news 2026/2/7 4:08:37

YOLOv9 hyp.scratch-high.yaml 超参文件用途说明

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
YOLOv9 hyp.scratch-high.yaml 超参文件用途说明

YOLOv9 hyp.scratch-high.yaml 超参文件用途说明

YOLOv9 官方版训练与推理镜像
本镜像基于 YOLOv9 官方代码库构建，预装了完整的深度学习开发环境，集成了训练、推理及评估所需的所有依赖，开箱即用。

1. 镜像环境说明

  • 核心框架: pytorch==1.10.0
  • CUDA版本: 12.1
  • Python版本: 3.8.5
  • 主要依赖: torchvision==0.11.0，torchaudio==0.10.0，cudatoolkit=11.3, numpy, opencv-python, pandas, matplotlib, tqdm, seaborn等。
  • 代码位置:/root/yolov9

2. 快速上手

2.1 激活环境

conda activate yolov9

2.2 模型推理 (Inference)

使用下面的命令，进入代码目录

cd /root/yolov9

可以使用以下命令测试推理效果：

python detect_dual.py --source './data/images/horses.jpg' --img 640 --device 0 --weights './yolov9-s.pt' --name yolov9_s_640_detect

结果将保存在源码的runs/detect/yolov9_s_640_detect目录下。

2.3 模型训练 (Training)

使用单卡进行训练的示例：

python train_dual.py --workers 8 --device 0 --batch 64 --data data.yaml --img 640 --cfg models/detect/yolov9-s.yaml --weights '' --name yolov9-s --hyp hyp.scratch-high.yaml --min-items 0 --epochs 20 --close-mosaic 15

3. 已包含权重文件

镜像内已预下载yolov9-s.pt权重，在/root/yolov9目录下。

4. 常见问题

数据集准备: 请将你的数据集按照 YOLO 格式组织，并在data.yaml中修改路径。
环境激活: 镜像启动后默认是进入 base 环境，需切换环境，使用conda activate yolov9激活环境。

5. 参考资料

官方仓库: WongKinYiu/yolov9
文档说明: 详细用法请参考官方库中的 README.md。

6. 引用

@article{wang2024yolov9, title={YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information}, author={Wang, Chien-Yao and Liao, Hong-Yuan Mark}, booktitle={arXiv preprint arXiv:2402.13616}, year={2024} }
@article{chang2023yolor, title={YOLOR-Based Multi-Task Learning}, author={Chang, Hung-Shuo and Wang, Chien-Yao and Wang, Richard Robert and Chou, Gene and Liao, Hong-Yuan Mark}, journal={arXiv preprint arXiv:2309.16921}, year={2023} }

7. hyp.scratch-high.yaml 超参数文件详解

7.1 文件作用概述

在 YOLOv9 的训练流程中，hyp.scratch-high.yaml是一个关键的超参数配置文件，主要用于从零开始训练（scratch training）且采用较高正则化强度的场景。它定义了训练过程中几乎所有可调的数值参数，直接影响模型收敛速度、泛化能力以及最终检测性能。

这类.yaml文件不涉及网络结构，而是控制优化过程的行为。当你在train_dual.py命令中指定--hyp hyp.scratch-high.yaml，你就告诉训练脚本：“请使用这套预设的超参数组合来跑实验”。

7.2 为什么需要不同的超参配置？

YOLOv9 提供了多个.yaml超参文件，比如hyp.finetune.yaml、hyp.scratch-low.yaml和hyp.scratch-high.yaml，它们针对不同训练策略做了优化：

  • hyp.finetune.yaml：适用于加载预训练权重后的微调任务，学习率较低，正则化较弱。
  • hyp.scratch-low.yaml：用于从头训练，但希望保留更多原始特征，正则化适中。
  • hyp.scratch-high.yaml：专为无预训练权重、完全从零训练设计，强调强正则化以防止过拟合。

