Ultralytics Guía de operaciones de gestión de modelos HUB-SDK

Bienvenido a la documentación de gestión de modelos de Ultralytics HUB-SDK. Tanto si se está iniciando en la gestión de modelos de aprendizaje automático como si es un científico de datos experimentado en busca de instrucciones de funcionamiento específicas, ha llegado al lugar adecuado. Embarquémonos en un viaje fluido a través de las características de HUB-SDK, asegurándonos de que adquiere los conocimientos necesarios para gestionar eficientemente sus modelos.

Recuperar un modelo por su identificador único

En los flujos de trabajo de aprendizaje automático, a menudo es necesario acceder a un modelo específico. Con Ultralytics HUB-SDK, obtener un modelo por su ID es muy sencillo. Esta función esencial crea un objeto modelo basado en el identificador único proporcionado, lo que le permite acceder a todos los detalles y operaciones del modelo.

from hub_sdk import HUBClient

credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)

model = client.model("<Model ID>")
print(model.data)  # Outputs the model's metadata and configuration

Requisitos previos del proyecto Access y del conjunto de datos

Antes de crear o entrenar un modelo, es crucial asegurarse de la presencia tanto de un proyecto como de un conjunto de datos. Este sencillo fragmento de código le ayuda a verificar que estos componentes están disponibles inicializando sus objetos. Aunque utilizar un proyecto y un conjunto de datos para organizar el entrenamiento del modelo es beneficioso, es importante tener en cuenta que no es obligatorio. Si falta cualquiera de los dos ID, los datos del objeto (project.data, dataset.data) estará vacía.

from hub_sdk import HUBClient

credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)

project = client.project("<Project ID>")
dataset = client.dataset("<Dataset ID>")

Crear un nuevo modelo con configuración personalizada

Esta práctica función simplifica la creación de un nuevo modelo adaptado a los requisitos de su proyecto. Especifique el nombre del modelo y asócielo a su proyecto y conjunto de datos. También puede personalizar las configuraciones para adaptarlas a sus necesidades, como establecer el tamaño del lote o el dispositivo, entre otras. Tenga en cuenta que projectId y datasetId son opcionales si aún no está preparado para vincular el modelo a un proyecto o conjunto de datos.

from hub_sdk import HUBClient

credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)

data = {
    "meta": {"name": "sdk model"},  # Give your model a recognizable name
    "projectId": project.id,  # Associate with an existing project
    "datasetId": dataset.id,  # Associate with an existing dataset
    "config": {  # Define hyperparameters and settings
        "batchSize": "-1",
        "cache": "ram",
        "device": "name",
        "epochs": "5",
        "imageSize": "640",
        "patience": "5",  # Stop training if validation doesn't improve
    },
}
model = client.model()
model.create_model(data)  # Creates the model with your specified details

Actualizar los metadatos o la configuración de un modelo existente

A medida que se desarrollan los proyectos, es posible que necesite actualizar los metadatos de un modelo, como cambiarle el nombre para mayor claridad. El SDK proporciona un método para actualizar estos detalles sin esfuerzo, minimizando los errores manuales y ahorrándole un tiempo precioso.

from hub_sdk import HUBClient

credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)

model = client.model("<Model ID>")
model.update({"meta": {"name": "Updated Model Name"}})  # Renames the specified model

Borrar un modelo con seguridad

La eliminación de un modelo es irreversible, por lo que esta función debe utilizarse con precaución. Cuando esté seguro de que desea eliminar un modelo del sistema, el siguiente comando eliminará permanentemente el modelo especificado, junto con todos sus datos asociados.

from hub_sdk import HUBClient

credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)

model = client.model("<Model ID>")
model.delete(hard=True)  # Permanently deletes the specified model

Por defecto, el método de borrado realiza un borrado suave, marcando el modelo como inactivo sin eliminarlo permanentemente. Si desea realizar un borrado duro y eliminar el modelo junto con sus datos asociados de forma permanente, puede pasar el argumento hard=True como se muestra en el ejemplo anterior. Tenga cuidado al utilizar la opción de borrado duro, ya que es irreversible y tiene como resultado la eliminación completa del modelo especificado del sistema.

Listado de todos sus modelos con paginación

Ultralytics HUB-SDK agiliza la tarea de obtener listas de modelos, a la vez que implementa la paginación para navegar eficientemente a través de colecciones potencialmente grandes de modelos. Personalizando argumentos como page_sizePuede adaptar el resultado a sus necesidades, incluida la posibilidad de ver proyectos públicos y privados.

from hub_sdk import HUBClient

credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)

model_list = client.model_list(page_size=10)  # Fetches the first page with 10 models
print("Current result:", model_list.results)  # Displays the current page's models

model_list.next()  # Move to the next page of results
print("Next page result:", model_list.results)  # Displays the next page's models

model_list.previous()  # Return to the previous page of results
print("Previous page result:", model_list.results)  # Displays the previous page's models

Cargar y visualizar métricas de formación

Para seguir y visualizar las métricas de rendimiento de su modelo a lo largo del proceso de entrenamiento, utilice esta función para cargar métricas como la pérdida y la precisión. Esto permite realizar un seguimiento continuo del progreso del entrenamiento y simplifica la fase de análisis.

from hub_sdk import HUBClient

credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)

model = client.model("<Model ID>")

# Define your metrics structure. Keys are steps, and values are JSON strings of metrics.
data = {
    1: '{"loss/1": 0.5, "accuracy/1": 0.85}',
    2: '{"loss/2": 0.4, "accuracy/2": 0.88}',
    3: '{"loss/3": 0.3, "accuracy/3": 0.90}',
}

model.upload_metrics(data)  # Uploads the specified metrics to the model

Exporte su modelo para implantación o análisis

Exportar modelos para diversos fines, como la implantación o el análisis en profundidad, nunca ha sido tan fácil. Especifique el formato que necesita y esta función preparará el modelo en consecuencia. Tanto si necesita un formato Tensorflow como PyTorch , el SDK lo gestiona a la perfección.

from hub_sdk import HUBClient

credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)

model = client.model("<Model ID>")
model.export(format="pyTorch")  # Exports the model as a PyTorch file

Recuperar una URL de peso directo

En ocasiones, es posible que necesite acceder directamente a los artefactos de su modelo almacenados de forma remota. Esta práctica función proporciona una URL para acceder a archivos específicos, como los pesos del modelo con mejor rendimiento.

from hub_sdk import HUBClient

credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)

model = client.model("<Model ID>")
weight_url = model.get_weights_url("best")  # or "last"
print("Weight URL link:", weight_url)  # Prints out the weight url link

Cargar un punto de control del modelo

La carga de un punto de control del modelo es sencilla gracias a la función upload_model función. Basta con indicar la importancia del punto de control con el botón is_best y la época de entrenamiento para mayor claridad.

from hub_sdk import HUBClient

credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)

model = client.model("<Model ID>")
model.upload_model(is_best=True, epoch=5, weights="<Weight File>")  # Uploads the specified model checkpoint

En conclusión, Ultralytics HUB-SDK ofrece un conjunto completo de operaciones para la gestión eficaz de modelos, lo que le permite centrarse en lograr los mejores resultados en sus esfuerzos de aprendizaje automático. Si tiene más preguntas o necesita ayuda, póngase en contacto con nuestra acogedora comunidad o con el equipo de soporte. ¡Feliz modelado! 🚀

Comentarios