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

Los modelos de detección de objetos, como Ultralytics YOLO26, se han vuelto fundamentales para muchas aplicaciones de visión artificial. Sin embargo, entrenar, evaluar y desplegar estos modelos complejos plantea varios desafíos. Hacer un seguimiento de las métricas clave de entrenamiento, comparar variantes del modelo, analizar su comportamiento y detectar problemas requiere 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, la creación de puntos de control del modelo y la visualización de su rendimiento. También incluye instrucciones para configurar la integración, entrenar y visualizar los resultados mediante las funciones interactivas de Weights & Biases.

Weights & Biases#

Weights & Biases es una plataforma de MLOps de última generación diseñada para realizar el seguimiento, visualizar y gestionar experimentos de aprendizaje automático. Incluye el registro automático de las métricas de entrenamiento para garantizar la reproducibilidad completa de los experimentos, una interfaz de usuario interactiva para agilizar el análisis de datos y herramientas eficientes de gestión de modelos para desplegarlos en diversos entornos.

Entrenamiento de YOLO26 con Weights & Biases#

Puedes usar Weights & Biases para aportar eficiencia y automatización a tu proceso de entrenamiento de YOLO26. La integración te permite realizar un 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 consultar instrucciones detalladas y prácticas recomendadas relacionadas con el proceso de instalación, revisa nuestra guía de instalación de YOLO26. Si encuentras alguna dificultad al instalar los paquetes necesarios para YOLO26, consulta nuestra guía de problemas comunes para obtener soluciones y consejos.

Configuración de Weights & Biases#

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

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

import wandb

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

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

Uso: entrenamiento de YOLO26 con Weights & Biases#

Antes de consultar las instrucciones de uso para entrenar modelos YOLO26 con Weights & Biases, asegúrate de revisar la variedad de modelos YOLO26 ofrecidos por Ultralytics. Esto te ayudará a elegir el modelo más adecuado para los requisitos de tu proyecto.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.pt")

# Train and Fine-Tune the Model
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 el resultado#

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

• La configuración de una nueva ejecución 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 la pérdida de boxes, la pérdida de cls, la pérdida de distancia de boxes, la precisión, la exhaustividad y las puntuaciones mAP durante cada época de entrenamiento.
• Al final del entrenamiento, se muestran métricas detalladas, incluida la velocidad de inferencia del modelo y las métricas generales de exactitud.
• Enlaces al panel de Weights & Biases para realizar un análisis y una visualización detallados del 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 incluido en la salida. Este panel ofrece una vista completa del proceso de entrenamiento de tu modelo con YOLO26.

Funciones clave del panel de Weights & Biases#

• Seguimiento de métricas en tiempo real: Observa métricas como la pérdida, la exactitud y las puntuaciones de validación a medida que evolucionan durante el entrenamiento, lo que proporciona información inmediata para ajustar el modelo. Consulta cómo se realiza el seguimiento de los experimentos mediante Weights & Biases.

• Optimización de hiperparámetros: Weights & Biases ayuda a ajustar parámetros críticos, como la tasa de aprendizaje, el tamaño del lote y otros, para mejorar el rendimiento de YOLO26. Esto te ayuda a encontrar la configuración óptima para tu conjunto de datos y tarea específicos.

• Análisis comparativo: La plataforma permite comparar lado a lado distintas ejecuciones de entrenamiento, algo esencial para evaluar el impacto de varias 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. Consulta cómo Weights & Biases te ayuda a visualizar los resultados de validación.

• Supervisión de recursos: Controla el uso de CPU, GPU y 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 a los puntos de control del modelo y compártelos, facilitando el despliegue y la colaboración con los miembros del equipo en proyectos complejos.

Al usar estas funciones, puedes realizar un seguimiento, analizar y optimizar eficazmente el entrenamiento de tu modelo YOLO26, garantizando el mejor rendimiento y eficiencia posibles para tus tareas de detección de objetos.

Resumen#

Esta guía te ha ayudado a explorar la integración de Ultralytics YOLO con Weights & Biases. Muestra la capacidad de esta integración para realizar un seguimiento y visualizar eficazmente el entrenamiento del modelo y los resultados de las predicciones. Al aprovechar las potentes funciones de W&B, puedes agilizar tu flujo de trabajo de aprendizaje automático, tomar decisiones basadas en datos y mejorar el rendimiento de tu modelo.

Para obtener más información sobre el uso, visita la documentación oficial de Weights & Biases o consulta la presentación de Soumik Rakshit de YOLO VISION 2023 sobre esta integración.

Además, asegúrate de consultar la página de la guía de integraciones de Ultralytics para obtener más información sobre otras integraciones interesantes, como MLflow y Comet ML.

Preguntas frecuentes#