.png){kind=icon}
返回
Hyperparameter optimization of YOLO using differential evolution, multi-fidelity optimization, and Bayesian optimization
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-47827-6.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于无人机影像的目标检测面临小目标、随机方向和拥挤目标等挑战，现有超参数设置效果不佳。本研究提出一种通过差分进化、多保真优化和贝叶斯优化（DE-MFO-BO）集成优化YOLO超参数的系统方法。该方法针对Adam和SGD优化器的学习率、批次大小、动量和权重衰减四个关键超参数进行优化，采用两阶段策略：差分进化通过低保真训练（5个周期）快速探索并识别潜在超参数区域，随后贝叶斯优化结合高保真训练（最多800个周期）进行精确优化。复合适应度函数结合精确率、召回率和平均精度均值（IoU 50–95）（mAP(50–95)）指导优化过程。我们在VisDrone2019和自主构建的Realm数据集上使用YOLO-11n模型验证该框架。在VisDrone2019上，Adam优化器实现18.42%的召回率提升和13.5%的mAP(50–95)增强，SGD则提升5.07%的精确率；在Realm数据集上，Adam优化器表现显著，mAP(50–95)提升20.96%，精确率提升10.22%，召回率提升7.17%，而SGD提升2.78%的精确率。这些显著性能提升（无需架构修改）证实了本系统超参数优化方法在无人机目标检测应用中的有效性。
Keyword:
Computational biology and bioinformatics
Engineering
Mathematics and computing
YOLO-11
Differential Evolution
Multi-fidelity optimization
Bayesian optimization
VisDrone2019
Hyperparameter optimization
Science
Humanities and Social Sciences
multidisciplinary
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
