Link to this sectionObtén información visual con la integración de YOLO26 con TensorBoard#

Comprender y ajustar los modelos de visión artificial como YOLO26 de Ultralytics se vuelve más sencillo cuando observas de cerca sus procesos de entrenamiento. La visualización del entrenamiento del modelo 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 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.

Link to this sectionTensorBoard#

TensorBoard training visualization dashboard

TensorBoard, el kit de herramientas de visualización de TensorFlow, es esencial para la experimentación en aprendizaje automático. TensorBoard incluye una gama de herramientas de visualización, cruciales para supervisar modelos de aprendizaje automático. Estas herramientas incluyen el seguimiento de métricas clave como la pérdida y la precisión, la visualización de gráficos de modelos y la visualización de histogramas de pesos y sesgos a lo largo del tiempo. También proporciona capacidades para proyectar embeddings en espacios de menor dimensión y mostrar datos multimedia.

Link to this sectionEntrenamiento de YOLO26 con TensorBoard#

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

Link to this sectionInstalación#

Para instalar el paquete necesario, ejecuta:

Instalación

# 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 las mejores prácticas relacionadas con el proceso de instalación, asegúrate de consultar nuestra guía de instalación de YOLO26. Si durante la instalación de los paquetes necesarios para YOLO26 encuentras alguna dificultad, consulta nuestra guía de problemas comunes para encontrar soluciones y consejos.

Link to this sectionConfiguración de TensorBoard para Google Colab#

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

Configura TensorBoard para Google Colab

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

Link to this sectionUso#

Antes de profundizar en las instrucciones de uso, asegúrate de echar un vistazo a la gama de modelos YOLO26 ofrecidos por Ultralytics. Esto te ayudará a elegir el modelo más adecuado para los requisitos de tu proyecto.

Habilitar o deshabilitar TensorBoard

De forma predeterminada, el registro de TensorBoard está deshabilitado. Puedes habilitar o deshabilitar el registro usando el comando yolo settings.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

Uso

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 ahora está supervisando activamente tu sesión de entrenamiento de YOLO26. Puedes acceder al panel 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, el TensorBoard se mostrará en la misma celda donde ejecutaste 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 YOLO26. Si te interesa saber más sobre el registro, los puntos de control (checkpoints), la representación gráfica y la gestión de archivos, lee nuestra guía de uso sobre configuración.

Link to this sectionComprender 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).

Link to this sectionSeries 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.

Visualización de métricas de entrenamiento de series temporales en TensorBoard

Link to this sectionCaracterísticas 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: Series Temporales divide las métricas en diferentes categorías como tasa de aprendizaje (lr), entrenamiento (train) y validación (val), cada una representada por 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.

Link to this sectionImportancia 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.

Link to this sectionEscalares#

Los escalares en TensorBoard son cruciales para trazar y analizar métricas simples 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 época de entrenamiento, proporcionando información sobre la eficacia y la estabilidad del aprendizaje del modelo. Aquí tienes un ejemplo de lo que puedes esperar ver.

Panel de escalares de TensorBoard que muestra las métricas de entrenamiento de YOLO

Link to this sectionCaracterísticas clave de los escalares en TensorBoard#

Etiquetas de tasa de aprendizaje (lr): Estas etiquetas muestran las variaciones en la tasa de aprendizaje en diferentes segmentos (p. ej., pg0, pg1, pg2). Esto nos 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 promedio al 50% de Intersección sobre Unión (IoU), crucial para evaluar la precisión de la detección de objetos.
- mAP50-95 (B): Precisión media promedio calculada sobre un rango de umbrales de IoU, ofreciendo una evaluación más completa de la precisión.
- Precision (B): Indicates the ratio of correctly predicted positive observations, key to understanding prediction accuracy.
- Recall (B): Importante para modelos donde perder una detección es significativo, esta métrica mide la capacidad de detectar todas las instancias relevantes.
- Para aprender más sobre las diferentes métricas, lee nuestra guía sobre métricas de rendimiento.
Etiquetas de entrenamiento y validación (train, val): Estas etiquetas muestran métricas específicamente para los conjuntos de datos de entrenamiento y validación, permitiendo un análisis comparativo del rendimiento del modelo en diferentes conjuntos de datos.

