Matrice di data augmentation

I parametri

Questi sono i nomi dei campi di TrainConfig, non le grafie della CLI. train() e la CLI mappano le grafie brevi su di essi, quindi mosaic imposta mosaic_prob.

Gli ultimi quattro costituiscono i controlli di classificazione. Le famiglie di rilevamento li ignorano. train() e la CLI indirizzano mixup al mescolamento dei batch per i classificatori e a mixup_prob per i rilevatori.

from libreyolo.data.augment.spec import (    AUG_KNOBS,    aug_support,    ignored_aug_params,    uses_mosaic_gating,) print(sorted(AUG_KNOBS)) table = aug_support("yolo9")print(table["mixup_prob"].status, table["mixup_prob"].note) print(sorted(ignored_aug_params("dfine")))print(uses_mosaic_gating("yolo9"), uses_mosaic_gating("yolonas"))

I tre stati

ignored è quello che conviene controllare prima di un addestramento, perché non fallisce nulla. La CLI avvisa quando un parametro di addestramento impostato esplicitamente è uno di quelli che la famiglia selezionata ignora, e il trainer avvisa quando mixup_prob > 0 non può attivarsi perché la famiglia condiziona MixUp al mosaico e mosaic_prob è zero.

Archetipi di pipeline

Ogni famiglia coperta segue una di sei pipeline, con una manciata di deviazioni per famiglia elencate più sotto.

Nella pipeline in stile YOLOX il preprocessing per campione applica il jitter HSV e i flip, mentre la trasformazione affine e MixUp girano solo dentro il ramo mosaico. YOLO-NAS invece esegue un'affine per campione sempre attiva, ignora il mosaico e applica MixUp in modo indipendente, riusando mosaic_scale come intervallo di scala dell'affine.

La pipeline di tipo DETR usa una trasformazione senza mosaic. Distorsione fotometrica, zoom-out e ritaglio IoU sono costanti della ricetta, non parametri configurabili: per questo hsv_prob e i controlli geometrici non li modificano. La classificazione usa flip_prob per i ribaltamenti orizzontali e flipud per quelli verticali. La variazione di scala e HSV nella segmentazione semantica deriva dagli attributi della classe del modello; nel restauro, ingresso e obiettivo vengono ribaltati insieme con probabilità fissa di 0.5.

no_aug_epochs viene rispettato ovunque, ma disattiva operazioni diverse: mosaic e MixUp nelle pipeline di tipo YOLOX; trasformazione affine e MixUp in YOLO-NAS; aumenti fotometrici forti e ritagli, insieme alla parte finale del piano del tasso di apprendimento, in DETR; aumento automatico, erasing, MixUp e CutMix nella classificazione. Ritagli e ribaltamenti della classificazione restano attivi.

Famiglie per archetipo

Sono coperte trentuno famiglie. Una famiglia fuori da questo elenco restituisce un insieme di parametri ignorati vuoto, quindi per essa non viene emesso alcun avviso.

Deviazioni

ec e dinov2 sono famiglie multi-task, quindi un parametro è marcato come ignorato solo quando tutti i task addestrabili della famiglia lo ignorano. Così l'avviso della CLI non può mai essere sbagliato per un task e giusto per un altro.

Dome-DETR eredita le trasformazioni di D-FINE senza modifiche. L'unica cosa che non regge è l'addestramento multi-scala, disabilitato dalla sua config e non dalla spec di augmentation.

Parametri specifici per famiglia

Alcune famiglie portano i parametri di data augmentation sulla propria sottoclasse di TrainConfig invece che sulla base. La CLI non li espone; impostali tramite l'API Python.

rot90 si applica a detect e OBB su yolo9.

Interrogare la spec

Un Support è una named tuple di status e note, dove la nota spiega perché un parametro è ignorato o gated per quella famiglia.

Il gate del mosaico

In una famiglia in stile YOLOX, mixup_prob=0.5 con mosaic_prob=0 disattiva del tutto MixUp, perché MixUp si applica solo ai campioni a mosaico. È una combinazione facile da ottenere quando si spegne il mosaico verso la fine dell'addestramento. Il trainer registra un avviso che nomina la famiglia, e mixup_gating_warning è la funzione pura che ci sta dietro.