Gewinne visuelle Einblicke durch die Integration von YOLO26 mit TensorBoard#

Das Verständnis und die Feinabstimmung von Computer-Vision-Modellen wie Ultralytics YOLO26 werden einfacher, wenn du dir ihre Trainingsprozesse genauer ansiehst. Die Visualisierung des Modelltrainings hilft dir, Einblicke in Lernmuster, Leistungskennzahlen und das Gesamtverhalten des Modells zu gewinnen. Die Integration von YOLO26 mit TensorBoard erleichtert die Visualisierung und Analyse und ermöglicht fundiertere, effizientere Anpassungen am Modell.

Diese Anleitung erklärt, wie du TensorBoard mit YOLO26 verwendest. Du lernst verschiedene Visualisierungen kennen, vom Nachverfolgen von Kennzahlen bis zur Analyse von Modellgraphen. Mit diesen Werkzeugen kannst du die Leistung deines YOLO26-Modells besser verstehen.

TensorBoard#

TensorBoard, das Visualisierungswerkzeug für TensorFlow, ist für Experimente im maschinellen Lernen unverzichtbar. TensorBoard bietet eine Reihe von Visualisierungswerkzeugen, die für die Überwachung von Modellen des maschinellen Lernens entscheidend sind. Dazu gehören das Nachverfolgen wichtiger Kennzahlen wie Verlust und Genauigkeit, die Visualisierung von Modellgraphen und die Anzeige von Histogrammen der Gewichte und Biases im Zeitverlauf. Außerdem lassen sich Einbettungen in niedrigdimensionale Räume projizieren und Multimediadaten anzeigen.

YOLO26-Training mit TensorBoard#

TensorBoard lässt sich unkompliziert während des Trainings von YOLO26-Modellen einsetzen und bietet erhebliche Vorteile.

Installation#

Führe zum Installieren des erforderlichen Pakets Folgendes aus:

# Install YOLO26 and TensorBoard
pip install ultralytics tensorboard

TensorBoard ist eine optionale Abhängigkeit. Aktiviere nach der Installation den Callback einmal mit yolo settings tensorboard=True; die Einstellung bleibt für zukünftige Trainingsläufe erhalten.

Ausführliche Anweisungen und bewährte Vorgehensweisen zur Installation findest du in unserer YOLO26-Installationsanleitung. Falls bei der Installation der für YOLO26 erforderlichen Pakete Probleme auftreten, findest du Lösungen und Tipps in unserer Anleitung zu häufigen Problemen.

TensorBoard für Google Colab konfigurieren#

Wenn du Google Colab verwendest, solltest du TensorBoard einrichten, bevor du deinen Trainingscode startest:

%load_ext tensorboard
%tensorboard --logdir path/to/runs

Verwendung#

Bevor du mit den Anwendungshinweisen beginnst, solltest du dir die verschiedenen YOLO26-Modelle von Ultralytics ansehen. So findest du das Modell, das am besten zu den Anforderungen deines Projekts passt.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

from ultralytics import YOLO

# Vortrainiertes Modell laden
model = YOLO("yolo26n.pt")

# Das Modell trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Wenn du das obige Codebeispiel ausführst, wird folgende Ausgabe angezeigt:

TensorBoard: Start with 'tensorboard --logdir runs/detect/train', view at http://localhost:6006/

Diese Ausgabe zeigt an, dass TensorBoard jetzt deine YOLO26-Trainingssitzung überwacht. Du kannst das TensorBoard-Dashboard unter localhost:6006 öffnen, um Trainingskennzahlen und Modellleistung in Echtzeit zu sehen. Wenn du mit Google Colab arbeitest, wird TensorBoard in derselben Zelle angezeigt, in der du die Konfigurationsbefehle für TensorBoard ausgeführt hast.

Weitere Informationen zum Modelltraining findest du in unserer Anleitung zum Training von YOLO26-Modellen. Wenn du mehr über Protokollierung, Prüfpunkte, Diagramme und Dateiverwaltung erfahren möchtest, lies unsere Anleitung zur Konfiguration.

TensorBoard beim YOLO26-Training verstehen#

Sehen wir uns nun die verschiedenen Funktionen und Komponenten von TensorBoard im Zusammenhang mit dem YOLO26-Training an. Die drei wichtigsten Bereiche von TensorBoard sind Zeitreihen, Skalare und Graphen.

Zeitreihen#

Die Zeitreihenfunktion in TensorBoard bietet eine dynamische und detaillierte Darstellung verschiedener Trainingskennzahlen von YOLO26-Modellen im Zeitverlauf. Sie zeigt die Entwicklung und Trends der Kennzahlen über die Trainingsepochen hinweg. Hier siehst du ein Beispiel.

Wichtige Funktionen der Zeitreihen in TensorBoard#

• Tags filtern und Karten anheften: Damit kannst du bestimmte Kennzahlen filtern und Karten für einen schnellen Vergleich und Zugriff anheften. Das ist besonders nützlich, wenn du dich auf bestimmte Aspekte des Trainings konzentrieren möchtest.

• Detaillierte Kennzahlenkarten: Zeitreihen unterteilt Kennzahlen in verschiedene Kategorien, etwa Lernrate (lr), Training (train) und Validierung (val). Jede Kennzahl wird auf einer eigenen Karte dargestellt.

• Grafische Darstellung: Jede Karte im Zeitreihenbereich zeigt den Verlauf einer bestimmten Kennzahl während des Trainings als detailliertes Diagramm. Diese visuelle Darstellung hilft dabei, Trends, Muster oder Anomalien im Trainingsprozess zu erkennen.

• Detaillierte Analyse: Zeitreihen ermöglicht eine eingehende Analyse jeder Kennzahl. So werden beispielsweise verschiedene Abschnitte der Lernrate dargestellt und zeigen, wie sich Anpassungen der Lernrate auf die Lernkurve des Modells auswirken.

