Ajuste de hiperparámetros eficiente con Ray Tune y YOLO11

El ajuste de hiperparámetros es vital para lograr el máximo rendimiento del modelo al descubrir el conjunto óptimo de hiperparámetros. Esto implica ejecutar pruebas con diferentes hiperparámetros y evaluar el rendimiento de cada prueba.

Acelere el ajuste con Ultralytics YOLO11 y Ray Tune

Ultralytics YOLO11 incorpora Ray Tune para el ajuste de hiperparámetros, optimizando la optimización de los hiperparámetros del modelo YOLO11. Con Ray Tune, puede utilizar estrategias de búsqueda avanzadas, paralelismo y parada temprana para acelerar el proceso de ajuste.

Ray Tune

Ray Tune es una biblioteca de ajuste de hiperparámetros diseñada para la eficiencia y la flexibilidad. Admite varias estrategias de búsqueda, paralelismo y estrategias de detención temprana, y se integra perfectamente con frameworks populares de aprendizaje automático, incluyendo Ultralytics YOLO11.

Integración con Weights & Biases

YOLO11 también permite la integración opcional con Weights & Biases para monitorear el proceso de ajuste.

Instalación

Para instalar los paquetes necesarios, ejecute:

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]"

# Optionally install W&B for logging
pip install wandb

Uso

from ultralytics import YOLO

# Load a YOLO11n model
model = YOLO("yolo11n.pt")

# Start tuning hyperparameters for YOLO11n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() Parámetros del método

El tune() método en YOLO11 proporciona una interfaz fácil de usar para el ajuste de hiperparámetros con Ray Tune. Acepta varios argumentos que te permiten personalizar el proceso de ajuste. A continuación, se muestra una explicación detallada de cada parámetro:

Al personalizar estos parámetros, puedes ajustar el proceso de optimización de hiperparámetros para que se adapte a tus necesidades específicas y a los recursos computacionales disponibles.

Descripción del espacio de búsqueda predeterminado

La siguiente tabla enumera los parámetros predeterminados del espacio de búsqueda para el ajuste de hiperparámetros en YOLO11 con Ray Tune. Cada parámetro tiene un rango de valores específico definido por tune.uniform().

Ejemplo de espacio de búsqueda personalizado

En este ejemplo, demostramos cómo usar un espacio de búsqueda personalizado para el ajuste de hiperparámetros con Ray Tune y YOLO11. Al proporcionar un espacio de búsqueda personalizado, puede enfocar el proceso de ajuste en hiperparámetros específicos de interés.

from ray import tune

from ultralytics import YOLO

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

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-1)},
    epochs=50,
    use_ray=True,
)

En el fragmento de código anterior, creamos un modelo YOLO con los pesos preentrenados "yolo11n.pt". Luego, llamamos al tune() método, especificando la configuración del conjunto de datos con "coco8.yaml". Proporcionamos un espacio de búsqueda personalizado para la tasa de aprendizaje inicial lr0 usando un diccionario con la clave "lr0" y el valor tune.uniform(1e-5, 1e-1). Finalmente, pasamos argumentos de entrenamiento adicionales, como el número de épocas directamente al método de ajuste como epochs=50.

Reanudación de una sesión de ajuste de hiperparámetros interrumpida con Ray Tune

Puede reanudar una sesión de Ray Tune interrumpida pasando resume=True. Opcionalmente, puede pasar el directorio name utilizado por Ray Tune en runs/{task} para reanudar. De lo contrario, se reanudaría la última sesión interrumpida. No es necesario que proporciones el iterations y space de nuevo, pero debes proporcionar el resto de los argumentos de entrenamiento, incluyendo data y epochs.

from ultralytics import YOLO

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

# Resume previous run
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Resume Ray Tune run with name 'tune_exp_2'
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

Procesamiento de los resultados de Ray Tune

Después de ejecutar un experimento de ajuste de hiperparámetros con Ray Tune, es posible que desees realizar varios análisis de los resultados obtenidos. Esta guía te guiará a través de los flujos de trabajo comunes para procesar y analizar estos resultados.

Cargando los resultados del experimento de ajuste desde un directorio

Después de ejecutar el experimento de ajuste con tuner.fit(), puedes cargar los resultados desde un directorio. Esto es útil, especialmente si estás realizando el análisis después de que el script de entrenamiento inicial haya finalizado.

