Mejora del seguimiento y la visualización de experimentos en YOLOv8 con Weights & Biases

Los modelos de detección de objetos como Ultralytics YOLOv8 se han convertido en parte integrante de muchas aplicaciones de visión por ordenador. Sin embargo, entrenar, evaluar y desplegar estos complejos modelos presenta varios retos. El seguimiento de las métricas clave del entrenamiento, la comparación de las variantes del modelo, el análisis del comportamiento del modelo y la detección de problemas requieren una instrumentación y una gestión de los experimentos considerables.

Esta guía muestra la integración de Ultralytics YOLOv8 con Weights & Biases' para mejorar el seguimiento de experimentos, la comprobación de modelos y la visualización del rendimiento de los modelos. También incluye instrucciones para configurar la integración, entrenar, ajustar y visualizar los resultados utilizando 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. Presenta 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 eficaces de gestión de modelos para desplegarlos en varios entornos.

YOLOv8 Formación con Weights & Biases

Puedes utilizar Weights & Biases para aportar eficacia y automatización a tu proceso de formación YOLOv8 .

Instalación

Para instalar los paquetes necesarios, ejecuta

# Install the required packages for YOLOv8 and Weights & Biases
pip install --upgrade ultralytics==8.0.186 wandb

Para obtener instrucciones detalladas y buenas prácticas relacionadas con el proceso de instalación, consulta nuestra guía de instalaciónYOLOv8 . Mientras instalas los paquetes necesarios para YOLOv8, 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 crear una cuenta en Weights & Biases y obtener la clave API necesaria para una conexión fluida entre tu entorno de desarrollo y la plataforma W&B.

Empieza por inicializar el entorno Weights & Biases en tu espacio de trabajo. Puedes hacerlo ejecutando el siguiente comando y siguiendo las instrucciones que se te indiquen.

# Initialize your Weights & Biases environment
import wandb
wandb.login()

Navega a la página de autorización Weights & Biases para crear y recuperar tu clave API. Utiliza esta clave para autenticar tu entorno con W&B.

Utilización: Entrenamiento YOLOv8 con Weights & Biases

Antes de sumergirte en las instrucciones de uso del modelo de formación YOLOv8 con Weights & Biases, asegúrate de consultar la gama de modelosYOLOv8 que ofrece Ultralytics. Esto te ayudará a elegir el modelo más apropiado para los requisitos de tu proyecto.

import wandb
from ultralytics import YOLO
from wandb.integration.ultralytics import add_wandb_callback

# Step 1: Initialize a Weights & Biases run
wandb.init(project="ultralytics", job_type="training")

# Step 2: Define the YOLOv8 Model and Dataset
model_name = "yolov8n"
dataset_name = "coco8.yaml"
model = YOLO(f"{model_name}.pt")

# Step 3: Add W&B Callback for Ultralytics
add_wandb_callback(model, enable_model_checkpointing=True)

# Step 4: Train and Fine-Tune the Model
model.train(project="ultralytics", data=dataset_name, epochs=5, imgsz=640)

# Step 5: Validate the Model
model.val()

# Step 6: Perform Inference and Log Results
model(["path/to/image1", "path/to/image2"])

# Step 7: Finalize the W&B Run
wandb.finish()

Comprender el Código

Comprendamos los pasos que se muestran en el fragmento de código de uso anterior.

• Paso 1: Inicializar una ejecución de Weights & Biases : Comienza inicializando una ejecución de Weights & Biases , especificando el nombre del proyecto y el tipo de trabajo. Esta ejecución seguirá y gestionará los procesos de entrenamiento y validación de tu modelo.

• Paso 2: Definir el modelo y el conjunto de datos YOLOv8 : Especifica la variante del modelo y el conjunto de datos que deseas utilizar. A continuación, el modelo YOLO se inicializa con el archivo del modelo especificado.

• Paso 3: Añade Weights & Biases Callback para Ultralytics: Este paso es crucial, ya que permite el registro automático de las métricas de entrenamiento y los resultados de validación en Weights & Biases, proporcionando una visión detallada del rendimiento del modelo.

• Paso 4: Entrenar y ajustar el modelo: Comienza a entrenar el modelo con el conjunto de datos, el número de épocas y el tamaño de imagen especificados. El proceso de entrenamiento incluye el registro de métricas y predicciones al final de cada época, lo que ofrece una visión completa del progreso del aprendizaje del modelo.

• Paso 5: Validar el modelo: Tras el entrenamiento, se valida el modelo. Este paso es crucial para evaluar el rendimiento del modelo en datos no vistos y garantizar su generalizabilidad.

• Paso 6: Realizar inferencias y registrar resultados: El modelo realiza predicciones sobre las imágenes especificadas. Estas predicciones, junto con las superposiciones visuales y las percepciones, se registran automáticamente en una Tabla W&B para la exploración interactiva.

• Paso 7: Finalizar la Ejecución W&B: Este paso marca el final del registro de datos y guarda el estado final del proceso de entrenamiento y validación de tu modelo en el panel W&B.

Comprender la salida

Al ejecutar el fragmento de código de uso anterior, puedes 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, incluyendo el número de capas y parámetros.
• Actualizaciones periódicas de métricas importantes como la pérdida de caja, la pérdida cls, la pérdida dfl, la precisión, la recuperación y las 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 de precisión general.
• Enlaces al panel de control Weights & Biases para un análisis en profundidad y la visualización del proceso de entrenamiento, junto con información sobre la ubicación de los archivos de registro locales.

Ver el panel Weights & Biases

Tras ejecutar el fragmento de código de uso, puedes 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 tu modelo con YOLOv8.

Características principales del panel Weights & Biases

• Seguimiento de métricas en tiempo real: Observa métricas como la pérdida, la precisión y las puntuaciones de validación a medida que evolucionan durante el entrenamiento, ofreciendo información inmediata para el ajuste del modelo.

  Echa un vistazo al seguimiento de los experimentos utilizando Weights & Biases.

• Optimización de hiperparámetros: Weights & Biases ayuda a afinar parámetros críticos como la tasa de aprendizaje, el tamaño del lote, etc., mejorando el rendimiento de YOLOv8.

• Análisis comparativo: La plataforma permite la comparación lado a lado de diferentes ejecuciones de entrenamiento, esencial para evaluar el impacto de diversas configuraciones del modelo.

• 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.

  Echa un vistazo a cómo Weights & Biases te ayuda a visualizar los resultados de la validación.

• Monitorización de recursos: Controla el uso de CPU, GPU y memoria para optimizar la eficiencia del proceso de entrenamiento.

• Gestión de artefactos del modelo: Accede a los puntos de control del modelo y compártelos, facilitando el despliegue y la colaboración.

• Visualización de los resultados de la inferencia con superposición de imágenes: Visualiza 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 capacidades de superposición de imágenes de Weights & Biases', consulta este enlace.

  Echa un vistazo a cómo las superposiciones de imágenes de Weights & Biases' ayudan a visualizar las inferencias del modelo.

Utilizando estas funciones, puedes seguir, analizar y optimizar eficazmente el entrenamiento de tu modelo YOLOv8 , garantizando el mejor rendimiento y eficacia posibles.

Resumen

Esta guía te ha ayudado a explorar la integración de Ultralytics' YOLOv8 con Weights & Biases. Ilustra la capacidad de esta integración para realizar un seguimiento eficaz y visualizar los resultados del entrenamiento y la predicción de modelos.

Para más detalles sobre su uso, visita Weights & Biases' documentación oficial.

Además, asegúrate de consultar la página de la guía de integraciónUltralytics , para saber más sobre diferentes integraciones interesantes.

Comentarios