读懂 BMW-YOLOv4-Training-Automation 的 train_config.json10 个核心配置项逐行详解【免费下载链接】BMW-YOLOv4-Training-AutomationThis repository allows you to get started with training a state-of-the-art Deep Learning model with little to no configuration needed! You provide your labeled dataset or label your dataset using our BMW-LabelTool-Lite and you can start the training right away and monitor it in many different ways like TensorBoard or a custom REST API and GUI. NoCode training with YOLOv4 and YOLOV3 has never been so easy.项目地址: https://gitcode.com/gh_mirrors/bm/BMW-YOLOv4-Training-Automation想用 YOLOv4 训练自己的目标检测模型却被 darknet 那几百行的.cfg文件劝退BMW-YOLOv4-Training-Automation 把整个训练流程压缩成一份 JSON 文件——train_config.json。你只需填好这份配置就能零代码启动 YOLOv4 / YOLOv3 训练。本文将逐行拆解其中 10 个核心配置项并给出新手推荐值帮你快速跑通第一个目标检测训练任务。1. train_config.json 是什么——YOLOv4 训练的总开关BMW-YOLOv4-Training-Automation 是一个开箱即用的 YOLO 训练自动化项目只要提供标注好的数据集它就会自动完成生成 darknet 配置、划分训练/测试集、准备权重、启动训练并提供 REST API、TensorBoard、Dashboard 等多种监控手段。整个项目的所有决策都集中在 train_config.json 这一份文件里分为三个区块区块作用核心配置项data定义数据集与类别3 个model选择模型、设置训练超参数6 个training指定 GPU、评估与监控方式4 组配置模板位于config/train_config.json.template官方示例在sample_dataset/train_config.jsonsample_dataset 还自带 200 张已标注的车辆图片可直接拿来练手。使用方式很简单复制模板、去掉.template后缀、按需修改即可。所有字段的校验规则定义在config/train_config_schema.json配置写错了会在这里被拦截非常友好。2. data 区块告诉模型学什么配置项 1data.name —— 给数据集起个名字name: objname会作为生成 YOLO 配置文件的命名前缀例如obj.data、obj.names。建议起一个与业务相关的短名字方便在训练输出目录里区分不同数据集。配置项 2data.classes —— 列出所有要检测的类别classes: [Dolly, Wheels]这是你希望模型学会识别的全部物体类别必须与标注文件中的类别编号一一对应YOLO 标注按 0、1、2… 排序classes数组的索引就是类别编号。类别数量不要频繁变动darknet 会据此重写.cfg中的filters等参数。配置项 3data.train_ratio —— 训练集与测试集怎么划分train_ratio: 0.8表示 80% 的图片用于训练、20% 用于测试。只有当你没有自行准备train.txt/test.txt时工具才会按此比例自动切分数据集。想留更多验证样本可调小到 0.7。3. model 区块模型选择与训练超参数配置项 4model.framework 与 model.model_name —— 选择框架与模型framework: darknet, model_name: yolov4framework目前仅支持 darknet。model_name可选yolov3、yolov3-tiny、darknet53.conv.74、yolov4等。想快速验证流程用yolov3-tiny追求精度用yolov4。配置项 5model.custom_weights —— 用迁移学习加速训练custom_weights: { enable: false, name: darknet53.conv.74 }enable设为true后会加载name指定的权重开始训练darknet53.conv.74官方预训练骨干网络迁移学习的首选自己之前训练产出的.weights相当于断点续训。数据量较小的新手数据集强烈建议开启迁移学习收敛更快、精度更高。配置项 6model.generate_custom_anchors —— 为你的数据集生成锚框generate_custom_anchors: false默认锚框是为 COCO 80 类设计的而你的数据集物体大小分布可能完全不同。设为true后工具会用 k-means 聚类为你的数据重新计算锚框Schema 中标注为 recommended。首次训练建议直接开启。