Augmentations

Régler les paramètres

Les paramètres d'augmentation sont des arguments ordinaires de train().

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9s.pt")model.train(    data="my-dataset.yaml",    epochs=100,    mosaic_prob=1.0,    mixup_prob=0.15,    hsv_prob=1.0,    flip_prob=0.5,    no_aug_epochs=15,)

# La CLI nomme mosaic_prob mosaic et mixup_prob mixup.libreyolo train model=LibreYOLO9s.pt data=my-dataset.yaml \  epochs=100 mosaic=1.0 mixup=0.15 hsv_prob=1.0 \  flip_prob=0.5 no_aug_epochs=15

Deux d'entre eux ont une forme plus courte dans la CLI : mosaic correspond à mosaic_prob et mixup à mixup_prob. Tous les autres paramètres portent le même nom aux deux endroits.

Trois états, pas deux

L'effet d'un paramètre dépend de la famille. La bibliothèque conserve une table déclarative de ce comportement, dont chaque entrée adopte l'un des trois états.

used signifie que le paramètre atteint le pipeline et modifie les échantillons. ignored signifie qu'il n'atteint jamais le pipeline, si bien que le définir n'a aucun effet. gated_by_mosaic signifie qu'il s'applique uniquement aux échantillons passés par la branche mosaïque. Avec mosaic_prob=0, il ne se déclenche donc jamais, même s'il est connecté.

Ce troisième état est celui qui surprend. Dans un pipeline de style YOLOX, la transformation affine s'exécute sur le canevas mosaïque et MixUp fusionne un échantillon mosaïque. mosaic_prob=0 désactive donc silencieusement degrees, translate, shear, perspective, mosaic_scale, mixup_prob et mixup_scale en même temps. Le trainer journalise spécifiquement un avertissement pour MixUp :

mixup_prob=0.15 has no effect for YOLOv9: mixup only applies to mosaic samples
and mosaic_prob=0. Set mosaic_prob > 0 to enable mixup.

La CLI avertit aussi des paramètres ignorés en ne listant que ceux que vous avez réellement saisis :

Warning: RF-DETR ignores these parameters: degrees, mosaic

Quatre formes de pipeline

Les familles se regroupent en quatre pipelines d'entraînement, et le pipeline détermine presque toutes les réponses.

Le pipeline mosaïque de style YOLOX applique une variation HSV et des retournements à chaque échantillon, puis exécute la transformation affine et MixUp dans la branche mosaïque. Il couvre YOLOX, YOLOv7, YOLOv9 et ses variantes E2E et P2, RTMDet, PicoDet, RT-DETR, RT-DETRv2 et FOMO.

Le pipeline traversant de style DETR ne contient ni mosaïque ni transformation affine. Sa distorsion photométrique, son zoom arrière et son recadrage IoU sont des constantes de la recette plutôt que des paramètres de configuration. Seuls flip_prob et no_aug_epochs sont donc actifs. Il couvre D-FINE, Dome-DETR, DEIM, DEIMv2, RT-DETRv4, EC et, avec une différence, RF-DETR.

Le pipeline de classification ImageFolder ignore tous les paramètres de détection. Son retournement horizontal possède une valeur fixe de 0.5 que flip_prob n'atteint pas. Il dispose de son propre ensemble de paramètres, décrit ci-dessous.

YOLO-NAS constitue un cas à part : aucune mosaïque, une transformation affine par échantillon toujours active et MixUp appliqué indépendamment plutôt que conditionné. Sa valeur mosaic_scale est réutilisée comme plage d'échelle de la transformation affine.

SegFormer et NAFNet utilisent chacun un pipeline propre à leur tâche, dont l'aléa est fixé dans la famille au lieu d'être configurable. Pour SegFormer, les paramètres actifs sont les attributs de classe semantic_scale_jitter et semantic_hsv_prob, pas mosaic_scale et hsv_prob. Le recadrage et les retournements de NAFNet sont des opérations couplées sur l'entrée et la cible, avec une probabilité fixe de 0.5.

