[yolov5] Learn and practice

观看笔记

YoloAll V2发布，集成所有主流Yolo模型于一身

可视化的YoloX训练项目

YoloX EasyTrain：https://github.com/DL-Practise/YoloX_EasyTrain

都是基于 caffe 的 solution。

 

【目标检测YOLOv5项目调试与实战讲解】项目介绍及环境配置

• Inference

第四节，讲解了inference的参数配置和演示：detect.py

 

• Training

【目标检测YOLOv5项目调试与实战讲解】训练YOLOv5模型（本地）(一）

训练参数讲解12:50开始：https://github.com/ultralytics/yolov5/blob/master/train.py

 

【本尊亲自解答】

• • How to change number of layers to train #3885

ArgoHA opened this issue on 5 Jul 2021 · 5 comments

@ArgoHA all layers are trained by default for best results. To freeze layers see Transfer Learning with Frozen Layers tutorial:

 

• • Transfer Learning with Frozen Layers #1314

so we can define the freeze list to contain all modules with 'model.0.' - 'model.9.' in their names:

python train.py --freeze 10

 

v0.6开始添加的新特性，有了如下的超参数设置选项。

parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')

 

mosaic: 1.0  # image mosaic (probability)

Ref: https://medium.com/analytics-vidhya/object-detection-algorithm-yolo-v5-architecture-89e0a35472ef

缓解了position bias的问题。

 

 

mixup: 0.0  # image mixup (probability)

https://blog.csdn.net/nibidal/article/details/121251011

非常失真，我不是很喜欢。

 

• Testing

如何本地测试F1 score？自己写代码。

 

  

• 自定义数据集

【目标检测YOLOv5项目调试与实战讲解】自制数据集及训练

提及了makesense.ai 制作标签。

 那些个“失真”的augumentation，在检测小目标时，可以适当去掉。

 

Ref: https://github.com/USC-InfoLab/rddc2020

Performance on RDDC test datasets

YOLOv5x_448_32_aug2	YOLOv5x_640_16_95	YOLOv5x_640_16_100	YOLOv5x_640_32	YOLOv5x_640_16_aug2	YOLOv5x_640_32_aug2	test1 F1-score	test2 F1-score
						0.66697383879131	0.651389430313506
						0.674878682854973	0.665632401648316
						0.674198239966431	0.666213894130645