配置项 7model.batch_size / subdivisions / max_batches —— 显存与训练规模batch_size: 64, subdivisions: 32, max_batches: 10000batch_size每次更新参数使用的图片总数subdivisions把 batch 拆成多少个子批次送入显存单次实际送入batch_size / subdivisions张max_batches总迭代次数社区经验值是类别数 × 2000至少 6000。显卡报Out of memory时把subdivisions调大到 32、64或调小图像尺寸是最快的解决办法。配置项 8model.train_image_width / train_image_height —— 训练输入尺寸train_image_width: 416, train_image_height: 416训练时图片会被统一缩放到这个尺寸。416×416 是精度与速度的均衡点小物体多的场景可提高到 608×608更慢但更准显存紧张可降到 320×320。配置项 9学习率怎么设——yolov3_config 与 yolov4_configyolov3_config: { learning_rate: 0.001 }, yolov4_config: { learning_rate: 0.0013 }两个区块分别对应 YOLOv3 / YOLOv4 的学习率互不干扰。学习率太大训练震荡、太小收敛慢。模板给的 0.001 / 0.0013 是稳妥起点若多卡训练出现 loss 为 nan可尝试降到 0.00065 附近。配置项 10数据增强——angle、saturation、exposure、hue、mosaic、blurangle: 0, saturation: 1.5, exposure: 1.5, hue: 0.1这是训练时对每张图做的随机增强相当于免费扩大数据集angle随机旋转角度度saturation/exposure饱和度与曝光随机变化幅度hue色调偏移量。YOLOv4 还额外支持两个专属增强在yolov4_config中开启对 YOLOv3 无效mosaic把多张图拼成一张再训练小目标检测的神技blur随机模糊增强对运动模糊场景的鲁棒性。4. training 区块GPU、评估与四路监控gpus 与 calculate_mapgpus: [0], calculate_map: truegpus指定参与训练的显卡编号多卡写[0, 1, 2]calculate_map开启后会在训练过程中周期性计算 mAP量化模型精度。若训练输出 nan除了调学习率也可以检查这里的 GPU 配置。四种监控方式总有一款适合你配置项默认端口用途custom_api8000REST API Swagger 文档结构化读取训练日志、测试图片dashboard3000训练仪表盘直观展示实时状态tensorboard6006TensorBoard 曲线查看 loss / mAP 变化web_ui8090darknet 自带的 Web 监控界面模板默认只开启custom_api和dashboardtensorboard与web_ui为false。训练时把对应enable改成true即可全部开启也互不冲突。5. 新手快速上手指南5 步跑通第一次训练复制config/train_config.json.template到你的数据集目录去掉.template后缀修改data.classes为你的类别名确认data.train_ratio修改model.model_name为yolov4或yolov3建议开启custom_weightsdarknet53.conv.74与generate_custom_anchors根据显卡显存调整batch_size/subdivisions/train_image_width启动训练后用custom_api8000或tensorboard6006观察 loss 曲线耐心等待收敛即可。总结train_config.json 把 YOLOv4 训练里最容易出错的.cfg细节全部自动化了。你只需关注 10 个核心配置项data区块定学什么model区块定怎么学training区块定在哪学、怎么盯。改完这份 JSON剩下的交给 BMW-YOLOv4-Training-Automation 就行。祝你训练顺利早日收获自己的第一版模型【免费下载链接】BMW-YOLOv4-Training-AutomationThis repository allows you to get started with training a state-of-the-art Deep Learning model with little to no configuration needed! You provide your labeled dataset or label your dataset using our BMW-LabelTool-Lite and you can start the training right away and monitor it in many different ways like TensorBoard or a custom REST API and GUI. NoCode training with YOLOv4 and YOLOV3 has never been so easy.项目地址: https://gitcode.com/gh_mirrors/bm/BMW-YOLOv4-Training-Automation创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 读懂 BMW-YOLOv4-Training-Automation 的 train_config.json：10 个核心配置项逐行详解
