整个YOLO系列的模型除了v1和v2比较古老没有实际项目应用过以外，从v3-v8或多或少都有实践，其中以v5使用频度最高，最早期刚接触YOLO的时候也是一通原理详解学习各种结构可视化，后面实际项目开发越来越多，对于前面的记忆就不多了，正好一个实际问题的需要，这里找时间梳理总结记录一下关于YOLOv5模型超参数相关的内容，梳理备忘，也希望帮到有需要的人。

下载官方YOLOv5项目后，在项目目录data/hyps/下存储着模型训练所需要的超参数配置文件，如下所示：

 其中，一般性的模型开发使用hyp.scratch-low.yaml居多。

接下来来看下具体的超参数详情内容：

 为了清晰直观地进行对比，我将low、med和high放在一张对比图上面，这样便于看到三者之间的区别，可以看到：三份配置文件也仅仅是在个别超参数的设定上面有区分而已，这样就清晰了，接下来就以low为例来详细看下对应超参数的含义。

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Hyperparameters for low-augmentation COCO training from scratch
# python train.py --batch 64 --cfg yolov5n6.yaml --weights '' --data coco.yaml --img 640 --epochs 300 --linear
# See tutorials for hyperparameter evolution https://github.com/ultralytics/yolov5#tutorials

"""
最初的学习率
学习率的初始值，通常使用SGD时为0.01，使用Adam时为0.001
"""
lr0: 0.01  # initial learning rate (SGD=1E-2, Adam=1E-3)
"""
最终学习率，或者可以说是最小的学习率【一般学习率调度器会随着epoch增加衰减的】
OneCycleLR 学习率调度器中的最终学习率（lr0 * lrf）
"""
lrf: 0.01  # final OneCycleLR learning rate (lr0 * lrf)
"""
Momentum是为解决SGD中出现的曲折摆动问题，如图所示，“之”字形的上下摆动，降低了损失函数到达最低点的速度。
此情况下，若想减少摆动浮动，只能采用比较小的learning rate，这同样将导致寻优的速度较低。而Momentum就是为解决此问题而来。
动量可以理解为参数更新的惯性，类似于小球滚动的惯性。它通过维护一个动量向量，记录之前梯度方向的加权平均值，
并将其用于参数更新，可以加快训练速度，提高模型稳定性。
较小的动量可以使更新方向更加平稳
较大的动量可以加速参数更新。
"""
momentum: 0.937  # SGD momentum/Adam beta1
"""
权重衰减（weight decay）是一种常用的应对过拟合的方法，其等价于L2范数正则化（regularization）。
正则化通过为模型损失函数添加惩罚项使得学出的模型参数较小，通常接近于0。
权重衰减旨在减少模型的复杂性，防止过拟合。值越大，正则化强度越大，模型泛化能力会更好。但是太大会导致模型欠拟合。
"""
weight_decay: 0.0005  # optimizer weight decay 5e-4
"""
热身，让模型先热热身，熟悉熟悉数据，学习率要小，相当于只是去看看，还没正式训练呢，学习率太高说不定就学跑偏了。
在训练深度学习模型时，有时候需要先使用一个较小的学习率来进行预热，以避免在初始阶段出现不稳定的梯度或损失的情况。
warmup_epochs就是控制预热的epoch数，也就是在训练的前几个epoch使用较小的学习率，使得模型能够更快地收敛到稳定的状态。
在预热阶段结束后，学习率会逐渐增加到初始设定的学习率，然后继续按照设定的学习率进行训练。
"""
warmup_epochs: 3.0  # warmup epochs (fractions ok)
"""
与warmup_epochs相对应设定的参数,简单来说，就是热身训练那几个epochs的动量设置
"""
warmup_momentum: 0.8  # warmup initial momentum
"""
与warmup_epochs相对应设定的参数,指在学习率warm-up期间，偏置（bias）的学习率所使用的初始学习率。
