【YOLO】YOLOv8怎么调参及数据增强策略（持续更新）
# use Adam lr0: 0.001 # initial learning rate (i.e. SGD=1E-2, Adam=1E-3) lrf: 0.01 # final learning rate (lr0 * lrf) momentum: 0.937 # SGD momentum/Adam beta1 weight_decay: 0.0005 # optimizer weight decay 5e-4 warmup_epochs: 3.0 # warmup epochs (fractions ok) warmup_momentum: 0.8 # warmup initial momentum warmup_bias_lr: 0.1 # warmup initial bias lr box: 7.5 # box loss gain cls: 0.5 # cls loss gain (scale with pixels) dfl: 1.5 # dfl loss gain fl_gamma: 0.0 # focal loss gamma (efficientDet default gamma=1.5) label_smoothing: 0.0 # label smoothing (fraction) nbs: 64 # nominal batch size hsv_h: 0.015 # image HSV-Hue augmentation (fraction) hsv_s: 0.7 # image HSV-Saturation augmentation (fraction) hsv_v: 0.4 # image HSV-Value augmentation (fraction) degrees: 0.0 # image rotation (+/- deg) translate: 0.1 # image translation (+/- fraction) scale: 0.5 # image scale (+/- gain) shear: 0.0 # image shear (+/- deg) perspective: 0.0 # image perspective (+/- fraction), range 0-0.001 flipud: 0.0 # image flip up-down (probability) fliplr: 0.5 # image flip left-right (probability) mosaic: 1.0 # image mosaic (probability) mixup: 0.0 # image mixup (probability) copy_paste: 0.0 # segment copy-paste (probability)解释配置参数含义
这段配置主要是用于深度学习模型训练过程中的参数设置，特别是在使用Adam优化器时的一些关键参数配置，以及数据增强（Data Augmentation）的策略。下面是对这些参数的具体解释：
优化器相关参数
- lr0: 初始学习率（Initial Learning Rate），设置为0.001。这是训练开始时的学习率，对于Adam优化器来说，这个值通常比SGD优化器的初始学习率要小。
- lrf: 最终学习率（Final Learning Rate），设置为0.01。这是通过
lr0 * lrf计算得出的，用于学习率衰减的最终目标值。 - momentum: 对于SGD来说，这是动量（Momentum）参数；对于Adam来说，它相当于
beta1，设置为0.937。Adam中的beta1用于计算梯度的一阶矩估计。 - weight_decay: 优化器的权重衰减（Weight Decay），设置为0.0005，用于防止过拟合。
学习率预热（Warmup）参数
- warmup_epochs: 预热周期（Warmup Epochs），设置为3.0。在训练初期，学习率从一个较小的值逐渐增加到初始学习率，有助于模型稳定训练。
- warmup_momentum: 预热初始动量（Warmup Initial Momentum），设置为0.8。与预热学习率类似，动量也可以从较小的值开始预热。
- warmup_bias_lr: 预热初始偏置学习率（Warmup Initial Bias Learning Rate），设置为0.1。这个参数可能特定于某些模型或框架，用于控制某些参数（如偏置项）的学习率。
损失函数相关参数
- box: 边界框（Box）损失增益（Gain），设置为7.5。这用于调整边界框损失的权重。
- cls: 分类（Classification）损失增益，设置为0.5。这用于调整分类损失的权重，并且会根据像素数进行缩放。
- dfl: Distance-IoU Loss（DFL）增益，设置为1.5。DFL是一种用于目标检测的损失函数，用于更精确地回归边界框。
- fl_gamma: Focal Loss的γ参数，设置为0.0。Focal Loss用于解决分类问题中的类别不平衡问题，但这里设置为0.0表示不使用Focal Loss的γ调整。
- label_smoothing: 标签平滑（Label Smoothing），设置为0.0。标签平滑是一种正则化技术，通过软化真实标签来减少模型对标签噪声的敏感性。
数据增强参数
- hsv_h, hsv_s, hsv_v: 分别控制HSV颜色空间中Hue（色调）、Saturation（饱和度）、Value（亮度）的增强程度。
参考百度百科:
- degrees, translate, scale, shear, perspective: 分别控制图像的旋转、平移、缩放、剪切和透视变换的程度。
- flipud, fliplr: 控制图像上下翻转和左右翻转的概率。
- mosaic, mixup, copy_paste: 分别控制图像拼接（Mosaic）、图像混合（Mixup）和段落复制粘贴（Copy-Paste）的概率。这些技术用于增加数据的多样性和复杂性，有助于提高模型的泛化能力。
