配置¶

MindYOLO套件同时支持yaml文件参数和命令行参数解析，并将相对固定、与模型强相关、较为复杂或者含有嵌套结构的参数编写成yaml文件，需根据实际应用场景更改或者较为简单的参数则通过命令行传入。

下面以yolov3为例，解释如何配置相应的参数。

参数继承关系¶

参数优先级由高到低如下，出现同名参数时，低优先级参数会被高优先级参数覆盖

用户命令行传入参数
命令行传入config参数对应的yaml文件参数
命令行传入config参数对应的yaml文件中__BASE__参数中包含的yaml文件参数，例如yolov3.yaml含有如下参数：

__BASE__: [
  '../coco.yaml',
  './hyp.scratch.yaml',
]

train.py/infer.py文件中parser的默认参数

基础参数¶

`train.py` 参数说明¶

--config: yaml配置文件路径
--task: 配置训练任务，检测任务选择detect 或分割任务选择segment，默认是检测任务
--device_target: 选择运行设备，Ascend/CPU，默认是Ascend
--save_dir: 运行结果保存路径，默认为./runs
--log_level: 日志打印的级别，默认为INFO
--is_parallel: 是否分布式训练，默认为False
--ms_mode: 配置mindspore的运行模式，静态图模式(0)或动态图模式(1)，默认为0。
--max_call_depth: 配置函数的最大调用深度
--ms_amp_level: 配置mindspore中的自动混合精度(auto-mix-precision)的级别，默认为O0
--keep_loss_fp32: 是否让loss保持float32计算
--anchor_base: 是否是anchor base类的算法
--ms_loss_scaler: 选择loss scaler的类型，默认static，用于对最终loss乘上一个比较大的数以使得混合精度
--ms_loss_scaler_value: 设置loss scaler的默认数值
--ms_jit: 是否使用jit编译
--ms_enable_graph_kernel: 是否使用图算融合操作
--ms_datasink: 是否使用数据下沉
--overflow_still_update: 在出现overflow的时候，是否仍然更新权重
--clip_grad: 是否使用梯度裁剪
--clip_grad_value: 设置梯度裁剪数值，默认10.0，配合--clip_grad参数使用
--ema: Exponential Moving Average，是否使用指数滑动平均操作
--weight: 初始化权重的路径
--ema_weight: 初始化ema权重的路径
--freeze: 冻结不进行权重更新的层
--epochs: 训练epoch数，默认为300
--per_batch_size: 每张卡的批处理大小，默认为32
--img_size: 训练的图片尺寸大小，默认640
--nbs: nominal batch size, 基准批处理大小，用来作为学习率和梯度累积的缩放基准，如果实际的total_batch_size小于nbs，就会通过梯度累积 (gradient accumulation) 来模拟更大的有效批大小，从而保持训练的稳定性
--accumulate: 设置进行梯度累加的step数量，默认为1，即不进行梯度累加
--auto_accumulate: 是否进行自动梯度累加操作
--log_interval: 打印日志的step间隔，默认为100，即每100个step打印一次日志
--single_cls: 是否使用多类别的数据训练单类别的模型
--sync_bn: 是否启用同步BatchNorm操作
--keep_checkpoint_max: 设置最大的保存权重的数量，如果超过这个数量，优先保存新的权重，前面训练的中间权重会被覆盖。
--run_eval: 是否在训练过程中执行推理操作
--conf_thres: confidence threshold, 配置置信度阈值，默认为0.001，配合--run_eval参数使用
--iou_thres: IOU threshold, 配置NMS非极大值抑制计算过程中的IOU阈值，默认为0.65，配合--run_eval参数使用
--conf_free: 是否模型的输出包含confidence的预测
--rect: 是否启用Rectangular数据增强方法
--nms_time_limit: 设置NMS非极大值抑制计算的时间限制，超过则退出NMS
--recompute: 是否启用重计算操作，默认为False
--recompute_layers: 配置需要进行重计算的层，默认为0，配合--recompute参数使用
--seed: 设置全局随机种子，默认为2
--summary: 是否收集训练过程的loss
--profiler: 是否开启profiler操作
--profiler_step_num: 配置profiler的step数，默认为1，配合--profiler参数使用
--opencv_threads_num: 设置opencv的线程数量，默认为2
--strict_load: 是否严格加载初始化权重

下面的参数是用于在 ModelArts 平台训练的一些额外配置：

--enable_modelarts: 是否使用ModelArts环境进行训练
--data_url: 数据集所在的obs文件夹路径
--ckpt_url: 预训练权重所在的obs文件夹路径
--multi_data_url: 多个数据集所在的obs文件夹路径列表
--pretrain_url: 多个预训练权重所在的obs文件夹路径列表
--train_url: 模型输出的obs路径
--data_dir: 本地机器的数据集路径 (modelarts上会把--data_url的数据集从obs上拷贝到本地机器)
--ckpt_dir: 本地机器的权重路径 (modelarts上会把--ckpt_url的预训练权重从obs上拷贝到本地机器)