在训练深度神经网络时，通常采用较小的学习率进行初始化，以便网络能够逐渐适应数据集的特征。
当学习率较小时，偏置的学习率通常要比权重的学习率更高，以保证网络在早期学习阶段能够更快地适应数据集的偏置。
"""
warmup_bias_lr: 0.1  # warmup initial bias lr
"""
box   cls   obj 这三者是YOLOv5中的三大损失
目标框损失权重
box通常指的是bounding box，即目标的边框。在yolov5中，是一个超参数，控制bounding box loss的权重。
它影响了网络如何调整检测边界框的位置和大小，以更好地匹配目标。
较大的box值将使网络更注重优化边界框。
较小的值将使其更加注重类别分类。
"""
box: 0.05  # box loss gain
"""
分类损失权重
在目标检测中，cls 通常表示分类损失。YoloV5中使用的是交叉熵损失，它度量的是目标属于每个类别的概率分布与实际分布之间的差异。
这个损失用于调整网络的权重，使网络能够更准确地预测目标的类别。
cls值越大，表示越注重分类损失的影响。
"""
cls: 0.5  # cls loss gain
"""
置信度损失权重
YOLOv5 模型的 obj 指代对象的存在损失权重，用于指定正负样本的权重。
这个权重被用来平衡正负样本对于训练的贡献，避免模型偏向于训练样本数较多的类别，从而提高模型的性能。
当该参数值较大时，模型对对象的存在的关注程度就会更高。
"""
obj: 1.0  # obj loss gain (scale with pixels)
"""
cls_pw、obj_pw 是主要用于调控正样本权重的超参数
分类损失的二元交叉熵BCE损失中正样本的权重
cls_pw就是用于控制分类损失函数中正样本权重的参数。
在某些情况下，数据集中的正负样本不平衡，导致分类损失函数中的负样本权重占比较大，这可能会导致模型对正样本的预测能力下降。
可以通过增加正样本的权重来平衡分类损失函数，从而提高模型对正样本的预测能力。
默认为1.0，表示正样本权重和负样本权重相等。
值设置的越大，则正样本权重越大。
"""
cls_pw: 1.0  # cls BCELoss positive_weight
"""
置信度损失的二元交叉熵BCE损失中正样本的权重
如果正样本数量较少，YOLOv5会增加正样本的权重，以便更多地关注正样本，提高检测准确率。
如果正样本数量较多，YOLOv5会减小正样本的权重，以便更多地关注负样本，减少误检率。
"""
obj_pw: 1.0  # obj BCELoss positive_weight
"""
Iou阈值，用于预测框和真实框之间的匹配。
IoU 是指检测框（预测框）和真实框之间的交并比。当预测框和真实框之间的 IoU 大于 iou_t 时，视为检测正确，否则视为检测错误。
比如，iuo_t设置为0.5，只有预测框和真实框之间的Iou大于0.5才会视为正确检测。
"""
iou_t: 0.20  # IoU training threshold
"""
在进行不同类型目标检测的时候可以适当调整这个参数，对于模型精准匹配和收敛会有帮助
比如：检测车辆对象就可以设置大点，检测安全帽、无人机这类对象就可以设置小点
anchor的阈值，用于筛选anchor。跟iou_t道理一样
这个参数就是控制哪些anchor boxes会被用来匹配目标。anchor_t越小，则越容易匹配更小的目标，anchor_t越大，则越容易匹配更大的目标
对于一些小的目标，因为它们的大小与anchor的大小差别较大，需要使用比较小的anchor box进行匹配，此时设置一个小的anchor_t可以让这些小目标更容易被匹配上。
而对于一些大目标，它们的大小与anchor大小的差别较小，可以使用相对较大的anchor进行匹配，此时设置一个大的anchor_t可以使得大目标更容易被匹配。
"""
anchor_t: 4.0  # anchor-multiple threshold
# anchors: 3  # anchors per output layer (0 to ignore)
"""
主要用于focalloss,fl_gamma 是 Focal Loss 中的一个参数，用于调整损失函数的加权。
fl_gamma 就是控制难以分类样本权重的参数，其值越大，模型对难以分类样本的关注程度越高，对易于分类的样本关注程度越低。
"""
fl_gamma: 0.0  # focal loss gamma (efficientDet default gamma=1.5)