Warum Zeitreihen beim YOLO26-Training wichtig sind#

Der Zeitreihenbereich ist unverzichtbar, um den Trainingsfortschritt des YOLO26-Modells gründlich zu analysieren. Du kannst die Kennzahlen in Echtzeit verfolgen und Probleme frühzeitig erkennen und beheben. Außerdem zeigt der Bereich die Entwicklung jeder Kennzahl detailliert, was für die Feinabstimmung des Modells und die Verbesserung seiner Leistung entscheidend ist.

Skalare#

Skalare in TensorBoard sind wichtig, um einfache Kennzahlen wie Verlust und Genauigkeit während des Trainings von YOLO26-Modellen als Diagramm darzustellen und zu analysieren. Sie zeigen übersichtlich, wie sich diese Kennzahlen mit jeder Trainingsepoche verändern, und geben Aufschluss über die Lernwirksamkeit und Stabilität des Modells. Hier siehst du ein Beispiel.

Wichtige Funktionen der Skalare in TensorBoard#

• Tags für die Lernrate (lr): Diese Tags zeigen die Veränderungen der Lernrate in verschiedenen Abschnitten (z. B. lr/pg0, lr/pg1, lr/pg2). So lässt sich nachvollziehen, wie sich Anpassungen der Lernrate auf den Trainingsprozess auswirken.

• Metrik-Tags: Zu den Skalaren gehören Leistungsindikatoren wie:

  • metrics/mAP50(B): Mittlere durchschnittliche Präzision bei 50 % Intersection over Union (IoU), entscheidend für die Beurteilung der Genauigkeit der Objekterkennung.

  • metrics/mAP50-95(B): Mittlere durchschnittliche Präzision, berechnet über mehrere IoU-Schwellenwerte, für eine umfassendere Bewertung der Genauigkeit.

  • metrics/precision(B): Gibt den Anteil korrekt vorhergesagter positiver Beobachtungen an und ist entscheidend für das Verständnis der Vorhersage-Genauigkeit.

  • metrics/recall(B): Wichtig bei Modellen, bei denen eine übersehene Erkennung schwerwiegende Folgen hat. Diese Metrik misst, ob alle relevanten Instanzen erkannt werden.

  • Weitere Informationen zu den verschiedenen Metriken findest du in unserem Leitfaden zu Leistungsmetriken.

• Tags für Training und Validierung (train, val): Diese Tags zeigen Metriken speziell für die Trainings- und Validierungsdatensätze an und ermöglichen einen Vergleich der Modellleistung anhand verschiedener Datensätze.

Warum die Überwachung von Skalaren wichtig ist#

Die Beobachtung von Skalarmetriken ist für die Feinabstimmung des YOLO26-Modells entscheidend. Veränderungen dieser Metriken, etwa Spitzen oder unregelmäßige Muster in Verlustdiagrammen, können auf mögliche Probleme wie Overfitting, Underfitting oder ungeeignete Einstellungen der Lernrate hinweisen. Wenn du diese Skalare genau beobachtest, kannst du fundierte Entscheidungen zur Optimierung des Trainingsprozesses treffen. So stellst du sicher, dass das Modell effektiv lernt und die gewünschte Leistung erreicht.

Unterschied zwischen Skalaren und Zeitreihen#

Sowohl Skalare als auch Zeitreihen in TensorBoard dienen der Verfolgung von Metriken, erfüllen aber etwas unterschiedliche Zwecke. Skalare stellen einfache Metriken wie Verlust und Genauigkeit als Skalarwerte dar. Sie geben einen allgemeinen Überblick darüber, wie sich diese Metriken mit jeder Trainingsepoche verändern. Der Zeitreihenbereich von TensorBoard bietet dagegen eine detailliertere zeitliche Darstellung verschiedener Metriken. Er eignet sich besonders gut, um den Verlauf und die Trends von Metriken im Zeitverlauf zu überwachen und so einen tieferen Einblick in die Einzelheiten des Trainingsprozesses zu erhalten.

Diagramme#

Der Bereich „Diagramme“ in TensorBoard visualisiert den Berechnungsgraphen des YOLO26-Modells und zeigt, wie Operationen und Daten innerhalb des Modells fließen. Dieses leistungsstarke Werkzeug hilft dir, die Struktur des Modells zu verstehen, sicherzustellen, dass alle Schichten korrekt verbunden sind, und mögliche Engpässe im Datenfluss zu erkennen. Hier siehst du ein Beispiel dafür, was dich erwartet.

Diagramme sind besonders beim Debuggen des Modells nützlich, vor allem bei komplexen Architekturen, wie sie für Deep-Learning-Modelle wie YOLO26 typisch sind. Sie helfen dabei, die Verbindungen zwischen den Schichten und den Gesamtaufbau des Modells zu überprüfen.

Zusammenfassung#

Dieser Leitfaden zeigt dir, wie du TensorBoard mit YOLO26 zur Visualisierung und Analyse des Trainings von Machine-Learning-Modellen verwenden kannst. Er erläutert, wie wichtige TensorBoard-Funktionen während des YOLO26-Trainings Einblicke in Trainingsmetriken und die Modellleistung geben.

Eine ausführlichere Erläuterung dieser Funktionen und Strategien für ihre effektive Nutzung findest du in der offiziellen TensorBoard-Dokumentation von TensorFlow und im GitHub-Repository von TensorFlow.

Möchtest du mehr über die verschiedenen Integrationen von Ultralytics erfahren? Wirf einen Blick auf die Ultralytics-Seite zu Integrationen und entdecke, welche weiteren Möglichkeiten es gibt!

Häufig gestellte Fragen#