Shaun ZhouandClaude Opus 5
9439cbb56a
ultralytics 没有可用的开关：yolo26 是端到端模型，non_max_suppression 对它早退 （utils/nms.py 里 end2end 分支），只按置信度与 max_det 截断，传入的 iou 和 agnostic 都不参与 IoU 抑制；agnostic_nms 只作用于检测头 top-k（每个 anchor 取一个类别）， 压不掉不同 anchor 产生的重叠框。 所以给 DetectionValidator.postprocess 包一层 filter_overlapping_outputs。训练期验证、 早停、best.pt 的选择都随之遵守这条约束，指标与最终推理一致。配置项 train.max_overlap （默认 0，负数关闭），由 detect.py 摘出后自行实现，不传给 ultralytics。 Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
67 lines
2.6 KiB
YAML
67 lines
2.6 KiB
YAML
# 在人工修正过的弱监督框上训练 YOLO 检测模型。
|
|
#
|
|
# 前置步骤：
|
|
# uv run python scripts/generate_boxes.py --method shap --out runs/boxes_shap # 生成弱监督框
|
|
# uv run python scripts/prepare_label_studio.py --source runs/boxes_shap # 复核材料
|
|
# 在 Label Studio 里修正标签，导出 YOLO 格式
|
|
# uv run python scripts/build_yolo_dataset.py --export data/film_yolo_shap.zip \
|
|
# --images runs/boxes_shap_label_studio/images --out data/film_yolo
|
|
#
|
|
# 用法：
|
|
# uv run python detect.py --config configs/detect/film.yaml
|
|
# uv run python detect.py --config configs/detect/film.yaml --eval-only \
|
|
# --checkpoint runs/detect/film/weights/best.pt
|
|
|
|
work_dir: runs/detect/film
|
|
seed: 42
|
|
device: auto
|
|
|
|
data:
|
|
yaml: data/film_yolo/data.yaml
|
|
|
|
model:
|
|
# CLAUDE.md 的"只用 convolution 模型"只约束聚类与数据集生成阶段，检测这一步不受限，
|
|
# 所以用最新的 YOLO26。它是端到端的（NMS-free），推理侧少一道后处理。
|
|
# n 是最小的一档：数据只有 1.1 万张且标签是弱监督的，模型大了容易把标注噪声也学进去。
|
|
weights: yolo26n.pt
|
|
|
|
train:
|
|
epochs: 500
|
|
imgsz: 640
|
|
batch: 16
|
|
workers: 8
|
|
optimizer: auto
|
|
patience: 20 # 20 轮没提升就早停
|
|
cos_lr: true
|
|
fraction: 1.0 # 只取训练集的一部分；冒烟测试时调小，如 0.02
|
|
amp: true # 非 CUDA 后端 ultralytics 会自行退回关闭
|
|
|
|
# 数据增强。翻转按聚类阶段的结论开着（缺陷没有固定朝向）；
|
|
# 但 mosaic/mixup 关掉——它们会把四张图拼在一起，而我们每张图只有一个弱监督框，
|
|
# 拼接后小目标被缩得更小，对 blackdot / whitedot 这类本来就只占千分之几面积的类别是伤害。
|
|
fliplr: 0.5
|
|
flipud: 0.5
|
|
degrees: 0.0
|
|
mosaic: 0.0
|
|
mixup: 0.0
|
|
hsv_h: 0.0 # 单色/近单色的薄膜图，色相扰动没有意义
|
|
hsv_s: 0.3
|
|
hsv_v: 0.3
|
|
|
|
# 真值里一处缺陷只有一个框、零重叠（实测 11211 张图、151 张多框图，重叠为 0），
|
|
# 所以验证时也把预测约束成互不重叠：早停与 best.pt 的选择才和最终推理一致。
|
|
# 负数=不约束。注意这不是 ultralytics 的参数，由 detect.py 自己实现。
|
|
max_overlap: 0.0
|
|
# 端到端头的 top-k 每个 anchor 只取一个类别，压掉同一处缺陷被两个类别各框一次
|
|
agnostic_nms: true
|
|
|
|
plots: true # results.png / PR 曲线 / 混淆矩阵 / val_batch 预测图
|
|
save_period: -1
|
|
|
|
swanlab:
|
|
enabled: true
|
|
project: film-detect
|
|
name: null
|
|
mode: local
|
|
tags: [detect, yolov8s, gradcam-boxes]
|