Modelo de entrenamiento con Ultralytics YOLO

Introducción

Entrenar un modelo de aprendizaje profundo implica alimentarlo con datos y ajustar sus parámetros para que pueda hacer predicciones precisas. El modo Entrenar de Ultralytics YOLOv8 está diseñado para un entrenamiento eficaz y eficiente de los modelos de detección de objetos, utilizando plenamente las capacidades del hardware moderno. Esta guía pretende cubrir todos los detalles que necesitas para empezar a entrenar tus propios modelos utilizando el sólido conjunto de funciones de YOLOv8.

Observa: Cómo entrenar un modelo YOLOv8 con tu conjunto de datos personalizado en Google Colab.

¿Por qué elegir Ultralytics YOLO para la formación?

He aquí algunas razones de peso para optar por el modo Tren de YOLOv8:

• Eficiencia: Saca el máximo partido a tu hardware, tanto si utilizas una sola GPU como si escalas varias.
• Versatilidad: Entrénate en conjuntos de datos personalizados, además de en otros fácilmente disponibles como COCO, VOC e ImageNet.
• Fácil de usar: interfaces sencillas pero potentes en CLI y Python para una experiencia de formación sencilla.
• Flexibilidad de hiperparámetros: Una amplia gama de hiperparámetros personalizables para afinar el rendimiento del modelo.

Características principales del Modo Tren

Las siguientes son algunas características notables del modo Tren de YOLOv8:

• Descarga automática de conjuntos de datos: Los conjuntos de datos estándar como COCO, VOC e ImageNet se descargan automáticamente en el primer uso.
• Soporte Multi-GPU: Escala tus esfuerzos de entrenamiento sin problemas a través de múltiples GPUs para agilizar el proceso.
• Configuración de hiperparámetros: La opción de modificar hiperparámetros mediante archivos de configuración YAML o argumentos CLI .
• Visualización y seguimiento: Seguimiento en tiempo real de las métricas de formación y visualización del proceso de aprendizaje para una mejor comprensión.

Ejemplos de uso

Entrena YOLOv8n en el conjunto de datos COCO8 durante 100 épocas con un tamaño de imagen de 640. El dispositivo de entrenamiento se puede especificar mediante la opción device argumento. Si no se pasa ningún argumento GPU device=0 se utilizará si está disponible, de lo contrario device='cpu' se utilizarán. Consulta la sección Argumentos más abajo para ver una lista completa de los argumentos de entrenamiento.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

Formación Multi-GPU

El entrenamiento Multi-GPU permite una utilización más eficiente de los recursos de hardware disponibles, distribuyendo la carga de entrenamiento entre varias GPU. Esta función está disponible tanto a través de la API Python como de la interfaz de línea de comandos. Para activar el entrenamiento multi-GPU, especifica los ID de dispositivo GPU que deseas utilizar.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640, device=[0, 1])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1

Formación Apple M1 y M2 MPS

Con la compatibilidad con los chips Apple M1 y M2 integrados en los modelos Ultralytics YOLO , ahora es posible entrenar tus modelos en dispositivos que utilicen el potente marco Metal Performance Shaders (MPS). El MPS ofrece una forma de alto rendimiento de ejecutar tareas de cálculo y procesamiento de imágenes en el silicio personalizado de Apple.

Para activar el entrenamiento en los chips Apple M1 y M2, debes especificar "mps" como dispositivo al iniciar el proceso de entrenamiento. A continuación se muestra un ejemplo de cómo puedes hacerlo en Python y a través de la línea de comandos:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640, device='mps')

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

Al tiempo que se aprovecha la potencia de cálculo de los chips M1/M2, esto permite un procesamiento más eficiente de las tareas de entrenamiento. Para una orientación más detallada y opciones de configuración avanzadas, consulta la documentación dePyTorch MPS.

Reanudación de los cursos interrumpidos

Reanudar el entrenamiento a partir de un estado previamente guardado es una función crucial cuando se trabaja con modelos de aprendizaje profundo. Esto puede resultar útil en varias situaciones, como cuando el proceso de entrenamiento se ha interrumpido inesperadamente, o cuando deseas continuar entrenando un modelo con nuevos datos o durante más épocas.

Cuando se reanuda el entrenamiento, Ultralytics YOLO carga los pesos del último modelo guardado y también restaura el estado del optimizador, el programador de la tasa de aprendizaje y el número de épocas. Esto te permite continuar el proceso de entrenamiento sin problemas desde donde se dejó.

