在机器学习领域，模型的训练效果很大程度上取决于超参数的设置。超参数是控制模型学习过程的参数，不同于模型内部的权重和偏置，它们需要在训练之前设定。传统的网格搜索方法由于搜索空间的高维度、维度间的未知相关性以及评估每个点的适应度成本高昂，往往变得不切实际。因此，遗传算法（Genetic Algorithm, GA）成为了超参数搜索的一个合适选择。
在开始之前，需要在Python环境（版本至少为3.8.0）中安装YOLOv5和PyTorch（版本至少为1.8）。可以通过克隆代码库并安装requirements.txt来实现。模型和数据集将自动从最新的YOLOv5发布版本中下载。
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
YOLOv5模型包含约30个用于不同训练设置的超参数，这些参数在/data/hyps目录下的*.yaml文件中定义。正确的初始猜测将产生更好的最终结果，因此在进化之前正确初始化这些值非常重要。如果不确定，可以使用为YOLOv5 COCO训练从头开始优化的默认值。
适应度是试图最大化的值。在YOLOv5中，定义了一个默认的适应度函数，作为指标的加权组合：mAP@0.5贡献了10%的权重，mAP@0.5:0.95贡献了剩余的90%，而精度P和召回率R不包括在内。可以根据需要调整这些权重，或者使用utils/metrics.py中的默认适应度定义（推荐）。
def fitness(x):
"""Return model fitness as the sum of weighted metrics [P, R, mAP@0.5, mAP@0.5:0.95]."
w = [0.0, 0.0, 0.1, 0.9] # weights for [P, R, mAP@0.5, mAP@0.5:0.95]
return (x[:, :4] * w).sum(1)
进化是围绕一个基础情景进行的，试图改善这个基础情景。在这个例子中，基础情景是使用预训练的YOLOv5s微调COCO128，训练10个周期。要针对这个特定情景进化超参数，从第1部分定义的初始值开始，并最大化第2部分定义的适应度，可以追加--evolve参数。
默认的进化设置将运行基础情景300次，即300代。可以通过--evolve参数修改代数，例如python train.py --evolve 1000。
主要的遗传算子是交叉和变异。在这项工作中，使用了变异，有80%的概率和0.04的方差，基于所有先前代中最好的父母创建新的后代。结果记录在runs/evolve/exp/evolve.csv中，并且每一代最高适应度的后代被保存为runs/evolve/hyp_evolved.yaml：
建议至少进行300代的进化以获得最佳结果。请注意，进化通常是昂贵且耗时的，因为基础情景被训练了数百次，可能需要数百或数千个GPU小时。
进化完成后，可以通过utils.plots.plot_evolve()将evolve.csv绘制为evolve.png，每个超参数都有一个子图，显示适应度（y轴）与超参数值（x轴）。黄色表示高浓度。垂直分布表明一个参数已被禁用并且不会变异。这可以在train.py中的meta字典中由用户选择，并且对于固定参数并防止其进化很有用。
Ultralytics提供了一系列预安装了CUDA、CUDNN、Python和PyTorch等基本依赖的即用型环境，以快速启动项目。