YOLO-Experiment-Tracking und -Visualisierung mit Weights & Biases

Objekterkennungsmodelle wie Ultralytics YOLO26 sind aus vielen Anwendungen der Computer Vision nicht mehr wegzudenken. Das Training, die Evaluierung und die Bereitstellung dieser komplexen Modelle bringen jedoch einige Herausforderungen mit sich. Die Verfolgung wichtiger Trainingsmetriken, der Vergleich von Modellvarianten, die Analyse des Modellverhaltens und die Erkennung von Problemen erfordern eine erhebliche Instrumentierung und Experimentverwaltung.

Dieser Leitfaden zeigt die Integration von Ultralytics YOLO26 mit Weights & Biases für ein verbessertes Experiment-Tracking, Modell-Checkpointing und die Visualisierung der Modellleistung. Er enthält außerdem Anleitungen zur Einrichtung der Integration, zum Training, zum Fine-Tuning und zur Visualisierung der Ergebnisse mithilfe der interaktiven Funktionen von Weights & Biases.

Weights & Biases

Weights & Biases ist eine hochmoderne MLOps-Plattform, die für das Tracking, die Visualisierung und die Verwaltung von Machine Learning-Experimenten entwickelt wurde. Sie bietet eine automatische Protokollierung von Trainingsmetriken für die vollständige Reproduzierbarkeit von Experimenten, eine interaktive Benutzeroberfläche für eine optimierte Datenanalyse sowie effiziente Werkzeuge zur Modellverwaltung für den Einsatz in verschiedenen Umgebungen.

YOLO26-Training mit Weights & Biases

Du kannst Weights & Biases nutzen, um Effizienz und Automatisierung in deinen YOLO26-Trainingsprozess zu bringen. Die Integration ermöglicht es dir, Experimente zu verfolgen, Modelle zu vergleichen und datengestützte Entscheidungen zur Verbesserung deiner Computer Vision-Projekte zu treffen.

Installation

Um die erforderlichen Pakete zu installieren, führe Folgendes aus:

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

# Enable W&B logging for Ultralytics
yolo settings wandb=True

Für detaillierte Anweisungen und bewährte Verfahren bezüglich des Installationsprozesses, schaue dir unbedingt unseren YOLO26-Installationsleitfaden an. Falls du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stößt, findest du in unserem Leitfaden für allgemeine Probleme Lösungen und Tipps.

Konfiguration von Weights & Biases

Nach der Installation der erforderlichen Pakete ist der nächste Schritt die Einrichtung deiner Weights & Biases-Umgebung. Dazu gehört das Erstellen eines Weights & Biases-Kontos und das Abrufen des notwendigen API-Keys für eine reibungslose Verbindung zwischen deiner Entwicklungsumgebung und der W&B-Plattform.

Beginne mit der Initialisierung der Weights & Biases-Umgebung in deinem Arbeitsbereich. Das kannst du tun, indem du den folgenden Befehl ausführst und den Anweisungen folgst.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")

Besuche die Weights & Biases-Autorisierungsseite, um deinen API-Key zu erstellen und abzurufen. Verwende diesen Key, wenn du dazu aufgefordert wirst, deine Umgebung mit W&B zu authentifizieren.

Verwendung: YOLO26-Training mit Weights & Biases

Bevor du in die Anleitungen zur Verwendung für das YOLO26-Modelltraining mit Weights & Biases eintauchst, schau dir unbedingt die Auswahl an YOLO26-Modellen von Ultralytics an. Dies hilft dir dabei, das für deine Projektanforderungen am besten geeignete Modell auszuwählen.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.pt")

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

W&B-Argumente

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Die Ausgabe verstehen

Nachdem du das oben genannte Code-Snippet zur Verwendung ausgeführt hast, kannst du die folgenden wichtigen Ausgaben erwarten:

• Die Einrichtung eines neuen Laufs mit seiner eindeutigen ID, die den Beginn des Trainingsprozesses anzeigt.
• Eine prägnante Zusammenfassung der Modellstruktur, einschließlich der Anzahl der Layer und Parameter.
• Regelmäßige Updates zu wichtigen Metriken wie Box-Loss, Cls-Loss, Dfl-Loss, Präzision, Recall und mAP-Scores während jeder Trainings-Epoche.
• Am Ende des Trainings werden detaillierte Metriken einschließlich der Inferenzgeschwindigkeit des Modells und allgemeiner Genauigkeitsmetriken angezeigt.
• Links zum Weights & Biases-Dashboard für eine tiefgreifende Analyse und Visualisierung des Trainingsprozesses sowie Informationen zu den Speicherorten der lokalen Protokolldateien.

Ansehen des Weights & Biases-Dashboards

Nachdem du das Code-Snippet zur Verwendung ausgeführt hast, kannst du über den in der Ausgabe bereitgestellten Link auf das Weights & Biases (W&B)-Dashboard zugreifen. Dieses Dashboard bietet einen umfassenden Überblick über den Trainingsprozess deines Modells mit YOLO26.

Hauptfunktionen des Weights & Biases-Dashboards

• Echtzeit-Metrik-Tracking: Beobachte Metriken wie Loss, Genauigkeit und Validierungswerte, während sie sich während des Trainings entwickeln, was sofortige Einblicke für das Modell-Tuning bietet. Sieh dir an, wie Experimente mit Weights & Biases verfolgt werden.

• Hyperparameter-Optimierung: Weights & Biases unterstützt das Fine-Tuning kritischer Parameter wie Lernrate, Batch-Größe und mehr, was die Leistung von YOLO26 verbessert. Dies hilft dir dabei, die optimale Konfiguration für deinen spezifischen Datensatz und deine Aufgabe zu finden.

• Vergleichende Analyse: Die Plattform ermöglicht den direkten Vergleich verschiedener Trainingsläufe, was für die Beurteilung der Auswirkungen verschiedener Modellkonfigurationen und das Verständnis, welche Änderungen die Leistung verbessern, unerlässlich ist.

• Visualisierung des Trainingsfortschritts: Grafische Darstellungen wichtiger Metriken bieten ein intuitives Verständnis der Modellleistung über die Epochen hinweg. Sieh dir an, wie Weights & Biases dir hilft, Validierungsergebnisse zu visualisieren.

• Ressourcenüberwachung: Behalte die CPU-, GPU- und Speicherauslastung im Auge, um die Effizienz des Trainingsprozesses zu optimieren und potenzielle Engpässe in deinem Workflow zu identifizieren.

• Verwaltung von Modell-Artefakten: Greife auf Modell-Checkpoints zu und teile sie, was den einfachen Einsatz und die Zusammenarbeit mit Teammitgliedern bei komplexen Projekten erleichtert.

• Anzeigen von Inferenz-Ergebnissen mit Bild-Overlay: Visualisiere die Vorhersageergebnisse auf Bildern mithilfe interaktiver Overlays in Weights & Biases, was einen klaren und detaillierten Blick auf die Modellleistung bei realen Daten bietet. Weitere Informationen findest du in den Bild-Overlay-Funktionen von Weights & Biases.

Durch die Nutzung dieser Funktionen kannst du das Training deines YOLO26-Modells effektiv verfolgen, analysieren und optimieren, um die bestmögliche Leistung und Effizienz für deine Objekterkennungsaufgaben sicherzustellen.

Zusammenfassung

Dieser Leitfaden hat dir geholfen, die Ultralytics YOLO-Integration mit Weights & Biases zu erkunden. Er verdeutlicht die Fähigkeit dieser Integration, das Modelltraining und die Vorhersageergebnisse effizient zu verfolgen und zu visualisieren. Durch die Nutzung der leistungsstarken Funktionen von W&B kannst du deinen Machine Learning-Workflow optimieren, datengestützte Entscheidungen treffen und die Leistung deines Modells verbessern.

