انتقل إلى المحتوى

مرجع ل ultralytics/utils/callbacks/wb.py

ملاحظه

هذا الملف متاح في https://github.com/ultralytics/ultralytics/ نقطة / الرئيسية /ultralytics/ المرافق / عمليات الاسترجاعات / WB .py. إذا اكتشفت مشكلة ، فيرجى المساعدة في إصلاحها من خلال المساهمة في طلب 🛠️ سحب. شكرا لك 🙏!



ultralytics.utils.callbacks.wb._custom_table(x, y, classes, title='Precision Recall Curve', x_title='Recall', y_title='Precision')

إنشاء مرئيات قياس مخصصة وتسجيلها في wandb.plot.pr_curve.

تصنع هذه الوظيفة تصورا متريا مخصصا يحاكي سلوك استدعاء الدقة الافتراضي ل wandb منحنى مع السماح بالتخصيص المحسن. المقياس المرئي مفيد لمراقبة أداء النموذج عبر فئات مختلفة.

البارامترات:

اسم نوع وصف افتراضي
x List

قيم المحور السيني ؛ من المتوقع أن يكون الطول N.

مطلوب
y List

القيم المقابلة للمحور ص ؛ من المتوقع أيضا أن يكون الطول N.

مطلوب
classes List

تسميات تحدد فئة كل نقطة ؛ الطول N.

مطلوب
title str

عنوان المؤامرة ؛ افتراضيا إلى "منحنى الاستدعاء الدقيق".

'Precision Recall Curve'
x_title str

تسمية للمحور السيني ؛ الإعدادات الافتراضية ل "استدعاء".

'Recall'
y_title str

تسمية للمحور ص ؛ الإعدادات الافتراضية هي "الدقة".

'Precision'

ارجاع:

نوع وصف
Object

كائن wandb مناسب للتسجيل ، يعرض التصور المتري المركب.

شفرة المصدر في ultralytics/utils/callbacks/wb.py
22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 3738394041 4243444546
def _custom_table(x, y, classes, title="Precision Recall Curve", x_title="Recall", y_title="Precision"):
    """
    Create and log a custom metric visualization to wandb.plot.pr_curve.

    This function crafts a custom metric visualization that mimics the behavior of wandb's default precision-recall
    curve while allowing for enhanced customization. The visual metric is useful for monitoring model performance across
    different classes.

    Args:
        x (List): Values for the x-axis; expected to have length N.
        y (List): Corresponding values for the y-axis; also expected to have length N.
        classes (List): Labels identifying the class of each point; length N.
        title (str, optional): Title for the plot; defaults to 'Precision Recall Curve'.
        x_title (str, optional): Label for the x-axis; defaults to 'Recall'.
        y_title (str, optional): Label for the y-axis; defaults to 'Precision'.

    Returns:
        (wandb.Object): A wandb object suitable for logging, showcasing the crafted metric visualization.
    """
    df = pd.DataFrame({"class": classes, "y": y, "x": x}).round(3)
    fields = {"x": "x", "y": "y", "class": "class"}
    string_fields = {"title": title, "x-axis-title": x_title, "y-axis-title": y_title}
    return wb.plot_table(
        "wandb/area-under-curve/v0", wb.Table(dataframe=df), fields=fields, string_fields=string_fields
    )



ultralytics.utils.callbacks.wb._plot_curve(x, y, names=None, id='precision-recall', title='Precision Recall Curve', x_title='Recall', y_title='Precision', num_x=100, only_mean=False)

تسجيل تصور المنحنى المتري.

تقوم هذه الوظيفة بإنشاء منحنى متري بناء على بيانات الإدخال وتسجيل التصور إلى wandb. يمكن أن يمثل المنحنى البيانات المجمعة (المتوسط) أو بيانات الفئة الفردية ، اعتمادا على علامة "only_mean".

البارامترات:

اسم نوع وصف افتراضي
x ndarray

نقاط البيانات للمحور السيني بطول N.

مطلوب
y ndarray

نقاط البيانات المقابلة للمحور ص مع الشكل CxN ، حيث C هو عدد الفئات.

مطلوب
names list

أسماء الفئات المقابلة لبيانات المحور الصادي ؛ الطول C. الإعدادات الافتراضية إلى [].

None
id str

معرف فريد للبيانات المسجلة في wandb. الإعدادات الافتراضية ل "الاستدعاء الدقيق".

'precision-recall'
title str

عنوان مؤامرة التصور. الإعدادات الافتراضية هي "منحنى الاستدعاء الدقيق".

'Precision Recall Curve'
x_title str

تسمية للمحور السيني. الإعدادات الافتراضية ل "استدعاء".

'Recall'
y_title str

تسمية للمحور ص. الإعدادات الافتراضية ل "الدقة".

'Precision'
num_x int

عدد نقاط البيانات المقحمة للتصور. الإعدادات الافتراضية إلى 100.

100
only_mean bool

ضع علامة للإشارة إلى ما إذا كان يجب رسم المنحنى المتوسط فقط. الإعدادات الافتراضية إلى صواب.

False
ملاحظه

تستفيد الوظيفة من وظيفة "_custom_table" لإنشاء التصور الفعلي.

شفرة المصدر في ultralytics/utils/callbacks/wb.py
49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72  73 74757677787980818283 84 85 86 87 88 89909192 939495969798
def _plot_curve(
    x,
    y,
    names=None,
    id="precision-recall",
    title="Precision Recall Curve",
    x_title="Recall",
    y_title="Precision",
    num_x=100,
    only_mean=False,
):
    """
    Log a metric curve visualization.

