Obtén información visual con la integración de YOLO26 con TensorBoard#

Comprender y ajustar modelos de visión por ordenador como YOLO26 de Ultralytics resulta más sencillo cuando examinas detenidamente sus procesos de entrenamiento. La visualización del entrenamiento de modelos ayuda a obtener información sobre los patrones de aprendizaje, las métricas de rendimiento y el comportamiento general del modelo. La integración de YOLO26 con TensorBoard facilita este proceso de visualización y análisis, y permite realizar ajustes más eficientes y fundamentados en el modelo.

Esta guía explica cómo usar TensorBoard con YOLO26. Aprenderás sobre diversas visualizaciones, desde el seguimiento de métricas hasta el análisis de grafos de modelos. Estas herramientas te ayudarán a comprender mejor el rendimiento de tu modelo YOLO26.

TensorBoard#

TensorBoard, el conjunto de herramientas de visualización de TensorFlow, es esencial para la experimentación en aprendizaje automático. TensorBoard ofrece una amplia variedad de herramientas de visualización, fundamentales para supervisar modelos de aprendizaje automático. Estas herramientas incluyen el seguimiento de métricas clave, como la pérdida y la precisión, la visualización de grafos de modelos y la consulta de histogramas de pesos y sesgos a lo largo del tiempo. También permite proyectar embeddings en espacios de menor dimensionalidad y mostrar datos multimedia.

Entrenamiento de YOLO26 con TensorBoard#

Usar TensorBoard durante el entrenamiento de modelos YOLO26 es sencillo y ofrece ventajas significativas.

Instalación#

Para instalar el paquete necesario, ejecuta:

# Install YOLO26 and TensorBoard
pip install ultralytics tensorboard

TensorBoard es una dependencia opcional. Después de instalarlo, activa el callback una vez con yolo settings tensorboard=True; la configuración se mantiene para futuras ejecuciones de entrenamiento.

Para consultar instrucciones detalladas y prácticas recomendadas relacionadas con el proceso de instalación, revisa nuestra guía de instalación de YOLO26. Si encuentras alguna dificultad al instalar los paquetes necesarios para YOLO26, consulta nuestra guía de problemas comunes para obtener soluciones y consejos.

Configuración de TensorBoard para Google Colab#

Al usar Google Colab, es importante configurar TensorBoard antes de iniciar el código de entrenamiento:

%load_ext tensorboard
%tensorboard --logdir path/to/runs

Uso#

Antes de consultar las instrucciones de uso, no olvides revisar la variedad de modelos YOLO26 que ofrece Ultralytics. Esto te ayudará a elegir el modelo más adecuado para los requisitos de tu proyecto.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Al ejecutar el fragmento de código de uso anterior, puedes esperar el siguiente resultado:

TensorBoard: Start with 'tensorboard --logdir path_to_your_tensorboard_logs', view at localhost:6006

Esta salida indica que TensorBoard ya está supervisando activamente tu sesión de entrenamiento de YOLO26. Puedes acceder al panel de TensorBoard en localhost:6006 para consultar las métricas de entrenamiento y el rendimiento del modelo en tiempo real. Si trabajas en Google Colab, TensorBoard se mostrará en la misma celda en la que hayas ejecutado los comandos de configuración de TensorBoard.

Para obtener más información sobre el proceso de entrenamiento del modelo, consulta nuestra guía de entrenamiento de modelos YOLO26. Si quieres obtener más información sobre el registro, los checkpoints, los gráficos y la gestión de archivos, lee nuestra guía de uso sobre configuración.

Comprende tu TensorBoard para el entrenamiento de YOLO26#

Ahora, centrémonos en comprender las distintas funciones y componentes de TensorBoard en el contexto del entrenamiento de YOLO26. Las tres secciones clave de TensorBoard son Series temporales, Escalares y Grafos.

Series temporales#

La función Series temporales de TensorBoard ofrece una perspectiva dinámica y detallada de diversas métricas de entrenamiento a lo largo del tiempo para los modelos YOLO26. Se centra en la evolución y las tendencias de las métricas a lo largo de las épocas de entrenamiento. Este es un ejemplo de lo que puedes esperar ver.

Funciones clave de Series temporales en TensorBoard#

• Filtrar etiquetas y fijar tarjetas: Esta funcionalidad permite filtrar métricas específicas y fijar tarjetas para acceder a ellas y compararlas rápidamente. Resulta especialmente útil para centrarse en aspectos concretos del proceso de entrenamiento.

• Tarjetas de métricas detalladas: Series temporales divide las métricas en distintas categorías, como métricas de tasa de aprendizaje (lr), de entrenamiento (train) y de validación (val), cada una representada por una tarjeta individual.

• Visualización gráfica: Cada tarjeta de la sección Series temporales muestra un gráfico detallado de una métrica específica a lo largo del entrenamiento. Esta representación visual ayuda a identificar tendencias, patrones o anomalías en el proceso de entrenamiento.

