YOLO Experimenten-Tracking und Visualisierung mit Weights & Biases#

Object detection Modelle wie Ultralytics YOLO26 sind zu einem festen Bestandteil vieler Computer Vision-Anwendungen geworden. Das Training, die Evaluierung und die Bereitstellung dieser komplexen Modelle bringen jedoch einige Herausforderungen mit sich. Die Nachverfolgung wichtiger Trainingsmetriken, der Vergleich von Modellvarianten, die Analyse des Modellverhaltens und das Erkennen von Problemen erfordern einen erheblichen Aufwand an Instrumentierung und 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.

Weights & Biases#

Weights & Biases ist eine moderne MLOps-Plattform, die für die Nachverfolgung, Visualisierung und Verwaltung von Machine Learning-Experimenten entwickelt wurde. Sie bietet eine automatisierte Protokollierung von Trainingsmetriken für volle Experimentreproduzierbarkeit, eine interaktive Benutzeroberfläche für eine optimierte Datenanalyse und effiziente Modellverwaltungstools für die Bereitstellung 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 datenbasierte Entscheidungen zu treffen, um deine Computer Vision-Projekte zu verbessern.

Installation#

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 zum Installationsprozess findest du in unserer YOLO26 Installation guide. Solltest du bei der Installation der erforderlichen Pakete für YOLO26 auf Schwierigkeiten stoßen, schaue in unserem Common Issues guide nach Lösungen und Tipps.

Konfiguration 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")

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

Verwendung: Training von YOLO26 mit Weights & Biases#

Bevor du dich in die Nutzungshinweise für das Training von YOLO26-Modellen mit Weights & Biases stürzt, solltest du dir unbedingt die von Ultralytics angebotene Auswahl an YOLO26-Modellen 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")

W&B-Argumente#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Die 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-Verlust, Klassen-Verlust, Box-Distanz-Verlust, Precision, Recall und mAP-Scores während jeder Trainings-Epoch.
• Am Ende des Trainings werden detaillierte Metriken einschließlich der Inferenzgeschwindigkeit des Modells und allgemeiner Genauigkeitsmetriken angezeigt.
• Links zum Weights & Biases-Dashboard für eine tiefgehende Analyse und Visualisierung des Trainingsprozesses sowie Informationen zu den Speicherorten der lokalen Protokolldateien.

Anzeigen 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.

Hauptfunktionen des Weights & Biases-Dashboards#

• Echtzeit-Metrikverfolgung: Beobachte Metriken wie Loss, Genauigkeit und Validierungsergebnisse, 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 hilft bei der Feineinstellung kritischer Parameter wie Lernrate, Batch-Größe und mehr, wodurch die Leistung von YOLO26 gesteigert wird. 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 vermitteln ein intuitives Verständnis der Modellleistung über 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.

• Anzeige von Inferenzergebnissen mit Bildüberlagerung: Visualisiere die Vorhersageergebnisse auf Bildern mithilfe interaktiver Overlays in Weights & Biases, was eine klare und detaillierte Ansicht der Modellleistung anhand realer Daten ermöglicht. Weitere detaillierte Informationen findest du in den Funktionen zur Bildüberlagerung von Weights & Biases.

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

Zusammenfassung#

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

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

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

FAQ#