Paramètres respectés par chaque famille

La table ci-dessous est la spécification distribuée dans libreyolo/data/augment/spec.py, comparée aux branchements réels du pipeline par les propres tests de la bibliothèque. Consultez-la plutôt que de déduire le comportement de l'architecture.

from libreyolo.data.augment.spec import AUG_KNOBS, aug_support for knob, description in AUG_KNOBS.items():    support = aug_support("yolo9")[knob]    print(f"{knob:16} {support.status:16} {support.note or description}")

from libreyolo.data.augment.spec import ignored_aug_params print(sorted(ignored_aug_params("rfdetr")))

Résumé par pipeline pour les paramètres de base :

Les exceptions dans ces colonnes les restreignent toutes :

• RTMDet, PicoDet, RT-DETR, RT-DETRv2 et FOMO n'ont aucun retournement vertical, si bien que flipud est ignoré. Le wrapper mosaïque de FOMO est également construit sans perspective.
• Le pipeline natif de RF-DETR n'a aucune variation HSV, si bien que hsv_prob est ignoré en plus de la colonne de style DETR.
• EC respecte hsv_prob, degrees et translate, mais seulement pour task="pose", dont la transformation tenant compte des points clés les lit. Ses chemins de détection et de segmentation utilisent des recettes photométriques fixes.
• DINOv2 suit la colonne de style DETR pour ses tâches de détection et de segmentation sémantique, et ajoute l'ensemble de classification pour task="classify".

no_aug_epochs est used partout, mais sa signification varie. Dans les pipelines mosaïques, il désactive la mosaïque et MixUp pour les dernières époques. Dans les pipelines de style DETR, il arrête les augmentations photométriques, de zoom arrière et de recadrage, et façonne la fin du schedule. Dans les pipelines de classification et de segmentation sémantique, il ne fait que façonner cette fin.

L'ensemble de classification

Quatre paramètres pilotent le pipeline de classification, et rien d'autre. Les familles de détection les ignorent tous les quatre.

from libreyolo import LibreYOLO model = LibreYOLO("LibreConvNeXtt-cls.pt")model.train(    data="my-classification-dataset",    epochs=50,    auto_augment="randaugment",    erasing=0.25,    mixup=0.2,    cutmix=0.2,)

auto_augment accepte "randaugment", "autoaugment", "augmix" ou None. erasing est la probabilité de RandomErasing. mixup et cutmix sont des probabilités par batch qui produisent des étiquettes souples ; au plus une technique s'exécute par batch, MixUp en premier. Elles sont donc additives et leur somme ne doit pas dépasser 1.

Les quatre sont désactivées par défaut, si bien que l'entraînement de classification reste inchangé tant que vous ne les demandez pas.

Une collision de noms mérite d'être formulée clairement : dans la CLI, mixup est l'alias du paramètre de détection mixup_prob. Le champ de classification mixup n'a pas de syntaxe CLI propre et n'est accessible que par model.train(mixup=...) en Python.

Paramètres propres aux familles

Certains paramètres se trouvent dans la sous-classe de configuration d'une famille plutôt que dans la classe de base. Ils n'existent donc que pour cette famille et ne disposent d'aucun flag CLI.

max_labels est celui qui fait perdre silencieusement des données. Les boîtes au-delà de la limite sont supprimées sans erreur. Les images denses, comme les photographies aériennes, exigent donc d'augmenter cette valeur.

La mosaïque et MixUp sont désactivés pour l'entraînement de boîtes orientées, quels que soient les paramètres, car l'augmentation tenant compte des coins pour les boîtes tournées n'est pas implémentée.

Pages connexes

• Hyperparamètres pour no_aug_epochs en tant qu'argument de schedule et le reste de train().
• Datasets pour les formats d'étiquettes consommés par ces transformations.