Link to this sectionYOLO Experimenten-Tracking und Visualisierung mit Weights & Biases#

Objekterkennungsmodelle wie Ultralytics YOLO26 sind aus vielen Computer-Vision-Anwendungen nicht mehr wegzudenken. Das Training, die Evaluierung und die Bereitstellung dieser komplexen Modelle bringen jedoch einige Herausforderungen mit sich. Das Verfolgen wichtiger Trainingsmetriken, der Vergleich von Modellvarianten, die Analyse des Modellverhaltens und das Erkennen von Problemen erfordern eine beträchtliche Instrumentierung und ein effizientes Versuchsmanagement.

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

Link to this sectionWeights & 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 und effiziente Modellverwaltungstools für die Bereitstellung in verschiedenen Umgebungen.

Link to this sectionYOLO26-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.

Link to this sectionInstallation#

Um die erforderlichen Pakete zu installieren, führe 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

Detaillierte Anweisungen und Best Practices zur Installation findest du in unserer YOLO26 Installation guide. Falls du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stößt, konsultiere unseren Common Issues guide für Lösungen und Tipps.

Link to this sectionKonfiguration von Weights & Biases#

Nach der Installation der erforderlichen Pakete ist der nächste Schritt die Einrichtung deiner Weights & Biases-Umgebung. Dies beinhaltet 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 damit, die Weights & Biases-Umgebung in deinem Arbeitsbereich zu initialisieren. Dies kannst du tun, indem du den folgenden Befehl ausführst und die Anweisungen auf dem Bildschirm befolgst.

import wandb

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

Navigiere zur Autorisierungsseite von Weights & Biases, um deinen API-Key zu erstellen und abzurufen. Verwende diesen Key, wenn du dazu aufgefordert wirst, deine Umgebung bei W&B zu authentifizieren.

Link to this sectionVerwendung: Training von YOLO26 mit Weights & Biases#

Bevor du dich mit den Anweisungen zur Verwendung für das Training von YOLO26-Modellen mit Weights & Biases beschäftigst, solltest du dir das Angebot an YOLO26-Modellen von Ultralytics ansehen. Dies hilft dir dabei, das am besten geeignete Modell für deine Projektanforderungen 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")

Link to this sectionW&B-Argumente#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Link to this sectionDie Ausgabe verstehen#

Nach dem Ausführen des oben gezeigten Codeschnipsels kannst du die folgenden wichtigen Ergebnisse 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 Schichten 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 allgemeine Genauigkeitsmetriken angezeigt.
• Links zum Weights & Biases-Dashboard für eine tiefgehende Analyse und Visualisierung des Trainingsprozesses sowie Informationen zu den Speicherorten der lokalen Protokolldateien.

Link to this sectionAnzeigen des Weights & Biases-Dashboards#

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

Link to this sectionHauptfunktionen des Weights & Biases-Dashboards#

• Echtzeit-Metrik-Tracking: Beobachte Metriken wie Loss, Genauigkeit und Validierungsscores während des Trainings, um unmittelbare Einblicke für die Modellanpassung zu erhalten. Sieh dir an, wie Experimente mit Weights & Biases verfolgt werden.

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

• Vergleichende Analyse: Die Plattform ermöglicht den direkten Vergleich verschiedener Trainingsläufe, was entscheidend ist, um die Auswirkungen verschiedener Modellkonfigurationen zu bewerten und zu verstehen, welche Änderungen die Leistung verbessern.

• 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 diese, was die einfache Bereitstellung und die Zusammenarbeit mit Teammitgliedern an komplexen Projekten erleichtert.

• Anzeigen von Inferenz-Ergebnissen mit Image-Overlay: Visualisiere die Vorhersageergebnisse auf Bildern mithilfe interaktiver Overlays in Weights & Biases, um eine klare und detaillierte Ansicht der Modellleistung auf realen Daten zu erhalten. Weitere Informationen findest du in den Image-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.

Link to this sectionZusammenfassung#

Dieser Leitfaden hat dir geholfen, die Ultralytics YOLO-Integration mit Weights & Biases zu erkunden. Er veranschaulicht die Fähigkeit dieser Integration, das Training von Modellen 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.

Weitere Details zur Nutzung findest du in der offiziellen Dokumentation von Weights & Biases oder in Soumik Rakshits Präsentation von der YOLO VISION 2023 zu dieser Integration.

Schau dir auch die Ultralytics-Integrationsleitfaden-Seite an, um mehr über andere spannende Integrationen wie MLflow und Comet ML zu erfahren.

Link to this sectionFAQ#

Link to this sectionWie integriere ich Weights & Biases mit Ultralytics YOLO26?#

Um Weights & Biases mit Ultralytics YOLO26 zu integrieren:

1. Installiere die erforderlichen Pakete:

   pip install -U ultralytics wandb
   yolo settings wandb=True

2. Logge dich in dein Weights & Biases-Konto ein:

   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")

Dies protokolliert automatisch Metriken, Hyperparameter und Modell-Artefakte in dein W&B-Projekt.

Link to this sectionWas sind die Hauptfunktionen der Weights & Biases-Integration mit YOLO26?#

Die Hauptfunktionen umfassen:

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

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

Link to this sectionWie 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 logge dich in dein Konto ein.
3. Navigiere zu deinem Projekt, um detaillierte Metriken, Visualisierungen und Daten zur Modellleistung anzuzeigen.

Das Dashboard bietet Einblicke in den Trainingsprozess deines Modells, wodurch du deine YOLO26-Modelle effektiv analysieren und verbessern kannst.

Link to this sectionKann 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.

Link to this sectionWie 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. Angebot von Tools für Hyperparameter-Tuning
4. Möglichkeit zur kollaborativen Analyse der Modellleistung
5. Erleichterung des einfachen Teilens 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.