Link to this sectionImportancia de supervisar los escalares#

Observar las métricas escalares es crucial para ajustar el modelo YOLO26. Las variaciones en estas métricas, como picos o patrones irregulares en los gráficos de pérdida, pueden resaltar problemas potenciales como sobreajuste, infraajuste o configuraciones inapropiadas de la tasa de aprendizaje. Al supervisar de cerca estos escalares, puedes tomar decisiones informadas para optimizar el proceso de entrenamiento, asegurando que el modelo aprenda de manera efectiva y logre el rendimiento deseado.

Link to this sectionDiferencia 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.

Link to this sectionGráficos#

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.

Visualización del gráfico computacional de TensorBoard para el modelo YOLO

Los gráficos son particularmente útiles para depurar el modelo, especialmente en arquitecturas complejas típicas en modelos de aprendizaje profundo como YOLO26. Ayudan a verificar las conexiones de las capas y el diseño general del modelo.

Link to this sectionResumen#

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 utilización efectivas, puedes consultar la documentación oficial de TensorBoard de TensorFlow y su repositorio de GitHub.

¿Quieres saber más sobre las diversas integraciones de Ultralytics? ¡Consulta la página de la guía de integraciones de Ultralytics para ver qué otras capacidades interesantes están esperando ser descubiertas!

Link to this sectionFAQ#

Link to this section¿Qué beneficios ofrece el uso de TensorBoard con YOLO26?#

El uso de TensorBoard con YOLO26 proporciona varias herramientas de visualización esenciales para un entrenamiento de modelo eficiente:

Seguimiento de métricas en tiempo real: Haz un seguimiento de métricas clave como la pérdida, la precisión, la exactitud y el recall en vivo.
Visualización de gráficos de modelos: Comprende y depura la arquitectura del modelo visualizando gráficos computacionales.
Visualización de embeddings: Proyecta embeddings en espacios de menor dimensión para una mejor perspectiva.

Estas herramientas te permiten realizar ajustes informados para mejorar el rendimiento de tu modelo YOLO26. Para obtener más detalles sobre las funciones de TensorBoard, consulta la guía de TensorBoard de TensorFlow.

Link to this section¿Cómo puedo supervisar las métricas de entrenamiento usando TensorBoard al entrenar un modelo YOLO26?#

Para supervisar las métricas de entrenamiento mientras entrenas un modelo YOLO26 con TensorBoard, sigue estos pasos:

Instala TensorBoard y YOLO26: Ejecuta pip install ultralytics, que incluye TensorBoard.
Configura el registro de TensorBoard: Durante el proceso de entrenamiento, YOLO26 registra las métricas en un directorio de registro especificado.
Inicia TensorBoard: Inicia TensorBoard usando el comando tensorboard --logdir path/to/your/tensorboard/logs.

El panel de TensorBoard, accesible en localhost:6006, proporciona información en tiempo real sobre diversas métricas de entrenamiento. Para profundizar en las configuraciones de entrenamiento, visita nuestra guía de configuración de YOLO26.

Link to this section¿Qué tipo de métricas puedo visualizar con TensorBoard al entrenar modelos YOLO26?#

Al entrenar modelos YOLO26, TensorBoard te permite visualizar una variedad de métricas importantes que incluyen:

Pérdida (Entrenamiento y Validación): Indica qué tan bien está funcionando el modelo durante el entrenamiento y la validación.
Precisión/Exactitud/Recall: Métricas clave de rendimiento para evaluar la precisión de la detección.
Tasa de aprendizaje: Realiza un seguimiento de los cambios en la tasa de aprendizaje para comprender su impacto en la dinámica de entrenamiento.
mAP (precisión media promedio): Para una evaluación exhaustiva de la precisión de la detección de objetos en varios umbrales de IoU.

Estas visualizaciones son esenciales para realizar un seguimiento del rendimiento del modelo y realizar las optimizaciones necesarias. Para obtener más información sobre estas métricas, consulta nuestra guía de métricas de rendimiento.

Link to this section¿Puedo usar TensorBoard en un entorno de Google Colab para entrenar YOLO26?#

Sí, puedes usar TensorBoard en un entorno de Google Colab para entrenar modelos YOLO26. Aquí tienes una configuración rápida: