Yolo model() 인자

 

인자,인수

YOLO model에 대한 train 설정은 데이터 세트에서 모델을 교육하는 데 사용되는 다양한 하이퍼파라미터 및 구성을 참조.한다. 이러한 설정은 모델의 성능, 속도 및 정확도에 영향을 줄 수 있다. 몇 가지 일반적인 YOLO 교육 설정에는 배치 크기, 학습 속도, 모멘텀 및 가중치 감쇠가 포함된다. 훈련 과정에 영향을 미칠 수 있는 다른 요인으로는 옵티마이저 선택, 손실 함수 선택, 훈련 데이터 세트의 크기 및 구성이 있다. 주어진 작업에 대해 가능한 최상의 성능을 얻으려면 이러한 설정을 신중하게 조정하고 실험하는 것이 중하다.

값 설명

model None 모델 파일의 경로, 즉 yolov8n.pt, yolov8n.yaml
data None 데이터 파일 경로, 예: coco128.yaml
epochs 100 훈련할 에포크 수
patience 50 학습을 조기에 중단하기 위해 눈에 띄는 개선이 없을 때까지 기다리는 에포크
batch 16 배치당 이미지 수(AutoBatch의 경우 -1)
imgsz 640 정수 또는 w,h로 입력 이미지 크기
save True 열차 검문소 저장 및 결과 예측
save_period -1 x epoch마다 체크포인트 저장(< 1인 경우 비활성화)
cache False 참/램, 디스크 또는 거짓. 데이터 로드에 캐시 사용
device None 실행할 장치, 즉 cuda device=0 또는 device=0,1,2,3 또는 device=cpu
workers 8 데이터 로드를 위한 작업자 스레드 수(DDP인 경우 RANK당)
project None 프로젝트 이름
name None 실험 이름
exist_ok False 기존 실험을 덮어쓸지 여부
pretrained False 사전 훈련된 모델을 사용할지 여부
optimizer 'auto' 사용할 옵티마이저, 선택 항목=[SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto]
verbose False 자세한 출력을 인쇄할지 여부
seed 0 재현성을 위한 무작위 시드
deterministic True 결정론적 모드 활성화 여부
single_cls False 다중 클래스 데이터를 단일 클래스로 학습
rect False 최소 패딩을 위해 각 배치가 조합된 직사각형 훈련
cos_lr False 코사인 학습 속도 스케줄러 사용
close_mosaic 0 (int) 최종 시대에 대한 모자이크 증가 비활성화
resume False 마지막 체크포인트에서 훈련 재개
amp True AMP(자동 혼합 정밀도) 교육, 선택 항목=[True, False]
fraction 1.0 훈련할 데이터 세트 비율(기본값은 1.0, 훈련 세트의 모든 이미지)
profile False 로거 훈련 중 ONNX 및 TensorRT 속도 프로파일링
lr0 0.01 초기 학습률(예: SGD=1E-2, Adam=1E-3)
lrf 0.01 최종 학습률(lr0 * lrf)
momentum 0.937 SGD 모멘텀/아담 베타1
weight_decay 0.0005 옵티마이저 가중치 감쇠 5e-4
warmup_epochs 3.0 워밍업 에포크(분수 허용)
warmup_momentum 0.8 워밍업 초기 모멘텀
warmup_bias_lr 0.1 워밍업 초기 바이어스 lr
box 7.5 상자 손실 이득
cls 0.5 cls 손실 이득(픽셀로 크기 조정)
dfl 1.5 dfl 손실 이득
pose 12.0 포즈 로스 게인(포즈 전용)
kobj 2.0 keypoint obj 손실 게인(포즈 전용)
label_smoothing 0.0 레이블 스무딩(분수)
nbs 64 공칭 배치 크기
overlap_mask True 훈련 중에 마스크가 겹쳐야 합니다(세그먼트 훈련에만 해당).
mask_ratio 4 마스크 다운샘플링 비율(세그먼트 트레인만 해당)
dropout 0.0 드롭아웃 정규화 사용(열차만 분류)
val True 훈련 중 검증/테스트