Seguimiento y visualización de experimentos de YOLO con Weights & Biases#

Los modelos de detección de objetos, como Ultralytics YOLO26, se han convertido en elementos esenciales de muchas aplicaciones de visión artificial. Sin embargo, entrenar, evaluar e implementar estos complejos modelos plantea varios retos. El seguimiento de las métricas clave de entrenamiento, la comparación de variantes del modelo, el análisis de su comportamiento y la detección de problemas requieren una instrumentación y una gestión de experimentos considerables.

Esta guía muestra la integración de Ultralytics YOLO26 con Weights & Biases para mejorar el seguimiento de experimentos, los artefactos del mejor modelo y la visualización del rendimiento del modelo. También incluye instrucciones para configurar la integración, entrenar y visualizar los resultados con las funciones interactivas de Weights & Biases.

Weights & Biases#

Weights & Biases es una plataforma MLOps de vanguardia diseñada para hacer seguimiento, visualizar y gestionar experimentos de aprendizaje automático. Ofrece el registro automático de las métricas de entrenamiento para reproducir íntegramente los experimentos, una interfaz interactiva que agiliza el análisis de datos y herramientas eficientes para gestionar modelos e implementarlos en distintos entornos.

Entrenamiento de YOLO26 con Weights & Biases#

Puedes utilizar Weights & Biases para aumentar la eficiencia y automatizar el proceso de entrenamiento de YOLO26. La integración te permite hacer seguimiento de los experimentos, comparar modelos y tomar decisiones basadas en datos para mejorar tus proyectos de visión artificial.

Instalación#

Para instalar los paquetes necesarios, ejecuta:

# 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 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.

Configuración de Weights & Biases#

Después de instalar los paquetes necesarios, el siguiente paso es configurar tu entorno de Weights & Biases. Para ello, debes crear una cuenta de Weights & Biases y obtener la clave API necesaria para conectar sin problemas tu entorno de desarrollo con la plataforma W&B.

Empieza por inicializar el entorno de Weights & Biases en tu espacio de trabajo. Para ello, ejecuta el siguiente comando y sigue las instrucciones.

import wandb

# Inicializa tu entorno de Weights & Biases (solicita la clave de API o lee WANDB_API_KEY)
wandb.login()

Ve a la página de autorización de Weights & Biases para crear y obtener tu clave API. Cuando se te solicite, utiliza esta clave para autenticar tu entorno con W&B.

Uso: entrenamiento de YOLO26 con Weights & Biases#

Antes de consultar las instrucciones para entrenar modelos YOLO26 con Weights & Biases, no olvides echar un vistazo a la variedad de modelos YOLO26 que ofrece Ultralytics. Así podrás elegir el modelo más adecuado para los requisitos de tu proyecto.

from ultralytics import YOLO

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

# Entrena y ajusta el modelo
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Argumentos de W&B#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Cómo entender la salida#

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

• La configuración de una nueva ejecución con un ID único, que indica el inicio del proceso de entrenamiento.
• Un resumen conciso de la estructura del modelo, que incluye el número de capas y parámetros.
• Actualizaciones periódicas de métricas importantes, como las pérdidas de entrenamiento, la precisión, la exhaustividad y las puntuaciones de mAP durante cada época de entrenamiento.
• Al finalizar el entrenamiento, se muestran métricas detalladas, como la velocidad de inferencia del modelo y las métricas generales de exactitud.
• Enlaces al panel de Weights & Biases para analizar y visualizar en profundidad el proceso de entrenamiento, junto con información sobre las ubicaciones de los archivos de registro locales.

Visualización del panel de Weights & Biases#

Después de ejecutar el fragmento de código de uso, puedes acceder al panel de Weights & Biases (W&B) mediante el enlace que aparece en la salida. El panel ofrece una visión completa del proceso de entrenamiento de tu modelo con YOLO26.

Funciones clave del panel de Weights & Biases#

• Seguimiento de métricas en tiempo real: Observa cómo evolucionan durante el entrenamiento métricas como la pérdida, la exactitud y los resultados de validación para obtener información inmediata que te ayude a ajustar el modelo. Descubre cómo se hace el seguimiento de los experimentos con Weights & Biases.

• Comparación de hiperparámetros: Cada ejecución registra sus argumentos de entrenamiento, como la tasa de aprendizaje y el tamaño del lote, para que puedas comparar configuraciones entre ejecuciones. Para realizar búsquedas automatizadas con el registro de W&B, usa Ray Tune.

• Análisis comparativo: La plataforma permite comparar lado a lado distintas ejecuciones de entrenamiento, algo esencial para evaluar el impacto de diversas configuraciones del modelo y entender qué cambios mejoran el rendimiento.

• Visualización del progreso del entrenamiento: Las representaciones gráficas de las métricas clave permiten entender de forma intuitiva el rendimiento del modelo a lo largo de las épocas. Descubre cómo Weights & Biases te ayuda a visualizar los resultados de validación.

• Supervisión de recursos: Controla el uso de la CPU, la GPU y la memoria para optimizar la eficiencia del proceso de entrenamiento e identificar posibles cuellos de botella en tu flujo de trabajo.

• Gestión de artefactos del modelo: Accede al mejor punto de control del modelo y compártelo; se sube como artefacto de W&B al final del entrenamiento, lo que facilita la implementación y la colaboración con los miembros del equipo en proyectos complejos.

Con estas funciones, puedes hacer un seguimiento eficaz del entrenamiento de tu modelo YOLO26, analizarlo y optimizarlo para garantizar el mejor rendimiento y la máxima eficiencia posibles en tus tareas de detección de objetos.

Resumen#

Esta guía te ha permitido explorar la integración de Ultralytics YOLO con Weights & Biases. Muestra cómo esta integración permite realizar un seguimiento eficiente de los resultados del entrenamiento del modelo y visualizarlos. Aprovecha las potentes funciones de W&B para agilizar tu flujo de trabajo de aprendizaje automático, tomar decisiones basadas en datos y mejorar el rendimiento de tu modelo.

Para obtener más información, consulta la presentación de Soumik Rakshit sobre esta integración, presentada en YOLO VISION 2023.

Además, no olvides consultar la página de la guía de integraciones de Ultralytics para descubrir otras integraciones interesantes, como MLflow y Comet ML.

Preguntas frecuentes#