YOLO-Experimentverfolgung und -Visualisierung mit Weights & Biases#

Modelle zur Objekterkennung wie Ultralytics YOLO26 sind aus vielen Anwendungen der Computervision nicht mehr wegzudenken. Das Training, die Evaluierung und der Einsatz dieser komplexen Modelle bringen jedoch einige Herausforderungen mit sich. Die Verfolgung wichtiger Trainingsmetriken, der Vergleich von Modellvarianten, die Analyse des Modellverhaltens und das Erkennen von Problemen erfordern eine umfangreiche Instrumentierung und ein gutes Experimentmanagement.

Dieser Leitfaden zeigt die Integration von Ultralytics YOLO26 mit Weights & Biases für eine verbesserte Experimentverfolgung, die Verwaltung von Modell-Checkpoints und die Visualisierung der Modellleistung. Er enthält außerdem Anleitungen zum Einrichten der Integration, zum Training und zur Visualisierung von Ergebnissen mithilfe der interaktiven Funktionen von Weights & Biases.

Weights & Biases#

Weights & Biases ist eine hochmoderne MLOps-Plattform zur Verfolgung, Visualisierung und Verwaltung von Machine-Learning-Experimenten. Sie protokolliert Trainingsmetriken automatisch, um Experimente vollständig reproduzierbar zu machen, bietet eine interaktive Benutzeroberfläche für eine vereinfachte Datenanalyse und stellt effiziente Werkzeuge zur Modellverwaltung für den Einsatz in verschiedenen Umgebungen bereit.

YOLO26-Training mit Weights & Biases#

Mit Weights & Biases kannst du deinen YOLO26-Trainingsprozess effizienter und stärker automatisiert gestalten. Die Integration ermöglicht es dir, Experimente zu verfolgen, Modelle zu vergleichen und datengestützte Entscheidungen zur Verbesserung deiner Computervision-Projekte zu treffen.

Installation#

Führe zum Installieren der erforderlichen Pakete 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

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.

Weights & Biases konfigurieren#

Nachdem du die erforderlichen Pakete installiert hast, richtest du als Nächstes deine Weights-&-Biases-Umgebung ein. Dazu musst du ein Weights-&-Biases-Konto erstellen und den erforderlichen API-Schlüssel abrufen, damit deine Entwicklungsumgebung reibungslos mit der W&B-Plattform verbunden werden kann.

Richte zunächst die Weights-&-Biases-Umgebung in deinem Arbeitsbereich ein. Führe dazu den folgenden Befehl aus und folge den angezeigten Anweisungen.

import wandb

# Initialisiere deine Weights-&-Biases-Umgebung
wandb.login(key="YOUR_API_KEY")

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

Verwendung: YOLO26 mit Weights & Biases trainieren#

Bevor du mit den Anweisungen zum Trainieren von YOLO26-Modellen mit Weights & Biases beginnst, sieh dir unbedingt die Auswahl an YOLO26-Modellen von Ultralytics an. So findest du das passende Modell für die Anforderungen deines Projekts.

from ultralytics import YOLO

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

# Modell trainieren und feinabstimmen
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 obigen Code-Snippets kannst du mit den folgenden wichtigen Ausgaben rechnen:

• Ein neuer Lauf wird mit einer eindeutigen ID eingerichtet, was den Beginn des Trainingsprozesses anzeigt.
• Eine kompakte Zusammenfassung der Modellstruktur, einschließlich der Anzahl der Schichten und Parameter.
• Regelmäßige Aktualisierungen wichtiger Metriken wie Box-Verlust, cls-Verlust, Box-Distanzverlust, Präzision, Trefferquote und mAP-Werte während jeder Trainings-Epoche.
• Am Ende des Trainings werden detaillierte Metriken zur Inferenzgeschwindigkeit des Modells sowie allgemeine Metriken zur Genauigkeit angezeigt.
• Links zum Weights-&-Biases-Dashboard für eine eingehende Analyse und Visualisierung des Trainingsprozesses sowie Informationen zu den Speicherorten der lokalen Protokolldateien.

Das Weights-&-Biases-Dashboard aufrufen#

Nach dem Ausführen des Code-Snippets kannst du über den Link in der Ausgabe auf das Weights-&-Biases-Dashboard (W&B) zugreifen. Dieses Dashboard bietet einen umfassenden Überblick über den Trainingsprozess deines Modells mit YOLO26.

Wichtige Funktionen des Weights-&-Biases-Dashboards#

• Metriken in Echtzeit verfolgen: Beobachte, wie sich Metriken wie Verlust, Genauigkeit und Validierungswerte während des Trainings entwickeln. So erhältst du sofortige Einblicke zur Anpassung des Modells. Erfahre, wie Experimente mit Weights & Biases verfolgt werden.

• Hyperparameteroptimierung: Weights & Biases unterstützt dich bei der Feinabstimmung wichtiger Parameter wie Lernrate, Batch-Größe und weiterer Parameter, um die Leistung von YOLO26 zu verbessern. So findest du die optimale Konfiguration für deinen spezifischen Datensatz und deine Aufgabe.

• Vergleichende Analyse: Die Plattform ermöglicht den direkten Vergleich verschiedener Trainingsläufe. Das ist wichtig, um die Auswirkungen unterschiedlicher Modellkonfigurationen zu beurteilen und zu verstehen, welche Änderungen die Leistung verbessern.

• Trainingsfortschritt visualisieren: Grafische Darstellungen wichtiger Metriken vermitteln anschaulich, wie sich die Leistung des Modells über die Epochen hinweg entwickelt. Erfahre, wie Weights & Biases dich bei der Visualisierung von Validierungsergebnissen unterstützt.

• Ressourcen überwachen: Behalte die Auslastung von CPU, GPU und Arbeitsspeicher im Blick, um den Trainingsprozess effizienter zu gestalten und mögliche Engpässe in deinem Arbeitsablauf zu erkennen.

• Modellartefakte verwalten: Greife auf Modell-Checkpoints zu und teile sie, um die Bereitstellung zu vereinfachen und die Zusammenarbeit mit Teammitgliedern an komplexen Projekten zu erleichtern.

Mit diesen Funktionen kannst du das Training deines YOLO26-Modells effektiv verfolgen, analysieren und optimieren und so die bestmögliche Leistung und Effizienz für deine Aufgaben zur Objekterkennung sicherstellen.

Zusammenfassung#

Dieser Leitfaden hat dir die Integration von Ultralytics YOLO mit Weights & Biases nähergebracht. Er zeigt, wie die Integration das Modelltraining und die Vorhersageergebnisse effizient verfolgt und visualisiert. Mit den leistungsstarken Funktionen von W&B kannst du deinen Machine-Learning-Arbeitsablauf optimieren, datengestützte Entscheidungen treffen und die Leistung deines Modells verbessern.

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

Sieh dir auch die Integrationsleitfäden von Ultralytics an, um mehr über weitere spannende Integrationen wie MLflow und Comet ML zu erfahren.

Häufig gestellte Fragen#