Verbesserte YOLO11 Experimentverfolgung und -visualisierung mit Weights & Biases

Modelle zur Objekterkennung wie Ultralytics YOLO11 sind aus vielen Computer-Vision-Anwendungen nicht mehr wegzudenken. Das Training, die Bewertung und der Einsatz dieser komplexen Modelle stellen jedoch eine Reihe von Herausforderungen dar. Die Verfolgung wichtiger Trainingsmetriken, der Vergleich von Modellvarianten, die Analyse des Modellverhaltens und die Erkennung von Problemen erfordern eine umfangreiche Instrumentierung und Experimentverwaltung.

Beobachten: So verwenden Sie Ultralytics YOLO11 mit Weights and Biases

Dieser Leitfaden zeigt die Integration von Ultralytics YOLO11 mit Weights & Biases zur verbesserten Verfolgung von Experimenten, Modell-Checkpointing und Visualisierung der Modellleistung. Es enthält auch Anweisungen für die Einrichtung der Integration, das Training, die Feinabstimmung und die Visualisierung der Ergebnisse mit den interaktiven Funktionen von Weights & Biases.

Weights & Biases

Weights & Biases ist eine hochmoderne MLOps-Plattform zur Verfolgung, Visualisierung und Verwaltung von Experimenten zum maschinellen Lernen. Sie bietet eine automatische Protokollierung der Trainingsmetriken für eine vollständige Reproduzierbarkeit der Experimente, eine interaktive Benutzeroberfläche für eine optimierte Datenanalyse und effiziente Modellverwaltungstools für den Einsatz in verschiedenen Umgebungen.

YOLO11 Ausbildung mit Weights & Biases

Mit Weights & Biases können Sie Ihren YOLO11 Schulungsprozess effizienter gestalten und automatisieren.

Einrichtung

Um die erforderlichen Pakete zu installieren, führen Sie aus:

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

Ausführliche Anweisungen und bewährte Verfahren für den Installationsprozess finden Sie in unserem YOLO11 Installationshandbuch. Wenn Sie bei der Installation der erforderlichen Pakete für YOLO11 auf Schwierigkeiten stoßen, finden Sie in unserem Leitfaden für häufige Probleme Lösungen und Tipps.

Konfigurieren von Weights & Biases

Nach der Installation der erforderlichen Pakete müssen Sie im nächsten Schritt Ihre Weights & Biases Umgebung einrichten. Dazu gehört die Einrichtung eines Weights & Biases -Kontos und die Beschaffung des erforderlichen API-Schlüssels für eine reibungslose Verbindung zwischen Ihrer Entwicklungsumgebung und der W&B-Plattform.

Beginnen Sie mit der Initialisierung der Umgebung Weights & Biases in Ihrem Arbeitsbereich. Führen Sie dazu den folgenden Befehl aus und befolgen Sie die angezeigten Anweisungen.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="<API_KEY>")

# Initialize your Weights & Biases environment
wandb login <API_KEY>

Rufen Sie die Autorisierungsseite Weights & Biases auf, um Ihren API-Schlüssel zu erstellen und abzurufen. Verwenden Sie diesen Schlüssel, um Ihre Umgebung bei W&B zu authentifizieren.

Verwendung: Ausbildung YOLO11 mit Weights & Biases

Bevor Sie sich mit der Gebrauchsanweisung für die YOLO11 Modellschulung mit Weights & Biases beschäftigen, sollten Sie sich die Palette der YOLO11 Modelle ansehen, die von Ultralytics angeboten werden. Dies wird Ihnen helfen, das am besten geeignete Modell für Ihre Projektanforderungen auszuwählen.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

# Train a YOLO11 model with Weights & Biases
yolo train data=coco8.yaml epochs=5 project=ultralytics name=yolo11n

W&B-Argumente

# Enable Weights & Biases logging
wandb enabled

# Disable Weights & Biases logging
wandb disabled

Verstehen der Ausgabe

Wenn Sie das obige Codefragment ausführen, können Sie die folgenden Schlüsselergebnisse erwarten:

• Die Einrichtung eines neuen Laufs mit seiner eindeutigen ID, die den Beginn des Trainingsprozesses anzeigt.
• Eine kurze Zusammenfassung der Struktur des Modells, einschließlich der Anzahl der Schichten und Parameter.
• Regelmäßige Aktualisierung wichtiger Metriken wie Box Loss, Cls Loss, Dfl Loss, Precision, Recall und mAP Scores während jeder Trainingsepoche.
• Am Ende des Trainings werden detaillierte Metriken, einschließlich der Inferenzgeschwindigkeit des Modells und der Gesamtgenauigkeit, angezeigt.
• Links zum Weights & Biases Dashboard für eine detaillierte Analyse und Visualisierung des Trainingsprozesses sowie Informationen zu den Speicherorten der lokalen Protokolldateien.

Anzeigen des Weights & Biases Dashboards

Nachdem Sie das Code-Snippet ausgeführt haben, können Sie das Dashboard Weights & Biases (W&B) über den in der Ausgabe angegebenen Link aufrufen. Dieses Dashboard bietet einen umfassenden Überblick über den Trainingsprozess Ihres Modells mit YOLO11.

Hauptmerkmale des Weights & Biases Dashboard

• Verfolgung von Metriken in Echtzeit: Beobachten Sie Metriken wie Verlust, Genauigkeit und Validierungsergebnisse, wie sie sich während des Trainings entwickeln, und gewinnen Sie so unmittelbare Erkenntnisse für die Modelloptimierung. Sehen Sie, wie Experimente mit Weights & Biases nachverfolgt werden.

• Hyperparameter-Optimierung: Weights & Biases hilft bei der Feinabstimmung kritischer Parameter wie Lernrate, Stapelgröße und mehr, um die Leistung von YOLO11 zu verbessern.

