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

Los modelos de Object detection como Ultralytics YOLO26 se han vuelto fundamentales en muchas aplicaciones de computer vision. Sin embargo, entrenar, evaluar y desplegar estos complejos modelos plantea varios retos. Registrar las métricas clave de entrenamiento, comparar variantes de modelos, analizar el comportamiento del modelo y detectar problemas requiere una instrumentación y una gestión de experimentos significativas.

Esta guía muestra la integración de Ultralytics YOLO26 con Weights & Biases para mejorar el seguimiento de experimentos, el registro de puntos de control de modelos y la visualización del rendimiento del modelo. También incluye instrucciones para configurar la integración, entrenar, ajustar y visualizar resultados mediante las funciones interactivas de Weights & Biases.

Weights & Biases#

Weights & Biases es una avanzada MLOps platform diseñada para registrar, visualizar y gestionar experimentos de machine learning. Cuenta con registro automático de métricas de entrenamiento para una total reproducibilidad de los experimentos, una interfaz interactiva para un análisis de datos optimizado y eficientes herramientas de gestión de modelos para el despliegue en diversos entornos.

Entrenamiento de YOLO26 con Weights & Biases#

Puedes usar Weights & Biases para aportar eficiencia y automatización a tu proceso de entrenamiento con YOLO26. La integración te permite realizar un seguimiento de los experimentos, comparar modelos y tomar decisiones basadas en datos para mejorar tus proyectos de computer vision.

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 relacionadas con el proceso de instalación, asegúrate de consultar nuestra YOLO26 Installation guide. Si encuentras alguna dificultad al instalar los paquetes necesarios para YOLO26, consulta nuestra Common Issues guide para encontrar soluciones y consejos.

Configuración de Weights & Biases#

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

Comienza inicializando el entorno de Weights & Biases en tu espacio de trabajo. Puedes hacerlo ejecutando el siguiente comando y siguiendo las instrucciones que aparecerán.

import wandb

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

Navega hasta la Weights & Biases authorization page para crear y obtener tu API key. Usa esta clave cuando se te pida para autenticar tu entorno con W&B.

Uso: Entrenamiento de YOLO26 con Weights & Biases#

Antes de adentrarte en las instrucciones de uso para el entrenamiento de modelos YOLO26 con Weights & Biases, asegúrate de echar un vistazo a la gama de YOLO26 models offered by 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

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, indicando el inicio del proceso de entrenamiento.
• Un resumen conciso de la estructura del modelo, incluyendo el número de capas y parámetros.
• Actualizaciones periódicas de métricas importantes como box loss, cls loss, dfl loss, precision, recall y mAP scores durante cada epoch de entrenamiento.
• Al finalizar el entrenamiento, se muestran métricas detalladas que incluyen la velocidad de inferencia del modelo y métricas de accuracy general.
• Enlaces al panel de control de Weights & Biases para un análisis y visualización detallados del proceso de entrenamiento, junto con información sobre las ubicaciones de los archivos de registro locales.

Visualización del panel de control de Weights & Biases#

Después de ejecutar el fragmento de código de uso, puedes acceder al panel de control de Weights & Biases (W&B) a través del enlace proporcionado en el resultado. Este panel ofrece una vista completa del proceso de entrenamiento de tu modelo con YOLO26.

Características clave del panel de control de Weights & Biases#

• Real-Time Metrics Tracking: Observa métricas como loss, accuracy y puntuaciones de validación a medida que evolucionan durante el entrenamiento, lo que ofrece información inmediata para el ajuste del modelo. See how experiments are tracked using Weights & Biases.

• Hyperparameter Optimization: Weights & Biases ayuda a ajustar con precisión parámetros críticos como learning rate, batch size y más, mejorando 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 realizar comparaciones lado a lado de diferentes ejecuciones de entrenamiento, lo cual es esencial para evaluar el impacto de varias configuraciones del modelo y entender qué cambios mejoran el rendimiento.

• Visualization of Training Progress: Las representaciones gráficas de las métricas clave proporcionan una comprensión intuitiva del rendimiento del modelo a lo largo de las epochs. See how Weights & Biases helps you visualize validation results.

• Monitorización de recursos: Realiza un seguimiento del 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 de modelos: Accede y comparte puntos de control de modelos, facilitando la implementación sencilla y la colaboración con los miembros del equipo en proyectos complejos.

• Viewing Inference Results with Image Overlay: Visualiza los resultados de las predicciones en las imágenes utilizando superposiciones interactivas en Weights & Biases, lo que proporciona una vista clara y detallada del rendimiento del modelo en datos del mundo real. Para obtener información más detallada, consulta las image overlay capabilities de Weights & Biases.

Al utilizar estas características, puedes realizar un seguimiento, analizar y optimizar de forma eficaz el entrenamiento de tu modelo YOLO26, garantizando el mejor rendimiento y la máxima eficiencia posibles para tus tareas de object detection.

Resumen#

Esta guía te ha ayudado a explorar la integración de Ultralytics YOLO con Weights & Biases. Ilustra la capacidad de esta integración para rastrear y visualizar de manera eficiente los resultados de entrenamiento y predicción de modelos. Al aprovechar las potentes características de W&B, puedes agilizar tu flujo de trabajo de machine learning, tomar decisiones basadas en datos y mejorar el rendimiento de tu modelo.

Para obtener más detalles sobre el uso, visita la Weights & Biases' official documentation o explora la Soumik Rakshit's presentation de YOLO VISION 2023 sobre esta integración.

Asimismo, asegúrate de echar un vistazo a la Ultralytics integration guide page para obtener más información sobre otras interesantes integraciones como MLflow y Comet ML.

FAQ#