命令行参数传入¶

该部分参数通常由命令行传入，示例如下：

msrun --worker_num=8 --local_worker_num=8 --bind_core=True --log_dir=./yolov7_log python train.py --config ./configs/yolov7/yolov7.yaml  --is_parallel True --log_interval 50

数据集¶

参数说明¶

dataset_name: 数据集名称
train_set: 训练集所在路径
val_set: 验证集所在路径
test_set: 测试集所在路径
nc: 数据集类别数
names: 类别名称
...

yaml文件样例¶

该部分参数在configs/coco.yaml中定义，通常需修改其中的数据集路径

data:
 dataset_name: coco

 train_set: ./coco/train2017.txt  # 118287 images
 val_set: ./coco/val2017.txt  # 5000 images
 test_set: ./coco/test-dev2017.txt  # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

 nc: 80

 # class names
 names: [ 'person', 'bicycle', 'car', 'motorcycle', 'airplane', 'bus', 'train', 'truck', 'boat', 'traffic light',
          'fire hydrant', 'stop sign', 'parking meter', 'bench', 'bird', 'cat', 'dog', 'horse', 'sheep', 'cow',
          'elephant', 'bear', 'zebra', 'giraffe', 'backpack', 'umbrella', 'handbag', 'tie', 'suitcase', 'frisbee',
          'skis', 'snowboard', 'sports ball', 'kite', 'baseball bat', 'baseball glove', 'skateboard', 'surfboard',
          'tennis racket', 'bottle', 'wine glass', 'cup', 'fork', 'knife', 'spoon', 'bowl', 'banana', 'apple',
          'sandwich', 'orange', 'broccoli', 'carrot', 'hot dog', 'pizza', 'donut', 'cake', 'chair', 'couch',
          'potted plant', 'bed', 'dining table', 'toilet', 'tv', 'laptop', 'mouse', 'remote', 'keyboard', 'cell phone',
          'microwave', 'oven', 'toaster', 'sink', 'refrigerator', 'book', 'clock', 'vase', 'scissors', 'teddy bear',
          'hair drier', 'toothbrush' ]

数据增强¶

参数说明¶

num_parallel_workers: 读取数据的工作进程数
train_transformers: 训练过程数据增强
test_transformers: 验证过程数据增强
...

yaml文件样例¶

该部分参数在configs/yolov3/hyp.scratch.yaml中定义，其中train_transformers和test_transformers均为由字典组成的列表，各字典包含数据增强操作名称、发生概率及该增强方法相关的参数

data:
  num_parallel_workers: 8

  train_transforms:
    - { func_name: mosaic, prob: 1.0, mosaic9_prob: 0.0, translate: 0.1, scale: 0.9 }
    - { func_name: mixup, prob: 0.1, alpha: 8.0, beta: 8.0, needed_mosaic: True }
    - { func_name: hsv_augment, prob: 1.0, hgain: 0.015, sgain: 0.7, vgain: 0.4 }
    - { func_name: label_norm, xyxy2xywh_: True }
    - { func_name: albumentations }
    - { func_name: fliplr, prob: 0.5 }
    - { func_name: label_pad, padding_size: 160, padding_value: -1 }
    - { func_name: image_norm, scale: 255. }
    - { func_name: image_transpose, bgr2rgb: True, hwc2chw: True }

  test_transforms:
    - { func_name: letterbox, scaleup: False }
    - { func_name: label_norm, xyxy2xywh_: True }
    - { func_name: label_pad, padding_size: 160, padding_value: -1 }
    - { func_name: image_norm, scale: 255. }
    - { func_name: image_transpose, bgr2rgb: True, hwc2chw: True }

模型¶

参数说明¶

model_name: 模型名称
depth_multiple: 模型深度因子
width_multiple: 模型宽度因子
stride: 特征图下采样倍数
anchors: 预设锚框
backbone: 模型骨干网络
head: 模型检测头

yaml文件样例¶

该部分参数在configs/yolov3/yolov3.yaml中定义，根据backbon和head参数进行网络构建，参数以嵌套列表的形式呈现，每行代表一层模块，包含4个参数，分别是输入层编号(-1代表上一层)、模块重复次数、模块名称和模块相应参数。用户也可以不借助yaml文件而直接在py文件中定义和注册网络。

network:
  model_name: yolov3

  depth_multiple: 1.0  # model depth multiple
  width_multiple: 1.0  # layer channel multiple
  stride: [8, 16, 32]
  anchors:
    - [10,13, 16,30, 33,23]  # P3/8
    - [30,61, 62,45, 59,119]  # P4/16
    - [116,90, 156,198, 373,326]  # P5/32

