Mejora del seguimiento y la visualización de experimentos en YOLO11 con Weights & Biases

Los modelos de detección de objetos como Ultralytics YOLO11 se han convertido en parte integrante de muchas aplicaciones de visión por ordenador. Sin embargo, el entrenamiento, la evaluación y el despliegue de estos complejos modelos plantean varios retos. El seguimiento de las métricas de entrenamiento clave, la comparación de variantes de modelos, el análisis del comportamiento de los modelos y la detección de problemas requieren una instrumentación y una gestión de experimentos significativas.

Observa: Cómo utilizar Ultralytics YOLO11 con Weights and Biases

Esta guía muestra la integración de Ultralytics YOLO11 con Weights & Biases para mejorar el seguimiento de experimentos, la comprobación de modelos y la visualización del rendimiento de los mismos. También incluye instrucciones para configurar la integración, el entrenamiento, el ajuste fino y la visualización de resultados mediante las funciones interactivas de Weights & Biases.

Weights & Biases

Weights & Biases es una plataforma MLOps de vanguardia diseñada para el seguimiento, la visualización y la gestión de experimentos de aprendizaje automático. Cuenta con un registro automático de las métricas de entrenamiento para una total reproducibilidad de los experimentos, una interfaz de usuario interactiva para agilizar el análisis de datos y herramientas eficientes de gestión de modelos para su despliegue en varios entornos.

YOLO11 Formación con Weights & Biases

Puede utilizar Weights & Biases para aportar eficacia y automatización a su proceso de formación YOLO11 . La integración le permite realizar un seguimiento de los experimentos, comparar modelos y tomar decisiones basadas en datos para mejorar sus proyectos de visión por ordenador.

Instalación

Para instalar los paquetes necesarios, ejecute

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalaciónYOLO11 . Durante la instalación de los paquetes necesarios para YOLO11, si encuentras alguna dificultad, consulta nuestra guía de problemas comunes para encontrar soluciones y consejos.

Configuración de Weights & Biases

Tras instalar los paquetes necesarios, el siguiente paso es configurar tu entorno Weights & Biases . Esto incluye la creación de una cuenta Weights & Biases y la obtención de la clave API necesaria para una conexión fluida entre tu entorno de desarrollo y la plataforma W&B.

Comience por inicializar el entorno Weights & Biases en su espacio de trabajo. Para ello, ejecute el siguiente comando y siga las instrucciones que aparecen.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")

# Initialize your Weights & Biases environment
wandb login YOUR_API_KEY

Navegue a la página de autorizaciónWeights & Biases para crear y recuperar su clave API. Utilice esta clave para autenticar su entorno con W&B.

Utilización: Formación YOLO11 con Weights & Biases

Antes de sumergirse en las instrucciones de uso del modelo de formación YOLO11 con Weights & Biases, asegúrese de consultar la gama de modelosYOLO11 que ofrece Ultralytics. Esto le ayudará a elegir el modelo más apropiado para los requisitos de su proyecto.

from ultralytics import YOLO

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

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

# Train a YOLO11 model with Weights & Biases
yolo train data=coco8.yaml epochs=5 project=ultralytics name=yolo11n

Argumentos W&B

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Comprender el resultado

Al ejecutar el fragmento de código de uso anterior, puede esperar los siguientes resultados clave:

• La configuración de una nueva tirada con su ID único, que indica el inicio del proceso de entrenamiento.
• Un resumen conciso de la estructura del modelo, incluido el número de capas y parámetros.
• Actualizaciones periódicas de métricas importantes como box loss, cls loss, dfl loss, precisión, recall y puntuaciones mAP durante cada época de entrenamiento.
• Al final del entrenamiento, se muestran métricas detalladas que incluyen la velocidad de inferencia del modelo y métricas generales de precisión.
• Enlaces al panel Weights & Biases para un análisis en profundidad y la visualización del proceso de formación, junto con información sobre la ubicación de los archivos de registro locales.

Visualización del panel Weights & Biases

Después de ejecutar el fragmento de código de uso, puede acceder al panel Weights & Biases (W&B) a través del enlace proporcionado en la salida. Este panel ofrece una visión completa del proceso de entrenamiento de su modelo con YOLO11.

Características principales del panel Weights & Biases

• Seguimiento de métricas en tiempo real: Observe métricas como la pérdida, la precisión y las puntuaciones de validación a medida que evolucionan durante el entrenamiento, lo que ofrece información inmediata para el ajuste del modelo. Vea cómo se realiza el seguimiento de los experimentos en Weights & Biases.

• Optimización de hiperparámetros: Weights & Biases ayuda a ajustar parámetros críticos como la tasa de aprendizaje, el tamaño del lote, etc., mejorando el rendimiento de YOLO11. Esto le ayuda a encontrar la configuración óptima para su conjunto de datos y tarea específicos.

• Análisis comparativo: La plataforma permite realizar comparaciones lado a lado de diferentes ejecuciones de entrenamiento, esenciales para evaluar el impacto de diversas configuraciones del modelo y comprender qué cambios mejoran el rendimiento.

