Enhancing YOLO11 Experiment Tracking and Visualization with Weights & Biases

Object detection models like Ultralytics YOLO11 have become integral to many computer vision applications. However, training, evaluating, and deploying these complex models introduce several challenges. Tracking key training metrics, comparing model variants, analyzing model behavior, and detecting issues require significant instrumentation and experiment management.

شاهد: How to use Ultralytics YOLO11 with Weights and Biases

This guide showcases Ultralytics YOLO11 integration with Weights & Biases for enhanced experiment tracking, model-checkpointing, and visualization of model performance. It also includes instructions for setting up the integration, training, fine-tuning, and visualizing results using Weights & Biases' interactive features.

Weights & Biases

Weights & Biases is a cutting-edge MLOps platform designed for tracking, visualizing, and managing machine learning experiments. It features automatic logging of training metrics for full experiment reproducibility, an interactive UI for streamlined data analysis, and efficient model management tools for deploying across various environments.

YOLO11 Training with Weights & Biases

You can use Weights & Biases to bring efficiency and automation to your YOLO11 training process.

تركيب

لتثبيت الحزم المطلوبة ، قم بتشغيل:

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

For detailed instructions and best practices related to the installation process, be sure to check our YOLO11 Installation guide. While installing the required packages for YOLO11, if you encounter any difficulties, consult our Common Issues guide for solutions and tips.

تكوين Weights & Biases

بعد تثبيت الحزم الضرورية ، فإن الخطوة التالية هي إعداد ملف Weights & Biases وسط. يتضمن ذلك إنشاء ملف Weights & Biases والحصول على مفتاح API الضروري للاتصال السلس بين بيئة التطوير الخاصة بك ومنصة W&B.

ابدأ بتهيئة ملف Weights & Biases البيئة في مساحة العمل الخاصة بك. يمكنك القيام بذلك عن طريق تشغيل الأمر التالي واتباع الإرشادات المطلوبة.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="<API_KEY>")

# Initialize your Weights & Biases environment
wandb login <API_KEY>

انتقل إلى Weights & Biases صفحة التفويض لإنشاء مفتاح API واسترداده. استخدم هذا المفتاح لمصادقة بيئتك باستخدام W&B.

Usage: Training YOLO11 with Weights & Biases

Before diving into the usage instructions for YOLO11 model training with Weights & Biases, be sure to check out the range of YOLO11 models offered by Ultralytics. This will help you choose the most appropriate model for your project requirements.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

# Train a YOLO11 model with Weights & Biases
yolo train data=coco8.yaml epochs=5 project=ultralytics name=yolo11n

W&B Arguments

# Enable Weights & Biases logging
wandb enabled

# Disable Weights & Biases logging
wandb disabled

فهم المخرجات

عند تشغيل مقتطف شفرة الاستخدام أعلاه ، يمكنك توقع المخرجات الرئيسية التالية:

• إعداد تشغيل جديد بمعرفه الفريد ، مما يشير إلى بدء عملية التدريب.
• ملخص موجز لهيكل النموذج ، بما في ذلك عدد الطبقات والمعلمات.
• Regular updates on important metrics such as box loss, cls loss, dfl loss, precision, recall, and mAP scores during each training epoch.
• At the end of training, detailed metrics including the model's inference speed, and overall accuracy metrics are displayed.
• روابط إلى Weights & Biases لوحة معلومات للتحليل المتعمق وتصور عملية التدريب ، إلى جانب معلومات حول مواقع ملفات السجل المحلية.

عرض Weights & Biases لوحه القياده

After running the usage code snippet, you can access the Weights & Biases (W&B) dashboard through the provided link in the output. This dashboard offers a comprehensive view of your model's training process with YOLO11.

الميزات الرئيسية ل Weights & Biases لوحه القياده

• تتبع المقاييس في الوقت الحقيقي: راقب المقاييس مثل الخسارة والدقة ودرجات التحقق من الصحة أثناء تطورها أثناء التدريب، مما يوفر رؤى فورية لضبط النموذج. شاهد كيف يتم تتبع التجارب باستخدام Weights & Biases.