  # darknet53 backbone
  backbone:
    # [from, number, module, args]
    [[-1, 1, ConvNormAct, [32, 3, 1]],  # 0
     [-1, 1, ConvNormAct, [64, 3, 2]],  # 1-P1/2
     [-1, 1, Bottleneck, [64]],
     [-1, 1, ConvNormAct, [128, 3, 2]],  # 3-P2/4
     [-1, 2, Bottleneck, [128]],
     [-1, 1, ConvNormAct, [256, 3, 2]],  # 5-P3/8
     [-1, 8, Bottleneck, [256]],
     [-1, 1, ConvNormAct, [512, 3, 2]],  # 7-P4/16
     [-1, 8, Bottleneck, [512]],
     [-1, 1, ConvNormAct, [1024, 3, 2]],  # 9-P5/32
     [-1, 4, Bottleneck, [1024]],  # 10
    ]

  # YOLOv3 head
  head:
    [[-1, 1, Bottleneck, [1024, False]],
     [-1, 1, ConvNormAct, [512, 1, 1]],
     [-1, 1, ConvNormAct, [1024, 3, 1]],
     [-1, 1, ConvNormAct, [512, 1, 1]],
     [-1, 1, ConvNormAct, [1024, 3, 1]],  # 15 (P5/32-large)

     [-2, 1, ConvNormAct, [256, 1, 1]],
     [-1, 1, Upsample, [None, 2, 'nearest']],
     [[-1, 8], 1, Concat, [1]],  # cat backbone P4
     [-1, 1, Bottleneck, [512, False]],
     [-1, 1, Bottleneck, [512, False]],
     [-1, 1, ConvNormAct, [256, 1, 1]],
     [-1, 1, ConvNormAct, [512, 3, 1]],  # 22 (P4/16-medium)

     [-2, 1, ConvNormAct, [128, 1, 1]],
     [-1, 1, Upsample, [None, 2, 'nearest']],
     [[-1, 6], 1, Concat, [1]],  # cat backbone P3
     [-1, 1, Bottleneck, [256, False]],
     [-1, 2, Bottleneck, [256, False]],  # 27 (P3/8-small)

     [[27, 22, 15], 1, YOLOv3Head, [nc, anchors, stride]],   # Detect(P3, P4, P5)
    ]

损失函数¶

参数说明¶

name: 损失函数名称
box: box损失权重
cls: class损失权重
cls_pw: class损失正样本权重
obj: object损失权重
obj_pw: object损失正样本权重
fl_gamma: focal loss gamma
anchor_t: anchor shape比例阈值
label_smoothing: 标签平滑值

yaml文件样例¶

该部分参数在configs/yolov3/hyp.scratch.yaml中定义

loss:
  name: YOLOv7Loss
  box: 0.05  # box loss gain
  cls: 0.5  # cls loss gain
  cls_pw: 1.0  # cls BCELoss positive_weight
  obj: 1.0  # obj loss gain (scale with pixels)
  obj_pw: 1.0  # obj BCELoss positive_weight
  fl_gamma: 0.0  # focal loss gamma (efficientDet default gamma=1.5)
  anchor_t: 4.0  # anchor-multiple threshold
  label_smoothing: 0.0 # label smoothing epsilon

优化器¶

参数说明¶

optimizer: 优化器名称。
lr_init: 学习率初始值
warmup_epochs: warmup epoch数
warmup_momentum: warmup momentum初始值
warmup_bias_lr: warmup bias学习率初始值
min_warmup_step: 最小warmup step数
group_param: 参数分组策略
gp_weight_decay: 分组参数权重衰减系数
start_factor: 初始学习率因数
end_factor: 结束学习率因数
momentum：移动平均的动量
loss_scale：loss缩放系数
nesterov：是否使用Nesterov Accelerated Gradient (NAG)算法更新梯度。

yaml文件样例¶

该部分参数在configs/yolov3/hyp.scratch.yaml中定义，如下示例中经过warmup阶段后的初始学习率为lr_init * start_factor = 0.01 * 1.0 = 0.01, 最终学习率为lr_init * end_factor = 0.01 * 0.01 = 0.0001

optimizer:
  optimizer: momentum
  lr_init: 0.01  # initial learning rate (SGD=1E-2, Adam=1E-3)
  momentum: 0.937  # SGD momentum/Adam beta1
  nesterov: True # update gradients with NAG(Nesterov Accelerated Gradient) algorithm
  loss_scale: 1.0 # loss scale for optimizer
  warmup_epochs: 3  # warmup epochs (fractions ok)
  warmup_momentum: 0.8  # warmup initial momentum
  warmup_bias_lr: 0.1  # warmup initial bias lr
  min_warmup_step: 1000 # minimum warmup step
  group_param: yolov7 # group param strategy
  gp_weight_decay: 0.0005  # group param weight decay 5e-4
  start_factor: 1.0
  end_factor: 0.01

配置¶

参数继承关系¶

基础参数¶

train.py 参数说明¶

命令行参数传入¶

数据集¶

参数说明¶

yaml文件样例¶

数据增强¶

参数说明¶

yaml文件样例¶

模型¶

参数说明¶

yaml文件样例¶

损失函数¶

参数说明¶

yaml文件样例¶

优化器¶

参数说明¶

yaml文件样例¶

`train.py` 参数说明¶