Für weitere Details zur Verwendung besuche die offizielle Dokumentation von Weights & Biases oder erkunde die Präsentation von Soumik Rakshit von der YOLO VISION 2023 zu dieser Integration.

Schau dir auch unbedingt die Seite des Ultralytics-Integrationsleitfadens an, um mehr über verschiedene spannende Integrationen wie MLflow und Comet ML zu erfahren.

FAQ

Wie integriere ich Weights & Biases mit Ultralytics YOLO26?

So integrierst du Weights & Biases mit Ultralytics YOLO26:

1. Installiere die erforderlichen Pakete:

   pip install -U ultralytics wandb
   yolo settings wandb=True

2. Melde dich bei deinem Weights & Biases-Konto an:

   import wandb
   
   wandb.login(key="YOUR_API_KEY")

3. Trainiere dein YOLO26-Modell mit aktivierter W&B-Protokollierung:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Dadurch werden automatisch Metriken, Hyperparameter und Modell-Artefakte in deinem W&B-Projekt protokolliert.

Was sind die Hauptfunktionen der Weights & Biases-Integration mit YOLO26?

Zu den Hauptfunktionen gehören:

• Echtzeit-Metrik-Tracking während des Trainings
• Werkzeuge zur Hyperparameter-Optimierung
• Vergleichende Analyse verschiedener Trainingsläufe
• Visualisierung des Trainingsfortschritts durch Diagramme
• Ressourcenüberwachung (CPU, GPU, Speicherauslastung)
• Verwaltung und Austausch von Modell-Artefakten
• Anzeigen von Inferenz-Ergebnissen mit Bild-Overlays

Diese Funktionen helfen dabei, Experimente zu verfolgen, Modelle zu optimieren und bei YOLO26-Projekten effektiver zusammenzuarbeiten.

Wie kann ich das Weights & Biases-Dashboard für mein YOLO26-Training anzeigen?

Nachdem du dein Trainingsskript mit W&B-Integration ausgeführt hast:

1. Ein Link zu deinem W&B-Dashboard wird in der Konsolenausgabe bereitgestellt.
2. Klicke auf den Link oder gehe zu wandb.ai und melde dich bei deinem Konto an.
3. Navigiere zu deinem Projekt, um detaillierte Metriken, Visualisierungen und Daten zur Modellleistung anzuzeigen.

Das Dashboard bietet Einblicke in den Trainingsprozess deines Modells und ermöglicht es dir, deine YOLO26-Modelle effektiv zu analysieren und zu verbessern.

Kann ich die Weights & Biases-Protokollierung für das YOLO26-Training deaktivieren?

Ja, du kannst die W&B-Protokollierung mit dem folgenden Befehl deaktivieren:

yolo settings wandb=False

Um die Protokollierung wieder zu aktivieren, verwende:

yolo settings wandb=True

Dies ermöglicht es dir, zu steuern, wann du die W&B-Protokollierung verwenden möchtest, ohne deine Trainingsskripte ändern zu müssen.

Wie hilft Weights & Biases bei der Optimierung von YOLO26-Modellen?

Weights & Biases hilft bei der Optimierung von YOLO26-Modellen durch:

1. Bereitstellung detaillierter Visualisierungen von Trainingsmetriken
2. Ermöglichung eines einfachen Vergleichs zwischen verschiedenen Modellversionen
3. Bereitstellung von Werkzeugen für das Hyperparameter-Tuning
4. Ermöglichung einer gemeinsamen Analyse der Modellleistung
5. Erleichterung des einfachen Austauschs von Modell-Artefakten und Ergebnissen

Diese Funktionen helfen Forschern und Entwicklern, schneller zu iterieren und datengestützte Entscheidungen zu treffen, um ihre YOLO26-Modelle zu verbessern.