• Análisis exhaustivo: Series temporales proporciona un análisis detallado de cada métrica. Por ejemplo, muestra distintos segmentos de la tasa de aprendizaje, lo que permite comprender cómo los ajustes de dicha tasa afectan a la curva de aprendizaje del modelo.

Importancia de las series temporales en el entrenamiento de YOLO26#

La sección Series temporales es esencial para analizar exhaustivamente el progreso del entrenamiento del modelo YOLO26. Te permite realizar un seguimiento de las métricas en tiempo real para identificar y resolver problemas rápidamente. También ofrece una vista detallada de la evolución de cada métrica, algo fundamental para ajustar el modelo y mejorar su rendimiento.

Escalares#

Los escalares de TensorBoard son fundamentales para representar y analizar métricas sencillas, como la pérdida y la precisión, durante el entrenamiento de modelos YOLO26. Ofrecen una vista clara y concisa de cómo evolucionan estas métricas con cada época de entrenamiento, proporcionando información sobre la eficacia y la estabilidad del aprendizaje del modelo. Este es un ejemplo de lo que puedes esperar ver.

Funciones clave de los escalares en TensorBoard#

• Etiquetas de tasa de aprendizaje (lr): Estas etiquetas muestran las variaciones de la tasa de aprendizaje en distintos segmentos (por ejemplo, pg0, pg1, pg2). Esto ayuda a comprender el impacto de los ajustes de la tasa de aprendizaje en el proceso de entrenamiento.

• Etiquetas de métricas: Los escalares incluyen indicadores de rendimiento como:

  • mAP50 (B): Precisión media a un 50 % de intersección sobre unión (IoU), fundamental para evaluar la precisión de la detección de objetos.

  • mAP50-95 (B): Precisión media calculada en un intervalo de umbrales de IoU, lo que ofrece una evaluación más completa de la precisión.

  • Precision (B): Indica la proporción de observaciones positivas predichas correctamente, un dato clave para comprender la precisión de las predicciones.

  • Recall (B): Es importante en modelos en los que no detectar un objeto resulta significativo; esta métrica mide la capacidad de detectar todas las instancias relevantes.

  • Para obtener más información sobre las distintas métricas, lee nuestra guía sobre métricas de rendimiento.

• Etiquetas de entrenamiento y validación (train, val): Estas etiquetas muestran métricas específicas de los conjuntos de datos de entrenamiento y validación, lo que permite realizar un análisis comparativo del rendimiento del modelo en distintos conjuntos de datos.

Importancia de supervisar los escalares#

Observar las métricas escalares es fundamental para ajustar el modelo YOLO26. Las variaciones en estas métricas, como los picos o los patrones irregulares en los gráficos de pérdida, pueden indicar posibles problemas como sobreajuste, subajuste o una configuración inadecuada de la tasa de aprendizaje. Si supervisas atentamente estos escalares, podrás tomar decisiones fundamentadas para optimizar el proceso de entrenamiento y asegurarte de que el modelo aprende de forma eficaz y alcanza el rendimiento deseado.

Diferencia entre escalares y series temporales#

Aunque tanto Escalares como Series temporales de TensorBoard se utilizan para realizar un seguimiento de las métricas, tienen finalidades ligeramente distintas. Escalares se centra en representar métricas sencillas, como la pérdida y la precisión, como valores escalares. Proporciona una visión general de cómo cambian estas métricas con cada época de entrenamiento. Por su parte, la sección Series temporales de TensorBoard ofrece una vista cronológica más detallada de diversas métricas. Resulta especialmente útil para supervisar la evolución y las tendencias de las métricas a lo largo del tiempo, y permite profundizar en los detalles del proceso de entrenamiento.

Grafos#

La sección Grafos de TensorBoard visualiza el grafo computacional del modelo YOLO26 y muestra cómo fluyen las operaciones y los datos dentro del modelo. Es una herramienta potente para comprender la estructura del modelo, asegurarte de que todas las capas están conectadas correctamente e identificar posibles cuellos de botella en el flujo de datos. Este es un ejemplo de lo que puedes esperar ver.

Los grafos resultan especialmente útiles para depurar el modelo, sobre todo en arquitecturas complejas habituales en modelos de aprendizaje profundo como YOLO26. Ayudan a verificar las conexiones entre capas y el diseño general del modelo.

Resumen#

Esta guía tiene como objetivo ayudarte a usar TensorBoard con YOLO26 para visualizar y analizar el entrenamiento de modelos de aprendizaje automático. Se centra en explicar cómo las funciones clave de TensorBoard pueden proporcionar información sobre las métricas de entrenamiento y el rendimiento del modelo durante las sesiones de entrenamiento de YOLO26.

Para explorar estas funciones con más detalle y conocer estrategias eficaces para utilizarlas, puedes consultar la documentación oficial de TensorBoard de TensorFlow y su repositorio de GitHub.

¿Quieres obtener más información sobre las distintas integraciones de Ultralytics? Consulta la página de la guía de integraciones de Ultralytics para descubrir qué otras interesantes funcionalidades te esperan.

Preguntas frecuentes#