选择hyp.scratch-high.yaml意味着你没有提供任何预训练模型（即--weights ''），并且希望模型通过更强的约束机制稳定学习。

7.3 主要参数分类解析

我们来看hyp.scratch-high.yaml中常见的几类参数及其实际影响。

7.3.1 学习率相关（lr_ 开头）
lr0: 0.01 # 初始学习率 lrf: 0.01 # 最终学习率 = lr0 * lrf momentum: 0.937 # SGD动量 weight_decay: 0.0005 # 权重衰减（L2正则） warmup_epochs: 3.0 # 学习率预热轮数 warmup_momentum: 0.8 # 预热期间动量值 warmup_bias_lr: 0.1 # 预热时偏置的学习率

这些参数决定了优化器如何更新模型权重。lr0=0.01是一个相对较高的起始学习率，适合从零训练；配合warmup_epochs=3的学习率预热机制，避免初期梯度爆炸。weight_decay=0.0005表明有一定L2惩罚，有助于抑制过拟合。

小贴士：如果你发现训练初期 loss 波动剧烈或 NaN，可以尝试降低lr0或延长warmup_epochs。

7.3.2 数据增强强度（augmentation）
hsv_h: 0.015 # 色调扰动幅度 hsv_s: 0.7 # 饱和度扰动幅度 hsv_v: 0.4 # 明度扰动幅度 degrees: 0.0 # 图像旋转角度范围 translate: 0.1 # 平移比例 scale: 0.5 # 缩放比例 shear: 0.0 # 剪切变换 perspective: 0.0 # 透视变换 flipud: 0.0 # 上下翻转概率 fliplr: 0.5 # 左右翻转概率 mosaic: 1.0 # Mosaic增强概率 mixup: 0.1 # MixUp增强概率 copy_paste: 0.1 # Copy-Paste增强概率

这部分是提升模型泛化能力的核心。hyp.scratch-high.yaml设置了较强的色彩扰动（尤其是hsv_s=0.7,hsv_v=0.4）和显著的缩放变化（scale=0.5），同时启用mosaic=1.0全量使用马赛克拼接，这些都是为了在缺乏预训练先验的情况下，让模型更充分地学习多尺度、多布局的目标表征。

值得注意的是，mixup=0.1和copy_paste=0.1也加入了现代增强手段，进一步丰富样本多样性。

7.3.3 标签平滑与类别权重
label_smoothing: 0.1 # 标签平滑系数

标签平滑是一种正则化技术，将硬标签（如 [0, 1]）转化为软标签（如 [0.05, 0.95]），防止模型对错误标注过度自信。0.1是一个较强的程度，常见于从头训练场景。

此外，该文件可能还包含box,cls,obj等损失权重项：

box: 7.5 # 边界框回归损失权重 cls: 0.5 # 分类损失权重 obj: 1.0 # 对象性（置信度）损失权重

这些值经过实验调优，确保定位精度优先，同时平衡分类与背景判断。

7.3.4 其他关键设置
anchor_t: 4.0 # anchor匹配阈值 fl_gamma: 2.0 # Focal Loss gamma参数
  • anchor_t控制GT框与anchor的匹配宽松程度，越大越容易匹配多个anchor，增加正样本数量。
  • fl_gamma=2.0启用Focal Loss，聚焦难分类样本，在类别不平衡时特别有效。

7.4 实际使用建议

如何判断是否该用这个文件？

你应该选择hyp.scratch-high.yaml当满足以下条件：

  • 使用空初始化权重（--weights ''）
  • 数据集较小或领域特殊，无法直接迁移现有预训练模型
  • 希望通过强数据增强和正则化提升泛化能力

反之，如果已有高质量预训练模型（如yolov9-c.pt），建议改用hyp.finetune.yaml，以免破坏已有特征。

是否可以修改？

当然可以！你可以复制一份hyp.scratch-high.yaml改名为my-hyp.yaml，然后根据训练表现调整参数。例如：

  • 若训练不稳定 → 降低lr0至0.005，增大warmup_epochs到5
  • 若过拟合严重 → 提高hsv_s/v扰动，增加mixup概率至0.2
  • 若小目标漏检多 → 调整anchor_t到3.0，放宽匹配条件

