Матрица аугментаций

Параметры

Это имена полей TrainConfig, а не то, как они пишутся в CLI. train() и CLI сопоставляют им короткие написания, поэтому mosaic задаёт mosaic_prob.

Последние четыре составляют набор для классификации. Семейства детекции их игнорируют. train() и CLI направляют mixup на смешивание батчей у классификаторов и на mixup_prob у детекторов.

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"))

Три статуса

ignored — тот статус, который стоит проверить до запуска, потому что ничего не падает. CLI предупреждает, когда явно заданный параметр обучения игнорируется выбранным семейством, а трейнер предупреждает, когда mixup_prob > 0 не может сработать, потому что семейство привязывает MixUp к мозаике, а mosaic_prob равен нулю.

Архетипы пайплайнов

Каждое охваченное семейство следует одному из шести пайплайнов, с несколькими отклонениями по семействам, перечисленными ниже.

В пайплайне в стиле YOLOX HSV-джиттер и отражения применяются к каждому сэмплу на этапе предобработки, а аффинное преобразование и MixUp выполняются только внутри ветки мозаики. YOLO-NAS вместо этого применяет аффинное преобразование к каждому сэмплу, и оно включено всегда, мозаику игнорирует, а MixUp применяет независимо, переиспользуя mosaic_scale как диапазон масштаба аффинного преобразования.

Пайплайн в стиле DETR использует сквозное преобразование без мозаики. Фотометрическое искажение, zoom-out и обрезка по IoU заданы в нём константами рецепта, а не настраиваемыми параметрами, поэтому hsv_prob и геометрические параметры до него не доходят. Классификация использует flip_prob для горизонтальных отражений и flipud для вертикальных. Джиттер масштаба и HSV в семантике приходят из атрибутов класса семейства, а не из параметров конфигурации, а отражения в восстановлении представляют собой связанные операции над входом и целью с фиксированной вероятностью 0.5.

no_aug_epochs учитывается везде, хотя отключает разное: мозаику и MixUp в стиле YOLOX, аффинное преобразование и MixUp в YOLO-NAS, сильные фотометрические аугментации и обрезки плюс хвост скорости обучения в стиле DETR, а для классификации автоаугментацию, стирание, MixUp и CutMix. Обрезка и отражения классификации остаются включёнными.

Семейства по архетипам

Охвачено тридцать одно семейство. Семейство вне этого списка возвращает пустое множество игнорируемых параметров, поэтому предупреждений для него не выводится.

Отклонения

ec и dinov2 — многозадачные семейства, поэтому параметр помечается как игнорируемый только тогда, когда его игнорирует каждая обучаемая задача семейства. Так предупреждение CLI никогда не окажется неверным для одной задачи и верным для другой.

Dome-DETR наследует преобразования D-FINE без изменений. Единственное, что ему недоступно, — многомасштабное обучение, и отключает его конфигурация модели, а не спецификация аугментаций.

Параметры, специфичные для семейства

Некоторые семейства держат параметры аугментации в собственном подклассе TrainConfig, а не в базовом. В CLI их нет; задавать их нужно через Python API.

rot90 применяется к detect и OBB в yolo9.

Запросы к спецификации

Support — именованный кортеж из status и note, где note объясняет, почему параметр игнорируется или привязан к мозаике для этого семейства.

Привязка к мозаике

Для семейства в стиле YOLOX сочетание mixup_prob=0.5 и mosaic_prob=0 полностью отключает MixUp, потому что MixUp применяется только к мозаичным сэмплам. К такой комбинации легко прийти, отключая мозаику на поздних этапах обучения. Трейнер пишет в лог предупреждение с названием семейства, а mixup_gating_warning — чистая функция, которая за ним стоит.