YOLOv5超参数优化与数据增强实战指南

1. 从零开始：理解YOLOv5的超参数与数据增强

如果你刚接触YOLOv5，可能会被那一堆配置文件里的数字搞得头晕。别担心，我刚上手的时候也一样。简单来说，超参数就是你在训练模型之前需要手动设定好的“旋钮”，它们控制着模型怎么学习、学多快、以及用什么“花样”来看待训练数据。而数据增强，就是给模型看的“花样”，通过随机改变训练图片的颜色、角度、位置等，让模型见识更广，变得更“聪明”、更“健壮”，不至于在真实复杂场景里“掉链子”。

YOLOv5把这两套系统做得非常清晰。所有的超参数都放在 data/hyps/ 目录下的YAML文件里，比如 hyp.scratch-low.yaml。数据增强的逻辑则主要在 utils/datasets.py 和 utils/augmentations.py 中实现。官方很贴心地提供了三套预设：低、中、高强度数据增强，分别对应不同的应用场景。比如你用的是一个标注非常精准、场景单一的工业数据集，可能用低增强就够了，避免“画蛇添足”。但如果你做的是自动驾驶，需要处理各种天气、光照、角度的街景，那中高强度的增强就是必须的，它能逼着模型去学习那些本质特征，而不是记住某张图片的特定样子。

我刚开始做无人机目标检测项目时，直接用了默认参数，结果模型在测试集的晴天图片上表现很好，一到阴天或多云图片，漏检率就飙升。这就是典型的过拟合——模型只记住了训练集里的“好天气”。后来我系统调整了超参数并增强了数据，特别是增加了色调和亮度的扰动，模型的鲁棒性才有了质的提升。所以，花时间琢磨这些“旋钮”和“花样”，绝对是性价比最高的投入。

2. 庖丁解牛：核心超参数详解与调优实战

YOLOv5的超参数大致可以分为四类：优化器相关、损失函数权重、训练策略和数据增强。我们一个个来看，并说说怎么调。

2.1 学习率与优化器：训练过程的“油门”和“方向盘”

lr0（初始学习率）和 lrf（最终学习率因子）是最关键的参数之一。你可以把学习率想象成下山找最低点的步长。步长太大（学习率太高），可能会在山谷两边跳来跳去，无法收敛；步长太小（学习率太低），下山速度慢，还可能卡在某个小坑里（局部最优）。YOLOv5默认使用 OneCycleLR 策略，它像一个聪明的教练：训练开始先慢慢热身（warmup_epochs），然后逐渐加速到峰值（lr0），再慢慢减速到终点（lr0 * lrf）。这个策略在实践中非常有效，通常不需要大改。

lr0: 0.01  # 初始学习率 (SGD用1E-2, Adam用1E-3)
lrf: 0.01  # 最终学习率 = lr0 * lrf
warmup_epochs: 3.0  # 热身3个epoch

怎么调？ 如果你从预训练模型微调，lr0 可以设小一点，比如 0.001（Adam）或 0.005（SGD），因为模型已经有个不错的基础。如果是从头训练，可以用默认值。如果你发现训练损失震荡很厉害，可以尝试减小 lr0；如果损失下降很慢，可以适当增大。warmup_epochs 对于稳定训练初期很有帮助，数据集特别小或者批次（batch size）设得很大时，可以稍微增加这个值。

momentum（动量）和 weight_decay（权重衰减）是优化器的“稳定器”。动量帮助参数更新保持惯性，冲过一些局部的小坑，默认值 0.937 在大多数情况下很好。权重衰减是一种正则化，防止模型参数变得过大而过拟合，默认 0.0005 是个温和的起点。如果你的模型在训练集上表现完美，在验证集上却很差（过拟合），可以尝试稍微增加 weight