每次修改后记得在训练命令中指向新文件：

--hyp my-hyp.yaml
训练日志监控要点

使用该超参文件训练时，重点关注以下几个指标：

  • loss_box,loss_cls,loss_obj：是否平稳下降，有无震荡或NaN
  • precision/recall：早期是否快速上升，反映学习效率
  • mAP@0.5：最终性能基准，对比不同超参配置的效果

可通过 TensorBoard 查看动态曲线：

tensorboard --logdir runs/train

8. 总结

hyp.scratch-high.yaml不只是一个配置文件，它是 YOLOv9 在“从零训练”模式下的最佳实践总结。它通过高学习率、强数据增强、严格正则化和精细损失加权，帮助模型在没有预训练知识的前提下，依然能够高效、稳定地学习目标检测任务。

结合本文提供的镜像环境，用户可以直接运行完整训练流程，无需担心依赖问题。只需关注数据质量、合理选择超参文件，并根据训练反馈微调关键参数，就能充分发挥 YOLOv9 的潜力。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/2/6 21:46:02

Wekan开源看板完全指南：从入门到精通的高效协作平台

Wekan开源看板完全指南：从入门到精通的高效协作平台 【免费下载链接】wekan The Open Source kanban (built with Meteor). Keep variable/table/field names camelCase. For translations, only add Pull Request changes to wekan/i18n/en.i18n.json , other tran…

作者头像 李华
网站建设 2026/2/4 1:53:08

Kruskal 最小生成树（MST）算法

Kruskal 最小生成树（MST）算法Prim算法是贪婪算法，类似于Kruskal算法。该算法始终从单个节点出发，经过多个相邻节点，以探索沿途所有连接的边。该算法从一个空生成树开始。 其理念是维持两组顶点。第一组包含已包含在MST…

作者头像 李华
网站建设 2026/2/3 14:57:41

Z-Image-Turbo_UI界面在商业设计中的实际应用案例

Z-Image-Turbo_UI界面在商业设计中的实际应用案例 你是否还在为电商海报设计耗时费力而烦恼？设计师加班改稿、反复沟通需求、出图效率低下，已经成为许多品牌和营销团队的常态。有没有一种方式，能让“创意想法”到“视觉成品”的转化过程缩短…

作者头像 李华
网站建设 2026/2/4 3:27:28

Qwen3-0.6B部署踩坑记录：这些错误你可能也会遇到

Qwen3-0.6B部署踩坑记录：这些错误你可能也会遇到 1. 前言 最近在尝试本地部署阿里开源的小参数大模型 Qwen3-0.6B，本以为按照文档“一键启动”就能搞定，结果从环境配置到服务调用，一路踩了不少坑。尤其是当你想通过 LangChain 调…

作者头像 李华
网站建设 2026/2/7 3:11:20

GLM-Edge-V-5B：5B轻量模型，边缘AI图文理解新选择！

GLM-Edge-V-5B：5B轻量模型，边缘AI图文理解新选择！ 【免费下载链接】glm-edge-v-5b 项目地址: https://ai.gitcode.com/zai-org/glm-edge-v-5b 导语：THUDM团队正式发布轻量级图文理解模型GLM-Edge-V-5B，以50亿参…

作者头像 李华
网站建设 2026/2/6 9:18:31

升级Glyph后推理延迟下降30%，这些设置很关键

升级Glyph后推理延迟下降30%，这些设置很关键 1. Glyph视觉推理模型升级亮点 最近，智谱AI开源的视觉推理大模型 Glyph 进行了一次重要升级。在我们实际部署测试中发现，升级后的版本在相同硬件条件下（NVIDIA 4090D单卡&#xff09…

作者头像 李华