YOLOv5 분석(3) - Tips for Best Training Results

출처: https://github.com/ultralytics/yolov5/wiki/Tips-for-Best-Training-Results

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

위의 사이트를 참고 하여 최적의 YOLOv5 학습 방법을 알아보겠습니다.

---

데이터 셋 양이 충분히 크고, 라벨이 잘되어 있다면 대부분의 경우 모델 및 학습 방법 수정 없이도 좋은 결과를 얻을 수 있습니다. 먼저 디폴트 세팅으로 학습하고, 그래도 안되면 설정을 변경하는 것을 추천합니다.

학습하면서 생기는 정보는 yolov5/runs/train/exp 에 저장되므로 본 정보를 충분히 첨부해서 질문을 올려야 합니다.

데이터셋 요건

- 클래스당 이미지수: 1500 개 이상을 권장합니다

- 클래스당 객체 수: (전체 학습 데이터 상에서 클래스당 라벨링된 객체 수) 10000r개 이상을 추천합니다.

- 이미지 다양성: 시간, 계절, 조명, 날씨, 각도 등 실제 사례에 기반한 다양한 이미지를 권장합니다.

- 라벨 일관성: 모든 객체는 바르게 라벨링 되어 있어야 합니다. 부분 라벨링 되어 있으면 안됩니다.

- 라벨 정확성: 객체와 바운딩 박스 사이에 공백이 없게끔 올바르게 라벨링 되어 있어야 합니다.

- 배경 이미지: 오탐(FP)을 줄이기 위해, 객체가 포함되지 않은 백그라운드 이미지를 필요로 합니다. 0 ~ 10% 배경 이미지가 적당합니다. COCO 데이터셋의 경우는 1000개의 배경 이미지를 가지고 있습니다. 전체의 1% 비율입니다. 

 

(a) COCO 데이터셋의 경우 클래스당 적절한 양의 객체가 존재하는 것을 확인할 수 있습니다

(b) Pascal과 ImageNet은 대부분의 이미지가 1개의 클래스를 포함하고 있습니다. 2 ~ 3개의 클래스를 가지는 이미지는 20% 미만입니다.

(c) 이미지당 포함하는 객체수. (b)와 유사한 그래프 입니다.

(d) 데이터 셋 당 카테고리 수, 카테고리 당 객체 수

(e) 이미지 크기에 따른 전체 이미지 비율

모델 선택

큰 사이즈의 모델의 경우 학습과 동작에 시간이 많이 드므로, 모바일의 경우는 YOLOv5s/m을 추천하며, 클라우드의 경우는 YOLOv5l/x를 추천합니다.

[추천] 미리 학습된 가중치로부터 시작

- 작은 데이터셋에서 중간 사이즈 데이터 셋 순으로 학습하는 것을 권장합니다. 

python train.py --data custom.yaml --weights yolov5s.pt
                                             yolov5m.pt
                                             yolov5l.pt
                                             yolov5x.pt
                                             custom_pretrained.pt

처음 부터 학습

python train.py --data custom.yaml --weights '' --cfg yolov5s.yaml
                                                      yolov5m.yaml
                                                      yolov5l.yaml
                                                      yolov5x.yaml

 

학습 세팅

수정하기 전에 기본적으로 세팅된 것으로 먼저 학습하기를 권합니다. 기본 세팅은 train.py 파일에서 argument에서 찾을 수 있습니다. 

Epochs: 300으로 시작하며 오버피팅 한다면 감소시키면 됩니다.

Image Size: COCO 데이터 셋은 이미지 사이즈 --img 640으로 학습 시키지만, 해상도를 높여 학습시키면 --img 1280 작은 물체를 더욱 잘 찾을 수 있습니다. 학습시와 추론시에 img size는 동일하게 합니다.

Batch Size: 하드웨어가 허락하는 가장 큰 배치 사이즈를 선택합니다.

HyperParameters: 디폴트 하이퍼 파라미터는 hyp.scratch.yaml 에 있습니다. 디폴트 값으로 학습하길 권장합니다. Augmentation과 관련된 하이퍼파라미터를 증가시키면 오버피팅을 늦출수 있고 mAP를 높일 수 있지만, 학습이 길어집니다. hyp['obj']와 같은 Loss component gain 파라미터(?)의 감소는 오버피팅을 감소 시킬 수 있습니다.