Obtén información visual con la integración de YOLO26 en TensorBoard#

Comprender y ajustar con precisión modelos de visión artificial como Ultralytics YOLO26 resulta más sencillo si examinas sus procesos de entrenamiento. Visualizar el entrenamiento de modelos ayuda a conocer sus patrones de aprendizaje, las métricas de rendimiento y su comportamiento general. La integración de YOLO26 con TensorBoard facilita la visualización y el análisis, y permite realizar ajustes más eficientes y fundamentados en el modelo.

Esta guía explica cómo utilizar TensorBoard con YOLO26. Aprenderás a usar distintas 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, la herramienta de visualización de TensorFlow, se utiliza ampliamente para experimentar con el aprendizaje automático. TensorBoard incluye distintas herramientas de visualización para supervisar modelos de aprendizaje automático. Entre ellas se encuentran 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 incrustaciones en espacios de menor dimensión y mostrar datos multimedia.

Entrenamiento de YOLO26 con TensorBoard#

Utilizar TensorBoard durante el entrenamiento de modelos YOLO26 es sencillo y ofrece ventajas importantes.

Instalación#

Para instalar el paquete necesario, ejecuta:

# Install YOLO26 and TensorBoard
pip install ultralytics tensorboard

TensorBoard es una dependencia opcional. Tras instalarla, activa la devolución de llamada una vez con yolo settings tensorboard=True; la configuración se mantendrá en futuras ejecuciones de entrenamiento.

Para obtener instrucciones detalladas y buenas prácticas sobre el proceso de instalación, consulta la guía de instalación de YOLO26. Si tienes dificultades al instalar los paquetes necesarios para YOLO26, consulta la guía de problemas frecuentes, donde encontrarás soluciones y consejos.

Configurar TensorBoard para Google Colab#

Si utilizas Google Colab, configura TensorBoard antes de iniciar el código de entrenamiento:

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

Uso#

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

from ultralytics import YOLO

# Cargar un modelo preentrenado
model = YOLO("yolo26n.pt")

# Entrenar el modelo
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Al ejecutar el fragmento de código de ejemplo anterior, puedes esperar la siguiente salida:

TensorBoard: Start with 'tensorboard --logdir runs/detect/train', view at http://localhost:6006/

Este resultado 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 en tiempo real y el rendimiento del modelo. Si trabajas en Google Colab, TensorBoard se muestra en la misma celda en la que ejecutaste 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 aprender más sobre el registro, los puntos de control, los gráficos y la gestión de archivos, lee nuestra guía de uso de la configuración.

Cómo interpretar TensorBoard durante el entrenamiento de YOLO26#

En esta sección se explican las principales funciones y componentes de TensorBoard en el contexto del entrenamiento de YOLO26. Las tres secciones principales de TensorBoard son Series temporales, Escalares y Grafos.

Series temporales#

La función Series temporales de TensorBoard ofrece una perspectiva dinámica y detallada de distintas métricas de entrenamiento a lo largo del tiempo para los modelos YOLO26. Se centra en la evolución y las tendencias de las métricas durante las épocas de entrenamiento. A continuación se muestra un ejemplo de lo que puedes esperar.

Funciones principales de las series temporales en TensorBoard#

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

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

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

• Análisis en profundidad: Series temporales ofrece un análisis detallado de cada métrica. Por ejemplo, muestra distintos segmentos de la tasa de aprendizaje, lo que permite entender cómo afectan sus ajustes 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 a fondo el progreso del entrenamiento del modelo YOLO26. Te permite hacer un seguimiento de las métricas en tiempo real para identificar y resolver problemas con rapidez. También ofrece una vista detallada de la evolución de cada métrica, fundamental para ajustar el modelo y mejorar su rendimiento.

Escalares#

En TensorBoard, los escalares se utilizan para representar y analizar métricas sencillas, como la pérdida y la precisión, durante el entrenamiento de modelos YOLO26. Ofrecen una visión clara y concisa de la evolución de estas métricas en cada época de entrenamiento y permiten conocer la eficacia y la estabilidad del aprendizaje del modelo. A continuación se muestra un ejemplo de lo que puedes esperar.

Características principales de los escalares en TensorBoard#

• Etiquetas de tasa de aprendizaje (lr): estas etiquetas muestran las variaciones de la tasa de aprendizaje en distintos segmentos (p. ej., lr/pg0, lr/pg1, lr/pg2). Te ayudan 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:

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

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

  • metrics/precision(B): la precisión de las detecciones, es decir, la proporción de predicciones positivas que son correctas.

  • metrics/recall(B): una métrica importante para los modelos en los que pasar por alto una detección tiene un coste elevado; la exhaustividad mide la capacidad de detectar todos los casos pertinentes.

  • 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 comparar el 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 de estas métricas, como los picos o los patrones irregulares en los gráficos de pérdida, pueden poner de manifiesto posibles problemas, como el sobreajuste, el subajuste o una configuración inadecuada de la tasa de aprendizaje. Si supervisas de cerca estos escalares, podrás tomar decisiones fundamentadas para optimizar el proceso de entrenamiento, asegurarte de que el modelo aprenda eficazmente y alcance el rendimiento deseado.

Diferencias entre escalares y series temporales#

Aunque tanto los escalares como las series temporales de TensorBoard se utilizan para hacer un seguimiento de las métricas, tienen propósitos ligeramente distintos. Los escalares se centran en representar métricas sencillas, como la pérdida y la precisión, como valores escalares. Ofrecen una visión general de cómo cambian estas métricas en cada época de entrenamiento. Por su parte, la sección de 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, ya que permite profundizar en los detalles del proceso de entrenamiento.

Gráficos#

La sección Grafos de TensorBoard muestra el grafo computacional del modelo YOLO26 y cómo fluyen las operaciones y los datos dentro del modelo. Ayuda a comprender la estructura del modelo, comprobar que todas las capas estén conectadas correctamente e identificar posibles cuellos de botella en el flujo de datos. A continuación se muestra un ejemplo de lo que puedes esperar.

Los gráficos 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 las capas y el diseño general del modelo.

Resumen#

Esta guía te ayudará a usar TensorBoard con YOLO26 para visualizar y analizar el entrenamiento de modelos de aprendizaje automático. Explica cómo las principales funciones de TensorBoard pueden aportar información sobre las métricas de entrenamiento y el rendimiento del modelo durante las sesiones de entrenamiento de YOLO26.

Para profundizar en estas funciones y conocer estrategias eficaces para utilizarlas, consulta la documentación oficial de TensorBoard de TensorFlow y su repositorio de GitHub.

Preguntas frecuentes#