    This function generates a metric curve based on input data and logs the visualization to wandb.
    The curve can represent aggregated data (mean) or individual class data, depending on the 'only_mean' flag.

    Args:
        x (np.ndarray): Data points for the x-axis with length N.
        y (np.ndarray): Corresponding data points for the y-axis with shape CxN, where C is the number of classes.
        names (list, optional): Names of the classes corresponding to the y-axis data; length C. Defaults to [].
        id (str, optional): Unique identifier for the logged data in wandb. Defaults to 'precision-recall'.
        title (str, optional): Title for the visualization plot. Defaults to 'Precision Recall Curve'.
        x_title (str, optional): Label for the x-axis. Defaults to 'Recall'.
        y_title (str, optional): Label for the y-axis. Defaults to 'Precision'.
        num_x (int, optional): Number of interpolated data points for visualization. Defaults to 100.
        only_mean (bool, optional): Flag to indicate if only the mean curve should be plotted. Defaults to True.

    Note:
        The function leverages the '_custom_table' function to generate the actual visualization.
    """
    # Create new x
    if names is None:
        names = []
    x_new = np.linspace(x[0], x[-1], num_x).round(5)

    # Create arrays for logging
    x_log = x_new.tolist()
    y_log = np.interp(x_new, x, np.mean(y, axis=0)).round(3).tolist()

    if only_mean:
        table = wb.Table(data=list(zip(x_log, y_log)), columns=[x_title, y_title])
        wb.run.log({title: wb.plot.line(table, x_title, y_title, title=title)})
    else:
        classes = ["mean"] * len(x_log)
        for i, yi in enumerate(y):
            x_log.extend(x_new)  # add new x
            y_log.extend(np.interp(x_new, x, yi))  # interpolate y to new x
            classes.extend([names[i]] * len(x_new))  # add class names
        wb.log({id: _custom_table(x_log, y_log, classes, title, x_title, y_title)}, commit=False)



ultralytics.utils.callbacks.wb._log_plots(plots, step)

يسجل المؤامرات من قاموس الإدخال إذا لم يتم تسجيلها بالفعل في الخطوة المحددة.

شفرة المصدر في ultralytics/utils/callbacks/wb.py
101 102 103 104 105 106 107
def _log_plots(plots, step):
    """Logs plots from the input dictionary if they haven't been logged already at the specified step."""
    for name, params in plots.items():
        timestamp = params["timestamp"]
        if _processed_plots.get(name) != timestamp:
            wb.run.log({name.stem: wb.Image(str(name))}, step=step)
            _processed_plots[name] = timestamp



ultralytics.utils.callbacks.wb.on_pretrain_routine_start(trainer)

بدء وبدء المشروع إذا كانت الوحدة موجودة.

شفرة المصدر في ultralytics/utils/callbacks/wb.py
def on_pretrain_routine_start(trainer):
    """Initiate and start project if module is present."""
    wb.run or wb.init(project=trainer.args.project or "YOLOv8", name=trainer.args.name, config=vars(trainer.args))



ultralytics.utils.callbacks.wb.on_fit_epoch_end(trainer)

يسجل مقاييس التدريب ومعلومات النموذج في نهاية حقبة.

شفرة المصدر في ultralytics/utils/callbacks/wb.py
115 116 117 118 119120 121
def on_fit_epoch_end(trainer):
    """Logs training metrics and model information at the end of an epoch."""
    wb.run.log(trainer.metrics, step=trainer.epoch + 1)
    _log_plots(trainer.plots, step=trainer.epoch + 1)
    _log_plots(trainer.validator.plots, step=trainer.epoch + 1)
    if trainer.epoch == 0:
        wb.run.log(model_info_for_loggers(trainer), step=trainer.epoch + 1)



ultralytics.utils.callbacks.wb.on_train_epoch_end(trainer)

سجل المقاييس واحفظ الصور في نهاية كل حقبة تدريب.

شفرة المصدر في ultralytics/utils/callbacks/wb.py
124 125 126 127 128 129
def on_train_epoch_end(trainer):
    """Log metrics and save images at the end of each training epoch."""
    wb.run.log(trainer.label_loss_items(trainer.tloss, prefix="train"), step=trainer.epoch + 1)
    wb.run.log(trainer.lr, step=trainer.epoch + 1)
    if trainer.epoch == 1:
        _log_plots(trainer.plots, step=trainer.epoch + 1)



ultralytics.utils.callbacks.wb.on_train_end(trainer)

احفظ أفضل نموذج كقطعة أثرية في نهاية التدريب.

شفرة المصدر في ultralytics/utils/callbacks/wb.py
132 133 134 135 136 137 138 139 140 141 142 143 144 145 146147 148149 150151
def on_train_end(trainer):
    """Save the best model as an artifact at end of training."""
    _log_plots(trainer.validator.plots, step=trainer.epoch + 1)
    _log_plots(trainer.plots, step=trainer.epoch + 1)
    art = wb.Artifact(type="model", name=f"run_{wb.run.id}_model")
    if trainer.best.exists():
        art.add_file(trainer.best)
        wb.run.log_artifact(art, aliases=["best"])
    for curve_name, curve_values in zip(trainer.validator.metrics.curves, trainer.validator.metrics.curves_results):
        x, y, x_title, y_title = curve_values
        _plot_curve(
            x,
            y,
            names=list(trainer.validator.metrics.names.values()),
            id=f"curves/{curve_name}",
            title=curve_name,
            x_title=x_title,
            y_title=y_title,
        )
    wb.run.finish()  # required or run continues on dashboard





تم إنشاء 2023-11-12, اخر تحديث 2023-11-25
المؤلفون: جلين جوشر (3) ، يضحك س (1)