Seguimiento y visualización de experimentos de YOLO con Weights & Biases

Detección de objetos avanzados como Ultralytics YOLO26 se han vuelto fundamentales para muchas aplicaciones de computer vision. Sin embargo, el entrenamiento, la evaluación y el despliegue de estos modelos complejos plantean varios desafíos. Realizar el seguimiento de 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 guardado de puntos de control (checkpoints) del modelo y la visualización del rendimiento del modelo. También incluye instrucciones para configurar la integración, entrenar, ajustar y visualizar resultados utilizando las funciones interactivas de Weights & Biases.

Weights & Biases

Weights & Biases es una plataforma MLOps de vanguardia diseñada para realizar el seguimiento, visualizar y gestionar experimentos de machine learning. Cuenta con registro automático de métricas de entrenamiento para una reproducibilidad total de los experimentos, una interfaz de usuario interactiva para un análisis de datos optimizado y herramientas eficientes 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 de YOLO26. La integración te permite realizar el seguimiento de experimentos, comparar modelos y tomar decisiones basadas en datos para mejorar tu computer vision proyectos.

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 mejores prácticas relacionadas con el proceso de instalación, asegúrate de consultar nuestra guía de instalación de YOLO26. Mientras instalas los paquetes necesarios para YOLO26, si encuentras alguna dificultad, 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 en Weights & Biases y obtener la API key necesaria para una conexión fluida entre tu entorno de desarrollo y la plataforma 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 el Página de autorización de Weights & Biases para crear y obtener tu API key. Usa esta clave cuando se te solicite para autenticar tu entorno con W&B.

Uso: Entrenamiento de YOLO26 con Weights & Biases

Antes de profundizar en las instrucciones de uso para el entrenamiento de modelos YOLO26 con Weights & Biases, asegúrate de consultar la gama 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

Entendiendo la salida

Al ejecutar el fragmento de código de uso anterior, puedes esperar las siguientes salidas clave:

• La configuración de una nueva ejecución con su ID único, lo 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 sobre métricas importantes como box loss, cls loss, dfl loss y precisión, recall, y puntuaciones de mAP durante cada época.
• Al final del entrenamiento, se muestran métricas detalladas que incluyen la velocidad de inferencia del modelo y las métricas precisión generales.
• Enlaces al panel de control de Weights & Biases para un análisis y visualización en profundidad 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 la salida. Este panel ofrece una vista completa del proceso de entrenamiento de tu modelo con YOLO26.

Características clave del panel de control de Weights & Biases

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

• Optimización de hiperparámetros: Weights & Biases ayuda en el ajuste de 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 comparaciones lado a lado de diferentes ejecuciones de entrenamiento, esencial para evaluar el impacto de varias configuraciones de 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 través de las épocas.Mira cómo Weights & Biases te ayuda a visualizar los resultados de validación.

• Monitoreo 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 modelo: Accede y comparte puntos de control de modelos, facilitando el despliegue sencillo y la colaboración con los miembros del equipo en proyectos complejos.

• Visualización de resultados de inferencia con superposición de imágenes: Visualiza los resultados de la predicción en imágenes usando 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 capacidades de superposición de imágenes.

de Weights & Biases. Al usar estas características, puedes realizar un seguimiento, analizar y optimizar eficazmente el entrenamiento de tu modelo YOLO26, asegurando el mejor rendimiento y eficiencia posibles para tu object detection.

Resumen

Esta guía te ayudó a explorar la integración de Ultralytics YOLO con Weights & Biases. Ilustra la capacidad de esta integración para realizar un seguimiento y visualizar eficientemente los resultados de entrenamiento y predicción del modelo. Aprovechando las potentes funciones de W&B, puedes optimizar tu machine learning flujo de trabajo, tomar decisiones basadas en datos y mejorar el rendimiento de tu modelo.

Para más detalles sobre el uso, visita la documentación oficial de Weights & Biases o explora 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 diferentes integraciones interesantes como MLflow y Comet ML.

Preguntas frecuentes

¿Cómo integro Weights & Biases con Ultralytics YOLO26?

Para integrar Weights & Biases con Ultralytics YOLO26:

1. Instala los paquetes requeridos:

   pip install -U ultralytics wandb
   yolo settings wandb=True

2. Inicia sesión en tu cuenta de Weights & Biases:

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

3. Entrena tu modelo YOLO26 con el registro de W&B habilitado:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

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

¿Cuáles son las características clave de la integración de Weights & Biases con YOLO26?

Las características clave incluyen:

• Seguimiento de métricas en tiempo real durante el entrenamiento
• Herramientas de optimización de hiperparámetros
• Análisis comparativo de diferentes ejecuciones de entrenamiento
• Visualización del progreso del entrenamiento a través de gráficos
• Monitoreo de recursos (uso de CPU, GPU, memoria)
• Gestión y uso compartido de artefactos del modelo
• Visualización de resultados de inferencia con superposiciones de imágenes

Estas características ayudan en el seguimiento de experimentos, la optimización de modelos y la colaboración más eficaz en proyectos YOLO26.

¿Cómo puedo ver el panel de control de Weights & Biases para mi entrenamiento de YOLO26?

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

1. Se proporcionará un enlace a tu panel de control de W&B en la salida de la consola.
2. Haz clic en el enlace o ve a wandb.ai e inicia sesión en tu cuenta.
3. Navega a tu proyecto para ver métricas detalladas, visualizaciones y datos de rendimiento del modelo.

El panel de control ofrece información sobre el proceso de entrenamiento de tu modelo, permitiéndote analizar y mejorar tus modelos YOLO26 eficazmente.

¿Puedo deshabilitar el registro de Weights & Biases para el entrenamiento de YOLO26?

Sí, puedes deshabilitar el registro de W&B usando el siguiente comando:

yolo settings wandb=False

Para volver a habilitar el registro, usa:

yolo settings wandb=True

Esto te permite controlar cuándo deseas utilizar el registro de W&B sin modificar tus scripts de entrenamiento.

¿Cómo ayuda Weights & Biases a optimizar los modelos YOLO26?

Weights & Biases ayuda a optimizar los modelos YOLO26 mediante:

1. Proporcionar visualizaciones detalladas de las métricas de entrenamiento
2. Facilitar la comparación sencilla entre diferentes versiones de modelos
3. Ofrecer herramientas para ajuste de hiperparámetros
4. Permitir el análisis colaborativo del rendimiento del modelo
5. Facilitar el uso compartido sencillo de artefactos y resultados del modelo

Estas características ayudan a los investigadores y desarrolladores a iterar más rápido y a tomar decisiones basadas en datos para mejorar sus modelos YOLO26.