• Visualización del progreso del entrenamiento: Las representaciones gráficas de las métricas clave proporcionan una comprensión intuitiva del rendimiento del modelo a lo largo de las épocas. Vea cómo Weights & Biases le ayuda a visualizar los resultados de validación.

• Monitorización de recursos: Realice un seguimiento del uso de CPU, la GPU y la memoria para optimizar la eficiencia del proceso de formación e identificar posibles cuellos de botella en su flujo de trabajo.

• Gestión de artefactos del modelo: Acceda a los puntos de control del modelo y compártalos, lo que facilita el despliegue y la colaboración con los miembros del equipo en proyectos complejos.

• Visualización de resultados de inferencia con superposición de imágenes: Visualice los resultados de la predicción en imágenes mediante superposiciones interactivas en Weights & Biases, proporcionando una visión clara y detallada del rendimiento del modelo en datos del mundo real. Para obtener información más detallada sobre las funciones de superposición de imágenes de Weights & Biases', consulte este enlace. Vea cómo las superposiciones de imágenes de Weights & Biases' ayudan a visualizar las inferencias del modelo.

Utilizando estas funciones, podrá seguir, analizar y optimizar eficazmente el entrenamiento de su modelo YOLO11 , garantizando el mejor rendimiento y eficacia posibles para sus tareas de detección de objetos.

Resumen

Esta guía le ha ayudado a explorar la integración de Ultralytics YOLO con Weights & Biases. Ilustra la capacidad de esta integración para rastrear y visualizar eficientemente el entrenamiento del modelo y los resultados de la predicción. Al aprovechar las potentes funciones de W&B, puede agilizar su flujo de trabajo de aprendizaje automático, tomar decisiones basadas en datos y mejorar el rendimiento de su modelo.

Para más detalles sobre el uso, visite la documentación oficial deWeights & Biases o explore la presentación de Soumik Rakshit de YOLO VISION 2023 sobre esta integración.

Además, asegúrese de consultar la página de la guía de integraciónUltralytics , para obtener más información sobre diferentes integraciones interesantes como MLflow y Comet ML.

PREGUNTAS FRECUENTES

¿Cómo se integra Weights & Biases con Ultralytics YOLO11 ?

Para integrar Weights & Biases con Ultralytics YOLO11 :

1. Instale los paquetes necesarios:

   pip install -U ultralytics wandb
   yolo settings wandb=True
   

2. Conéctese a su cuenta Weights & Biases :

   import wandb
   
   wandb.login(key="YOUR_API_KEY")
   

3. Entrene su modelo YOLO11 con el registro W&B activado:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
   

Esto registrará automáticamente métricas, hiperparámetros y artefactos del modelo en su proyecto W&B.

¿Cuáles son las principales características de la integración de Weights & Biases con YOLO11?

Entre sus principales características figuran:

• Seguimiento de métricas en tiempo real durante el entrenamiento
• Herramientas de optimización de hiperparámetros
• Análisis comparativo de las diferentes series de entrenamiento
• Visualización del progreso del entrenamiento mediante gráficos
• Supervisión de recursos (CPU, GPU, uso de memoria)
• Gestión e intercambio de artefactos modelo
• Visualización de resultados de inferencia con superposición de imágenes

Estas funciones ayudan a realizar un seguimiento de los experimentos, optimizar los modelos y colaborar más eficazmente en los proyectos de YOLO11 .

¿Cómo puedo ver el panel de Weights & Biases para mi formación en YOLO11 ?

Después de ejecutar tu script de entrenamiento con integración W&B:

1. En la salida de la consola aparecerá un enlace a su panel de control de W&B.
2. Haga clic en el enlace o vaya a wandb.ai e inicie sesión en su cuenta.
3. Navegue hasta su proyecto para ver métricas detalladas, visualizaciones y datos de rendimiento del modelo.

El cuadro de mandos ofrece información sobre el proceso de formación de su modelo, lo que le permite analizar y mejorar eficazmente sus modelos YOLO11 .

¿Puedo desactivar el registro Weights & Biases para la formación YOLO11 ?

Sí, puede desactivar el registro de W&B utilizando el siguiente comando:

yolo settings wandb=False

Para volver a activar el registro, utilice:

yolo settings wandb=True

Esto le permite controlar cuándo desea utilizar el registro W&B sin modificar sus guiones de entrenamiento.

¿Cómo ayuda Weights & Biases a optimizar los modelos YOLO11 ?

Weights & Biases ayuda a optimizar los modelos de YOLO11 :

1. Visualización detallada de las métricas de formación
2. Facilita la comparación entre diferentes versiones de modelos
3. Herramientas de ajuste de hiperparámetros
4. Permitir el análisis colaborativo del rendimiento de los modelos
5. Facilitar el intercambio de artefactos y resultados del modelo

Estas funciones ayudan a los investigadores y desarrolladores a iterar con mayor rapidez y a tomar decisiones basadas en datos para mejorar sus modelos YOLO11 .

Creado hace 1 año ✏️ Actualizado hace 1 día

Comentarios