读懂 BMW-YOLOv4-Training-Automation 的 train_config.json10 个核心配置项逐行详解【免费下载链接】BMW-YOLOv4-Training-AutomationThis repository allows you to get started with training a state-of-the-art Deep Learning model with little to no configuration needed! You provide your labeled dataset or label your dataset using our BMW-LabelTool-Lite and you can start the training right away and monitor it in many different ways like TensorBoard or a custom REST API and GUI. NoCode training with YOLOv4 and YOLOV3 has never been so easy.项目地址: https://gitcode.com/gh_mirrors/bm/BMW-YOLOv4-Training-Automation想用 YOLOv4 训练自己的目标检测模型却被 darknet 那几百行的.cfg文件劝退BMW-YOLOv4-Training-Automation 把整个训练流程压缩成一份 JSON 文件——train_config.json。你只需填好这份配置就能零代码启动 YOLOv4 / YOLOv3 训练。本文将逐行拆解其中 10 个核心配置项并给出新手推荐值帮你快速跑通第一个目标检测训练任务。1. train_config.json 是什么——YOLOv4 训练的总开关BMW-YOLOv4-Training-Automation 是一个开箱即用的 YOLO 训练自动化项目只要提供标注好的数据集它就会自动完成生成 darknet 配置、划分训练/测试集、准备权重、启动训练并提供 REST API、TensorBoard、Dashboard 等多种监控手段。整个项目的所有决策都集中在 train_config.json 这一份文件里分为三个区块区块作用核心配置项data定义数据集与类别3 个model选择模型、设置训练超参数6 个training指定 GPU、评估与监控方式4 组配置模板位于config/train_config.json.template官方示例在sample_dataset/train_config.jsonsample_dataset 还自带 200 张已标注的车辆图片可直接拿来练手。使用方式很简单复制模板、去掉.template后缀、按需修改即可。所有字段的校验规则定义在config/train_config_schema.json配置写错了会在这里被拦截非常友好。2. data 区块告诉模型学什么配置项 1data.name —— 给数据集起个名字name: objname会作为生成 YOLO 配置文件的命名前缀例如obj.data、obj.names。建议起一个与业务相关的短名字方便在训练输出目录里区分不同数据集。配置项 2data.classes —— 列出所有要检测的类别classes: [Dolly, Wheels]这是你希望模型学会识别的全部物体类别必须与标注文件中的类别编号一一对应YOLO 标注按 0、1、2… 排序classes数组的索引就是类别编号。类别数量不要频繁变动darknet 会据此重写.cfg中的filters等参数。配置项 3data.train_ratio —— 训练集与测试集怎么划分train_ratio: 0.8表示 80% 的图片用于训练、20% 用于测试。只有当你没有自行准备train.txt/test.txt时工具才会按此比例自动切分数据集。想留更多验证样本可调小到 0.7。3. model 区块模型选择与训练超参数配置项 4model.framework 与 model.model_name —— 选择框架与模型framework: darknet, model_name: yolov4framework目前仅支持 darknet。model_name可选yolov3、yolov3-tiny、darknet53.conv.74、yolov4等。想快速验证流程用yolov3-tiny追求精度用yolov4。配置项 5model.custom_weights —— 用迁移学习加速训练custom_weights: { enable: false, name: darknet53.conv.74 }enable设为true后会加载name指定的权重开始训练darknet53.conv.74官方预训练骨干网络迁移学习的首选自己之前训练产出的.weights相当于断点续训。数据量较小的新手数据集强烈建议开启迁移学习收敛更快、精度更高。配置项 6model.generate_custom_anchors —— 为你的数据集生成锚框generate_custom_anchors: false默认锚框是为 COCO 80 类设计的而你的数据集物体大小分布可能完全不同。设为true后工具会用 k-means 聚类为你的数据重新计算锚框Schema 中标注为 recommended。首次训练建议直接开启。