"""
表示图像HSV颜色空间的增强参数。
hsv_h表示色调，取值范围都是[0, 1]，可以尝试不同的取值来进行比较。值越大，强度越大
"""
hsv_h: 0.015  # image HSV-Hue augmentation (fraction)
"""
表示图像HSV颜色空间的增强参数。
hsv_s表示饱和度，取值范围都是[0, 1]，可以尝试不同的取值来进行比较。值越大，强度越大
"""
hsv_s: 0.7  # image HSV-Saturation augmentation (fraction)
"""
表示图像HSV颜色空间的增强参数。
hsv_v表示明度，取值范围都是[0, 1]，可以尝试不同的取值来进行比较。值越大，强度越大
"""
hsv_v: 0.4  # image HSV-Value augmentation (fraction)
"""
用于控制图像旋转的增强参数
数据增强的程度越大，可以提高模型的泛化能力，但也会增加训练时间和计算资源的消耗。
"""
degrees: 0.0  # image rotation (+/- deg)
"""
用于控制图像平移的增强参数
数据增强的程度越大，可以提高模型的泛化能力，但也会增加训练时间和计算资源的消耗。
"""
translate: 0.1  # image translation (+/- fraction)
"""
用于控制图像缩放的增强参数
数据增强的程度越大，可以提高模型的泛化能力，但也会增加训练时间和计算资源的消耗。
"""
scale: 0.5  # image scale (+/- gain)
"""
用于控制图像扭曲的增强参数
数据增强的程度越大，可以提高模型的泛化能力，但也会增加训练时间和计算资源的消耗。
"""
shear: 0.0  # image shear (+/- deg)
"""
是数据增强中的一种，它会对图像进行透视变换，使得图像看起来像是从不同的角度拍摄的。
透视变换可以改变图像中物体的形状和位置，因此能够增加模型的鲁棒性和泛化能力。
参数的值表示透视变换的程度，取值范围是0到0.001。
当值为0时，表示不进行透视变换。当值为0.001时，表示进行最大程度的透视变换。
通常情况下，可以将其设置为一个比较小的值，例如0.0005，以增加模型的泛化能力，同时不会对图像造成过大的扭曲。
"""
perspective: 0.0  # image perspective (+/- fraction), range 0-0.001
"""
用于控制图像上下翻转的增强概率
它们的取值范围是从 0 到 1，表示翻转的概率
flipud设置为 0.5 表示有 50% 的概率对图像进行上下翻转，设置为 0 表示不进行翻转，设置为 1 表示始终进行上下翻转
"""
flipud: 0.0  # image flip up-down (probability)
"""
用于控制图像左右翻转的增强概率
它们的取值范围是从 0 到 1，表示翻转的概率
fliplr设置为 0.5 表示有 50% 的概率对图像进行左右翻转，设置为 0 表示不进行翻转，设置为 1 表示始终进行左右翻转
"""
fliplr: 0.5  # image flip left-right (probability)
"""
用于控制数据增强的方式，可以用来增强训练集的多样性，从而提高模型的泛化性能。
以一定的概率将四张图片拼接成一张，增强了模型对多物体的感知能力和位置估计能力,取值一般在0.1~1.0之间
"""
mosaic: 1.0  # image mosaic (probability)
"""
用于控制数据增强的方式，可以用来增强训练集的多样性，从而提高模型的泛化性能。
mixup: 以一定的概率对两张图片进行线性混合，增强了模型对物体形状和纹理的学习能力,取值一般在0.0~0.5之间
"""
mixup: 0.0  # image mixup (probability)
"""
用于控制数据增强的方式，可以用来增强训练集的多样性，从而提高模型的泛化性能。
copy_paste: 以一定的概率将一张图片的一部分复制到另一张图片上，增强了模型对物体的位置和尺度变化的鲁棒性。
取值一般在0.0~0.5之间.这些取值表示概率，比如mosaic参数值为1，表示使用mosaic数据增强概率为100%，值为0.5则表示概率为50%
"""
copy_paste: 0.0  # segment copy-paste (probability)
 

总结记录一下！