 为了防止重复直到有变化才停下来r (np.random.random(ng) 0.1) * np.random.randn(ng)# 10% 的突变几率v (g * s * r 1) ** 2.0fori, k inenumerate(hyp.keys):hyp[k] x[i 7] * v[i]# 进行突变另外为了防止突变过程导致参数出现明显不合理的范围需要用一个范围进行框定将超出范围的内容剪切掉。具体方法如下# Clip to limitskeys [ lr0, iou_t, momentum,weight_decay, hsv_s,hsv_v, translate,scale, fl_gamma]limits [( 1e-5, 1e-2), ( 0.00, 0.70),( 0.60, 0.98), ( 0, 0.001),( 0, .9), ( 0, .9), ( 0, .9),( 0, .9), ( 0, 3)]fork, v inzip(keys, limits):hyp[k] np.clip(hyp[k], v[ 0], v[ 1])最终训练的超参数搜索的结果可视化参考资料官方issue: https://github.com/ultralytics/yolov3/issues/392官方代码https://github.com/ultralytics/yolov3责任编辑