配置项 7model.batch_size / subdivisions / max_batches —— 显存与训练规模batch_size: 64, subdivisions: 32, max_batches: 10000batch_size每次更新参数使用的图片总数subdivisions把 batch 拆成多少个子批次送入显存单次实际送入batch_size / subdivisions张max_batches总迭代次数社区经验值是类别数 × 2000至少 6000。显卡报Out of memory时把subdivisions调大到 32、64或调小图像尺寸是最快的解决办法。配置项 8model.train_image_width / train_image_height —— 训练输入尺寸train_image_width: 416, train_image_height: 416训练时图片会被统一缩放到这个尺寸。416×416 是精度与速度的均衡点小物体多的场景可提高到 608×608更慢但更准显存紧张可降到 320×320。配置项 9学习率怎么设——yolov3_config 与 yolov4_configyolov3_config: { learning_rate: 0.001 }, yolov4_config: { learning_rate: 0.0013 }两个区块分别对应 YOLOv3 / YOLOv4 的学习率互不干扰。学习率太大训练震荡、太小收敛慢。模板给的 0.001 / 0.0013 是稳妥起点若多卡训练出现 loss 为 nan可尝试降到 0.00065 附近。配置项 10数据增强——angle、saturation、exposure、hue、mosaic、blurangle: 0, saturation: 1.5, exposure: 1.5, hue: 0.1这是训练时对每张图做的随机增强相当于免费扩大数据集angle随机旋转角度度saturation/exposure饱和度与曝光随机变化幅度hue色调偏移量。YOLOv4 还额外支持两个专属增强在yolov4_config中开启对 YOLOv3 无效mosaic把多张图拼成一张再训练小目标检测的神技blur随机模糊增强对运动模糊场景的鲁棒性。4. training 区块GPU、评估与四路监控gpus 与 calculate_mapgpus: [0], calculate_map: truegpus指定参与训练的显卡编号多卡写[0, 1, 2]calculate_map开启后会在训练过程中周期性计算 mAP量化模型精度。若训练输出 nan除了调学习率也可以检查这里的 GPU 配置。四种监控方式总有一款适合你配置项默认端口用途custom_api8000REST API Swagger 文档结构化读取训练日志、测试图片dashboard3000训练仪表盘直观展示实时状态tensorboard6006TensorBoard 曲线查看 loss / mAP 变化web_ui8090darknet 自带的 Web 监控界面模板默认只开启custom_api和dashboardtensorboard与web_ui为false。训练时把对应enable改成true即可全部开启也互不冲突。5. 新手快速上手指南5 步跑通第一次训练复制config/train_config.json.template到你的数据集目录去掉.template后缀修改data.classes为你的类别名确认data.train_ratio修改model.model_name为yolov4或yolov3建议开启custom_weightsdarknet53.conv.74与generate_custom_anchors根据显卡显存调整batch_size/subdivisions/train_image_width启动训练后用custom_api8000或tensorboard6006观察 loss 曲线耐心等待收敛即可。总结train_config.json 把 YOLOv4 训练里最容易出错的.cfg细节全部自动化了。你只需关注 10 个核心配置项data区块定学什么model区块定怎么学training区块定在哪学、怎么盯。改完这份 JSON剩下的交给 BMW-YOLOv4-Training-Automation 就行。祝你训练顺利早日收获自己的第一版模型【免费下载链接】BMW-YOLOv4-Training-AutomationThis repository allows you to get started with training a state-of-the-art Deep Learning model with little to no configuration needed! You provide your labeled dataset or label your dataset using our BMW-LabelTool-Lite and you can start the training right away and monitor it in many different ways like TensorBoard or a custom REST API and GUI. NoCode training with YOLOv4 and YOLOV3 has never been so easy.项目地址: https://gitcode.com/gh_mirrors/bm/BMW-YOLOv4-Training-Automation创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考