• Hyperparameter Optimization: Weights & Biases aids in fine-tuning critical parameters such as learning rate, batch size, and more, enhancing the performance of YOLO11.

• التحليل المقارن: تسمح المنصة بإجراء مقارنات جنبا إلى جنب بين عمليات التدريب المختلفة ، وهو أمر ضروري لتقييم تأثير تكوينات النماذج المختلفة.

• تصور تقدم التدريب: يوفر التمثيل البياني للمقاييس الرئيسية فهمًا بديهيًا لأداء النموذج عبر الحقب الزمنية. شاهد كيف يساعدك Weights & Biases على تصور نتائج التحقق من الصحة.

• مراقبة الموارد: تتبع CPU و GPU واستخدام الذاكرة لتحسين كفاءة عملية التدريب.

• إدارة العناصر النموذجية: الوصول إلى نقاط التفتيش النموذجية ومشاركتها، مما يسهل النشر والتعاون بسهولة.

• عرض نتائج الاستدلال باستخدام تراكب الصور: تصور نتائج التنبؤ على الصور باستخدام التراكبات التفاعلية في Weights & Biases ، مما يوفر عرضًا واضحًا ومفصلاً لأداء النموذج على بيانات العالم الحقيقي. لمزيد من المعلومات التفصيلية حول إمكانيات تراكب الصور Weights & Biases'، راجع هذا الرابط. شاهد كيف تساعد تراكبات الصور Weights & Biases' تراكبات الصور في تصور استنتاجات النموذج.

By using these features, you can effectively track, analyze, and optimize your YOLO11 model's training, ensuring the best possible performance and efficiency.

ملخص

This guide helped you explore the Ultralytics YOLO integration with Weights & Biases. It illustrates the ability of this integration to efficiently track and visualize model training and prediction results.

لمزيد من التفاصيل حول الاستخدام ، قم بزيارة Weights & Biasesالوثائق الرسمية.

تأكد أيضا من إطلاعك على ملف Ultralytics صفحة دليل التكامل ، لمعرفة المزيد حول عمليات الدمج المثيرة المختلفة.

الأسئلة المتداولة

How do I integrate Weights & Biases with Ultralytics YOLO11?

To integrate Weights & Biases with Ultralytics YOLO11:

1. قم بتثبيت الحزم المطلوبة:

pip install -U ultralytics wandb

1. Log in to your Weights & Biases account:

import wandb

wandb.login(key="<API_KEY>")

1. Train your YOLO11 model with W&B logging enabled:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

This will automatically log metrics, hyperparameters, and model artifacts to your W&B project.

What are the key features of Weights & Biases integration with YOLO11?

The key features include:

• Real-time metrics tracking during training
• Hyperparameter optimization tools
• Comparative analysis of different training runs
• Visualization of training progress through graphs
• Resource monitoring (CPU, GPU, memory usage)
• Model artifacts management and sharing
• Viewing inference results with image overlays

These features help in tracking experiments, optimizing models, and collaborating more effectively on YOLO11 projects.

How can I view the Weights & Biases dashboard for my YOLO11 training?

After running your training script with W&B integration:

1. A link to your W&B dashboard will be provided in the console output.
2. Click on the link or go to wandb.ai and log in to your account.
3. Navigate to your project to view detailed metrics, visualizations, and model performance data.

The dashboard offers insights into your model's training process, allowing you to analyze and improve your YOLO11 models effectively.

Can I disable Weights & Biases logging for YOLO11 training?

Yes, you can disable W&B logging using the following command:

wandb disabled

To re-enable logging, use:

wandb enabled

This allows you to control when you want to use W&B logging without modifying your training scripts.

How does Weights & Biases help in optimizing YOLO11 models?

Weights & Biases helps optimize YOLO11 models by:

1. Providing detailed visualizations of training metrics
2. Enabling easy comparison between different model versions
3. Offering tools for hyperparameter tuning
4. Allowing for collaborative analysis of model performance
5. Facilitating easy sharing of model artifacts and results

These features help researchers and developers iterate faster and make data-driven decisions to improve their YOLO11 models.

📅 تم إنشاؤها قبل 9 أشهر ✏️ تم التحديث منذ 5 أيام

التعليقات