Obtén información visual con la integración de YOLO26 con TensorBoard#

Comprender y ajustar los modelos de computer vision como Ultralytics' YOLO26 resulta más sencillo cuando examinas de cerca 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, permitiendo realizar ajustes más eficientes e informados en el modelo.

Esta guía cubre cómo usar TensorBoard con YOLO26. Aprenderás sobre varias visualizaciones, desde el seguimiento de métricas hasta el análisis de gráficos de modelos. Estas herramientas te ayudarán a entender mejor el rendimiento de tu modelo YOLO26.

TensorBoard#

TensorBoard, el kit de herramientas de visualización de TensorFlow, es esencial para la experimentación de machine learning. TensorBoard incluye una variedad de herramientas de visualización cruciales para supervisar modelos de machine learning. Estas herramientas permiten realizar un seguimiento de métricas clave como la pérdida y la precisión, visualizar grafos de modelos y ver histogramas de pesos y sesgos a lo largo del tiempo. También ofrece funciones para proyectar embeddings en espacios de menor dimensión y mostrar datos multimedia.

Entrenamiento de YOLO26 con TensorBoard#

Usar TensorBoard mientras entrenas modelos YOLO26 es sencillo y ofrece beneficios significativos.

Instalación#

Para instalar el paquete necesario, ejecuta:

# Install the required package for YOLO26 and Tensorboard
pip install ultralytics

TensorBoard viene preinstalado convenientemente con YOLO26, lo que elimina la necesidad de configuración adicional para fines de visualización.

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, asegúrate de consultar nuestra YOLO26 Installation guide. Si encuentras alguna dificultad al instalar los paquetes necesarios para YOLO26, consulta nuestra Common Issues guide para encontrar soluciones y consejos.

Configuración de TensorBoard para Google Colab#

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

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

Uso#

Antes de sumergirte en las instrucciones de uso, asegúrate de echar un vistazo a la gama de YOLO26 models offered by 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

Este resultado indica que TensorBoard está monitorizando activamente tu sesión de entrenamiento de YOLO26. Puedes acceder al panel de control de TensorBoard en localhost:6006 para ver las métricas de entrenamiento y el rendimiento del modelo en tiempo real. Para los usuarios que trabajan en Google Colab, TensorBoard se mostrará en la misma celda donde hayas ejecutado los comandos de configuración de TensorBoard.

Para obtener más información relacionada con el proceso de entrenamiento del modelo, asegúrate de consultar nuestra guía de entrenamiento de modelos de YOLO26. Si te interesa saber más sobre el registro, los puntos de control, la generación de gráficos y la gestión de archivos, lee nuestra guía de uso sobre configuración.

Comprender tu TensorBoard para el entrenamiento de YOLO26#

Ahora, centrémonos en comprender las diversas características y componentes de TensorBoard en el contexto del entrenamiento de YOLO26. Las tres secciones clave de TensorBoard son Series Temporales (Time Series), Escalares (Scalars) y Gráficos (Graphs).

Series Temporales#

La función Series Temporales en TensorBoard ofrece una perspectiva dinámica y detallada de varias métricas de entrenamiento a lo largo del tiempo para los modelos YOLO26. Se centra en la progresión y las tendencias de las métricas a través de las épocas de entrenamiento. Aquí tienes un ejemplo de lo que puedes esperar ver.

Características clave de Series Temporales en TensorBoard#

• Filtrar etiquetas y tarjetas ancladas: Esta funcionalidad permite a los usuarios filtrar métricas específicas y anclar tarjetas para una comparación y acceso rápidos. Es particularmente útil para centrarse en aspectos específicos del proceso de entrenamiento.

• Tarjetas de métricas detalladas: Time Series divide las métricas en diferentes categorías como learning rate (lr), entrenamiento (train) y validación (val), representadas cada una mediante tarjetas individuales.

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

• Análisis en profundidad: Series Temporales proporciona un análisis profundo de cada métrica. Por ejemplo, se muestran diferentes segmentos de la tasa de aprendizaje, ofreciendo información sobre cómo los ajustes en la tasa de aprendizaje impactan en la curva de aprendizaje del modelo.

Importancia de las Series Temporales en el entrenamiento de YOLO26#

La sección de Series Temporales es esencial para un análisis exhaustivo del 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 progresión de cada métrica, lo cual es crucial para ajustar el modelo y mejorar su rendimiento.

Escalares#

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

Características clave de los escalares en TensorBoard#

• Etiquetas de Learning Rate (lr): Estas etiquetas muestran las variaciones en la tasa de aprendizaje a lo largo de diferentes 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 tales como:

  • mAP50 (B): Precisión media (Precision) al 50% de Intersection over Union (IoU), fundamental para evaluar la precisión de la detección de objetos.

  • mAP50-95 (B): Mean Average Precision calculada en un rango de umbrales de IoU, lo que ofrece una evaluación más exhaustiva 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): Importante para modelos en los que omitir una detección es relevante; esta métrica mide la capacidad de detectar todas las instancias pertinentes.

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

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

Importancia de supervisar los escalares#

Observar las métricas escalares es fundamental para afinar el modelo YOLO26. Las variaciones en estas métricas, como picos o patrones irregulares en los gráficos de pérdida, pueden poner de relieve posibles problemas como el overfitting, el underfitting o una configuración inadecuada de la tasa de aprendizaje. Al supervisar de cerca estos escalares, puedes tomar decisiones informadas para optimizar el proceso de entrenamiento y garantizar que el modelo aprenda eficazmente y alcance el rendimiento deseado.

Diferencia entre escalares y series temporales#

Aunque tanto los escalares como las series temporales en TensorBoard se utilizan para el seguimiento de métricas, cumplen propósitos ligeramente diferentes. Los escalares se centran en trazar métricas simples como la pérdida y la precisión como valores escalares. Proporcionan una visión general de alto nivel de cómo cambian estas métricas con cada época de entrenamiento. Mientras tanto, la sección de series temporales de TensorBoard ofrece una vista de línea de tiempo más detallada de varias métricas. Es particularmente útil para supervisar la progresión y las tendencias de las métricas a lo largo del tiempo, proporcionando una inmersión más profunda en los detalles del proceso de entrenamiento.

Gráficos#

La sección de Gráficos de TensorBoard visualiza el gráfico computacional del modelo YOLO26, mostrando cómo fluyen las operaciones y los datos dentro del modelo. Es una herramienta poderosa para comprender la estructura del modelo, asegurando que todas las capas estén conectadas correctamente e identificando posibles cuellos de botella en el flujo de datos. Aquí tienes un ejemplo de lo que puedes esperar ver.

Los gráficos son especialmente útiles para depurar el modelo, sobre todo en las arquitecturas complejas típicas de los modelos de deep learning como YOLO26. Ayudan a verificar las conexiones de las capas y el diseño general del modelo.

Resumen#

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

Para una exploración más detallada de estas características y estrategias de uso eficaces, puedes consultar la documentación oficial de TensorBoard de TensorFlow y su repositorio de GitHub.

¿Quieres saber más sobre las diversas integraciones de Ultralytics? Echa un vistazo a la página de la guía de integraciones de Ultralytics para descubrir qué otras funciones increíbles te esperan.

FAQ#