ضبط المعلمات الفائقة الفعال باستخدام Ray Tune و YOLOv8

يعد ضبط المعلمات الفائقة أمرا حيويا في تحقيق ذروة أداء النموذج من خلال اكتشاف المجموعة المثلى من المعلمات الفائقة. يتضمن ذلك تشغيل الإصدارات التجريبية بمعلمات فائقة مختلفة وتقييم أداء كل تجربة.

تسريع الضبط باستخدام Ultralytics YOLOv8 وراي تيون

Ultralytics YOLOv8 يتضمن Ray Tune لضبط المعلمات الفائقة ، مما يبسط تحسين YOLOv8 المعلمات الفائقة النموذجية. باستخدام Ray Tune ، يمكنك استخدام استراتيجيات البحث المتقدمة والتوازي والتوقف المبكر لتسريع عملية الضبط.

راي تيون

Ray Tune هي مكتبة ضبط المعلمات الفائقة المصممة لتحقيق الكفاءة والمرونة. وهو يدعم استراتيجيات البحث المختلفة ، والتوازي ، واستراتيجيات التوقف المبكر ، ويتكامل بسلاسة مع أطر التعلم الآلي الشائعة ، بما في ذلك Ultralytics YOLOv8.

التكامل مع Weights & Biases

YOLOv8 يسمح أيضا بالتكامل الاختياري مع Weights & Biases لمراقبة عملية الضبط.

تركيب

لتثبيت الحزم المطلوبة ، قم بتشغيل:

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]"

# Optionally install W&B for logging
pip install wandb

استخدام

from ultralytics import YOLO

# Load a YOLOv8n model
model = YOLO('yolov8n.pt')

# Start tuning hyperparameters for YOLOv8n training on the COCO8 dataset
result_grid = model.tune(data='coco8.yaml', use_ray=True)

tune() معلمات الطريقة

ال tune() الطريقة في YOLOv8 يوفر واجهة سهلة الاستخدام لضبط المعلمات الفائقة باستخدام Ray Tune. يقبل العديد من الحجج التي تسمح لك بتخصيص عملية الضبط. فيما يلي شرح مفصل لكل معلمة:

من خلال تخصيص هذه المعلمات، يمكنك ضبط عملية تحسين المعلمات الفائقة لتناسب احتياجاتك الخاصة والموارد الحسابية المتاحة.

وصف مساحة البحث الافتراضية

يسرد الجدول التالي معلمات مساحة البحث الافتراضية لضبط المعلمات الفائقة في YOLOv8 مع راي تون. كل معلمة لها نطاق قيم محدد محدد بواسطة tune.uniform().

مثال على مساحة البحث المخصصة

في هذا المثال ، نوضح كيفية استخدام مساحة بحث مخصصة لضبط المعلمات الفائقة باستخدام Ray Tune و YOLOv8. من خلال توفير مساحة بحث مخصصة ، يمكنك تركيز عملية الضبط على معلمات فائقة محددة ذات أهمية.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolov8n.pt")

# Run Ray Tune on the model
result_grid = model.tune(data="coco8.yaml",
                         space={"lr0": tune.uniform(1e-5, 1e-1)},
                         epochs=50,
                         use_ray=True)

في مقتطف الشفرة أعلاه ، نقوم بإنشاء ملف YOLO نموذج مع "yolov8n.pt" الأوزان المدربة مسبقا. بعد ذلك، نسمي tune() ، مع تحديد تكوين مجموعة البيانات باستخدام "coco8.yaml". نحن نقدم مساحة بحث مخصصة لمعدل التعلم الأولي lr0 باستخدام قاموس بالمفتاح "LR0" والقيمة tune.uniform(1e-5, 1e-1). أخيرا ، نقوم بتمرير وسيطات تدريب إضافية ، مثل عدد الفترات مباشرة إلى طريقة اللحن ك epochs=50.

معالجة نتائج راي لحن

بعد إجراء تجربة ضبط المعلمات الفائقة باستخدام Ray Tune ، قد ترغب في إجراء تحليلات مختلفة على النتائج التي تم الحصول عليها. سيأخذك هذا الدليل عبر مهام سير العمل الشائعة لمعالجة هذه النتائج وتحليلها.

تحميل نتائج تجربة Tune من دليل

بعد تشغيل تجربة الضبط مع tuner.fit()، يمكنك تحميل النتائج من دليل. هذا مفيد ، خاصة إذا كنت تجري التحليل بعد خروج البرنامج النصي للتدريب الأولي.

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

التحليل الأساسي على مستوى التجربة

احصل على نظرة عامة حول كيفية إجراء التجارب. يمكنك التحقق بسرعة مما إذا كانت هناك أي أخطاء أثناء التجارب.

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

التحليل الأساسي على مستوى التجربة

الوصول إلى تكوينات المعلمات الفائقة للإصدار التجريبي الفردي وآخر المقاييس التي تم الإبلاغ عنها.

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

رسم التاريخ الكامل للمقاييس المبلغ عنها للتجربة

يمكنك رسم سجل المقاييس التي تم الإبلاغ عنها لكل تجربة لمعرفة كيفية تطور المقاييس بمرور الوقت.

import matplotlib.pyplot as plt

for result in result_grid:
    plt.plot(result.metrics_dataframe["training_iteration"], result.metrics_dataframe["mean_accuracy"], label=f"Trial {i}")

plt.xlabel('Training Iterations')
plt.ylabel('Mean Accuracy')
plt.legend()
plt.show()

ملخص

في هذه الوثائق، قمنا بتغطية مهام سير العمل الشائعة لتحليل نتائج التجارب التي يتم تشغيلها باستخدام Ray Tune باستخدام Ultralytics. تتضمن الخطوات الرئيسية تحميل نتائج التجربة من دليل ، وإجراء تحليل أساسي على مستوى التجربة ومستوى التجربة ومقاييس التخطيط.

استكشف المزيد من خلال النظر في صفحة مستندات تحليل النتائج في Ray Tune لتحقيق أقصى استفادة من تجارب ضبط المعلمات الفائقة.

التعليقات