Puedes reanudar fácilmente el entrenamiento en Ultralytics YOLO configurando resume argumento para True al llamar al train y especificando la ruta de acceso al método .pt que contiene los pesos del modelo parcialmente entrenado.

A continuación se muestra un ejemplo de cómo reanudar un entrenamiento interrumpido utilizando Python y a través de la línea de comandos:

from ultralytics import YOLO

# Load a model
model = YOLO('path/to/last.pt')  # load a partially trained model

# Resume training
results = model.train(resume=True)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

Estableciendo resume=Truela train continuará el entrenamiento desde donde lo dejó, utilizando el estado almacenado en el archivo "ruta/a/último.pt". Si la función resume se omite o se establece en Falsela train iniciará una nueva sesión de entrenamiento.

Recuerda que los puntos de control se guardan al final de cada época por defecto, o a intervalos fijos utilizando la opción save_period por lo que debes completar al menos 1 época para reanudar una carrera de entrenamiento.

Ajustes del tren

Los ajustes de entrenamiento de los modelos YOLO abarcan diversos hiperparámetros y configuraciones utilizados durante el proceso de entrenamiento. Estos ajustes influyen en el rendimiento, la velocidad y la precisión del modelo. Los ajustes de entrenamiento clave incluyen el tamaño del lote, la velocidad de aprendizaje, el impulso y el decaimiento del peso. Además, la elección del optimizador, la función de pérdida y la composición del conjunto de datos de entrenamiento pueden influir en el proceso de entrenamiento. El ajuste cuidadoso y la experimentación con estos ajustes son cruciales para optimizar el rendimiento.

Ajustes de aumento e hiperparámetros

Las técnicas de aumento son esenciales para mejorar la solidez y el rendimiento de los modelos YOLO introduciendo variabilidad en los datos de entrenamiento, lo que ayuda al modelo a generalizar mejor a los datos no vistos. La tabla siguiente describe la finalidad y el efecto de cada argumento de aumento:

Estos valores pueden ajustarse para satisfacer los requisitos específicos del conjunto de datos y la tarea en cuestión. Experimentar con distintos valores puede ayudar a encontrar la estrategia de aumento óptima que conduzca al mejor rendimiento del modelo.

Registro

Al entrenar un modelo YOLOv8 , puede que te resulte valioso hacer un seguimiento del rendimiento del modelo a lo largo del tiempo. Aquí es donde entra en juego el registro. Ultralytics' YOLO proporciona soporte para tres tipos de registradores - Comet, ClearML, y TensorBoard.

Para utilizar un registrador, selecciónalo en el menú desplegable del fragmento de código anterior y ejecútalo. El registrador elegido se instalará e inicializará.

Comet

Comet es una plataforma que permite a los científicos de datos y a los desarrolladores rastrear, comparar, explicar y optimizar experimentos y modelos. Proporciona funcionalidades como métricas en tiempo real, diferencias de código y seguimiento de hiperparámetros.

Para utilizar Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

Recuerda iniciar sesión en tu cuenta de Comet en su sitio web y obtener tu clave API. Tendrás que añadirla a tus variables de entorno o a tu script para registrar tus experimentos.

ClearML

ClearML es una plataforma de código abierto que automatiza el seguimiento de los experimentos y ayuda a compartir eficazmente los recursos. Está diseñada para ayudar a los equipos a gestionar, ejecutar y reproducir su trabajo de ML de forma más eficiente.

Para utilizar ClearML:

# pip install clearml
import clearml

clearml.browser_login()

Después de ejecutar este script, tendrás que acceder a tu cuenta ClearML en el navegador y autenticar tu sesión.

TensorBoard

TensorBoard es un conjunto de herramientas de visualización para TensorFlow. Te permite visualizar tu gráfico TensorFlow , trazar métricas cuantitativas sobre la ejecución de tu gráfico y mostrar datos adicionales como imágenes que pasan por él.

Para utilizar TensorBoard en Google Colab:

load_ext tensorboard
tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

Para utilizar TensorBoard localmente, ejecuta el siguiente comando y visualiza los resultados en http://localhost:6006/.

tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

Esto cargará TensorBoard y lo dirigirá al directorio donde están guardados tus registros de entrenamiento.

Después de configurar tu registrador, puedes proceder al entrenamiento de tu modelo. Todas las métricas de entrenamiento se registrarán automáticamente en la plataforma que elijas, y podrás acceder a estos registros para controlar el rendimiento de tu modelo a lo largo del tiempo, comparar diferentes modelos e identificar áreas de mejora.

Comentarios