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

Análisis Básico a Nivel de Experimento

Obtenga una visión general del rendimiento de las pruebas. Puede comprobar rápidamente si hubo algún error durante las pruebas.

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

Análisis Básico a Nivel de Prueba

Acceda a las configuraciones de hiperparámetros de cada prueba y a las últimas métricas reportadas.

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

Trazado del historial completo de métricas reportadas para una prueba

Puedes trazar el historial de las métricas reportadas para cada prueba y ver cómo evolucionaron las métricas con el tiempo.

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

Resumen

En esta documentación, cubrimos los flujos de trabajo comunes para analizar los resultados de los experimentos ejecutados con Ray Tune utilizando Ultralytics. Los pasos clave incluyen la carga de los resultados del experimento desde un directorio, la realización de análisis básicos a nivel de experimento y de prueba, y el trazado de métricas.

Explore más a fondo consultando la página de documentación Analizar resultados de Ray Tune para aprovechar al máximo sus experimentos de ajuste de hiperparámetros.

Preguntas frecuentes

¿Cómo puedo ajustar los hiperparámetros de mi modelo YOLO11 usando Ray Tune?

Para ajustar los hiperparámetros de su modelo Ultralytics YOLO11 utilizando Ray Tune, siga estos pasos:

1. Instale los paquetes requeridos:

   pip install -U ultralytics "ray[tune]"
   pip install wandb # optional for logging
   

2. Cargue su modelo YOLO11 y comience a ajustarlo:

   from ultralytics import YOLO
   
   # Load a YOLO11 model
   model = YOLO("yolo11n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

Esto utiliza las estrategias de búsqueda avanzada y el paralelismo de Ray Tune para optimizar eficientemente los hiperparámetros de su modelo. Para obtener más información, consulte la documentación de Ray Tune.

¿Cuáles son los hiperparámetros predeterminados para el ajuste de YOLO11 con Ray Tune?

Ultralytics YOLO11 utiliza los siguientes hiperparámetros predeterminados para el ajuste con Ray Tune:

Estos hiperparámetros se pueden personalizar para que se adapten a sus necesidades específicas. Para obtener una lista completa y más detalles, consulte la guía de Ajuste de Hiperparámetros.

¿Cómo puedo integrar Weights & Biases con el ajuste de mi modelo YOLO11?

Para integrar Weights & Biases (W&B) con su proceso de ajuste de Ultralytics YOLO11:

1. Instale W&B:

   pip install wandb
   

2. Modifica tu script de ajuste:

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo11n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

Esta configuración le permitirá supervisar el proceso de ajuste, realizar un seguimiento de las configuraciones de hiperparámetros y visualizar los resultados en W&B.

¿Por qué debería usar Ray Tune para la optimización de hiperparámetros con YOLO11?

Ray Tune ofrece numerosas ventajas para la optimización de hiperparámetros:

• Estrategias de búsqueda avanzadas: Utiliza algoritmos como la optimización bayesiana y HyperOpt para una búsqueda de parámetros eficiente.
• Paralelismo: Admite la ejecución paralela de múltiples pruebas, lo que acelera significativamente el proceso de ajuste.
• Parada anticipada: Emplea estrategias como ASHA para terminar anticipadamente los ensayos de bajo rendimiento, ahorrando recursos computacionales.

Ray Tune se integra perfectamente con Ultralytics YOLO11, proporcionando una interfaz fácil de usar para ajustar los hiperparámetros de forma eficaz. Para empezar, consulta la guía de Ajuste de hiperparámetros.

¿Cómo puedo definir un espacio de búsqueda personalizado para el ajuste de hiperparámetros de YOLO11?

Para definir un espacio de búsqueda personalizado para su ajuste de hiperparámetros de YOLO11 con Ray Tune:

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-1), "momentum": tune.uniform(0.6, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

Esto personaliza el rango de hiperparámetros como la tasa de aprendizaje inicial y el momento que se explorarán durante el proceso de ajuste. Para configuraciones avanzadas, consulta la sección Custom Search Space Example.

📅 Creado hace 1 año ✏️ Actualizado hace 3 meses

Comentarios