YOLOv5超参数、迁移训练设置

最新推荐文章于 2026-07-17 21:02:23 发布

原创最新推荐文章于 2026-07-17 21:02:23 发布 · 9.9k 阅读

102

收录于

当前文章被以下社区和专栏收录：

Yolov5 专栏收录该内容

12 篇文章 ¥15.90 ¥99.00

订阅专栏

超级会员免费看

本文详细介绍了YOLOv5的超参数设置，包括定义自适应函数和模型深度与宽度的调整。在适应度函数部分，讨论了遗传算法中的适应度指标和YOLOv5的默认设置。在模型深度和宽度方面，解释了depth_multiple和width_multiple如何影响模型大小和复杂度。此外，还探讨了迁移训练的设置，特别是如何通过冻结层来节省训练资源。

一、超参数设置

1. 定义自适应函数

遗传算法中适应度（fitness）是描述个体性能的主要指标，直接影响到算法的收敛速度以及能否找到最优解。适应度是训练中寻求最大化的一个值。YOLOv5默认的适应度函数为各指标的加权组合：mAP_0.5占10%权重；mAP_0.5:0.95占90%权重，不存在Precision和Recall。

定义的位置在./utils/metric.py:

def fitness(x):
    # Model fitness as a weighted combination of metrics
    w = [0.0, 0.0, 0.1, 0.9]  # weights for [P, R, mAP@0.5, mAP@0.5:0.95]
    return (x[:, :4] * w).sum(1)