• Vergleichende Analyse: Die Plattform ermöglicht den direkten Vergleich verschiedener Trainingsläufe, was für die Bewertung der Auswirkungen verschiedener Modellkonfigurationen unerlässlich ist.

• Visualisierung des Trainingsfortschritts: Grafische Darstellungen der wichtigsten Metriken ermöglichen ein intuitives Verständnis der Leistung des Modells über Epochen hinweg. Sehen Sie, wie Weights & Biases Ihnen hilft, Validierungsergebnisse zu visualisieren.

• Ressourcenüberwachung: Behalten Sie den Überblick über CPU, GPU und die Speichernutzung, um die Effizienz des Trainingsprozesses zu optimieren.

• Verwaltung von Modellartefakten: Greifen Sie auf Modellprüfpunkte zu und geben Sie sie frei, um die Bereitstellung und Zusammenarbeit zu erleichtern.

• Anzeige der Inferenzergebnisse mit Bildüberlagerung: Visualisieren Sie die Vorhersageergebnisse auf Bildern mit interaktiven Overlays in Weights & Biases und erhalten Sie eine klare und detaillierte Ansicht der Modellleistung auf realen Daten. Ausführlichere Informationen zu den Bildüberlagerungsfunktionen von Weights & Biases finden Sie unter diesem Link. Sehen Sie, wie Weights & Biases' Bildüberlagerungen die Visualisierung von Modellinferenzen unterstützen.

Mithilfe dieser Funktionen können Sie das Training Ihres YOLO11 Modells effektiv verfolgen, analysieren und optimieren und so die bestmögliche Leistung und Effizienz sicherstellen.

Zusammenfassung

Dieser Leitfaden hat Ihnen geholfen, die Integration von Ultralytics YOLO mit Weights & Biases zu erkunden. Er veranschaulicht die Fähigkeit dieser Integration, Modelltraining und Vorhersageergebnisse effizient zu verfolgen und zu visualisieren.

Weitere Einzelheiten zur Verwendung finden Sie in der offiziellen Dokumentation vonWeights & Biases.

Besuchen Sie auch die SeiteUltralytics mit dem Integrationsleitfaden, um mehr über verschiedene spannende Integrationen zu erfahren.

FAQ

Wie integriere ich Weights & Biases mit Ultralytics YOLO11 ?

Weights & Biases mit Ultralytics YOLO11 integrieren:

1. Installieren Sie die erforderlichen Pakete:

pip install -U ultralytics wandb

1. Melden Sie sich bei Ihrem Weights & Biases Konto an:

import wandb

wandb.login(key="<API_KEY>")

1. Trainieren Sie Ihr YOLO11 Modell mit aktivierter W&B-Protokollierung:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

Dadurch werden Metriken, Hyperparameter und Modellartefakte automatisch in Ihrem W&B-Projekt protokolliert.

Was sind die Hauptmerkmale der Weights & Biases Integration mit YOLO11?

Zu den wichtigsten Merkmalen gehören:

• Echtzeitverfolgung von Metriken während der Ausbildung
• Werkzeuge zur Hyperparameter-Optimierung
• Vergleichende Analyse der verschiedenen Trainingsläufe
• Visualisierung des Trainingsfortschritts durch Diagramme
• Ressourcenüberwachung (CPU, GPU, Speichernutzung)
• Verwaltung und gemeinsame Nutzung von Modellartefakten
• Anzeige von Schlussfolgerungsergebnissen mit Bildüberlagerungen

Diese Funktionen helfen bei der Verfolgung von Experimenten, der Optimierung von Modellen und der effektiveren Zusammenarbeit bei YOLO11 Projekten.

Wie kann ich das Weights & Biases Dashboard für meine YOLO11 Schulung einsehen?

Nachdem Sie Ihr Trainingsskript mit der W&B-Integration ausgeführt haben:

1. In der Konsolenausgabe wird ein Link zu Ihrem W&B-Dashboard angezeigt.
2. Klicken Sie auf den Link oder gehen Sie zu wandb.ai und melden Sie sich bei Ihrem Konto an.
3. Navigieren Sie zu Ihrem Projekt, um detaillierte Metriken, Visualisierungen und Modellleistungsdaten anzuzeigen.

Das Dashboard bietet Einblicke in den Trainingsprozess Ihres Modells, so dass Sie Ihre YOLO11 Modelle effektiv analysieren und verbessern können.

Kann ich die Weights & Biases Protokollierung für YOLO11 Training deaktivieren?

Ja, Sie können die W&B-Protokollierung mit dem folgenden Befehl deaktivieren:

wandb disabled

Um die Protokollierung wieder zu aktivieren, verwenden Sie:

wandb enabled

So können Sie steuern, wann Sie die W&B-Protokollierung verwenden möchten, ohne Ihre Trainingsskripte zu ändern.

Wie hilft Weights & Biases bei der Optimierung von YOLO11 Modellen?

Weights & Biases trägt zur Optimierung der YOLO11 Modelle bei:

1. Detaillierte Visualisierungen der Ausbildungskennzahlen
2. Ermöglicht einen einfachen Vergleich zwischen verschiedenen Modellversionen
3. Bereitstellung von Werkzeugen für die Abstimmung von Hyperparametern
4. Ermöglicht eine gemeinsame Analyse der Modellleistung
5. Erleichterung der gemeinsamen Nutzung von Modellartefakten und Ergebnissen

Diese Funktionen helfen Forschern und Entwicklern, schneller zu iterieren und datengesteuerte Entscheidungen zu treffen, um ihre YOLO11 Modelle zu verbessern.

📅 Erstellt vor 11 Monaten ✏️ Aktualisiert vor 1 Monat

Kommentare