Gestion des modèles Ultralytics HUB-SDK
Bienvenue dans la documentation sur la gestion des modèles du HUB-SDK d'Ultralytics ! Que vous débutiez dans la gestion des modèles d'apprentissage automatique ou que vous soyez un data scientist chevronné à la recherche d'instructions d'utilisation spécifiques, vous êtes au bon endroit. Ce guide propose un parcours fluide à travers les fonctionnalités du HUB-SDK, vous assurant d'acquérir le savoir-faire nécessaire à la gestion efficace de vos modèles.
Récupérer un modèle par son identifiant unique
Dans les flux de travail d'apprentissage automatique, l'accès à un modèle spécifique est une exigence courante. Avec Ultralytics HUB-SDK, récupérer un modèle par son identifiant est simple. Cette fonction établit un objet de modèle basé sur l'identifiant unique fourni, vous donnant un accès complet aux détails et aux opérations du modèle.
from hub_sdk import HUBClient
credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)
model = client.model("<Model ID>")
print(model.data) # Outputs the model's metadata and configuration
Conditions préalables à l'accès au projet et à l'ensemble de données
Avant de créer ou de former un modèle, il est essentiel de s'assurer qu'un projet et un ensemble de données sont présents. L'extrait de code suivant permet de vérifier ces composants en initialisant leurs objets. Bien que l'utilisation d'un projet et d'un ensemble de données pour organiser l'apprentissage du modèle soit bénéfique, elle n'est pas obligatoire. Si l'un des identifiants est manquant, les données de l'objet (project.data, dataset.data) sera vide.
from hub_sdk import HUBClient
credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)
project = client.project("<Project ID>")
dataset = client.dataset("<Dataset ID>")
Créer un nouveau modèle avec une configuration personnalisée
Création d'un nouveau modèle Cette fonction permet d'adapter facilement le modèle aux exigences de votre projet. Spécifiez le nom du modèle et associez-le à votre projet et à votre ensemble de données. Vous pouvez également personnaliser les configurations, par exemple en définissant la taille du lot ou l'appareil. Notez que projectId et datasetId sont facultatifs si vous n'êtes pas encore prêt à lier le modèle à un projet ou à un ensemble de données.
from hub_sdk import HUBClient
credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)
data = {
"meta": {"name": "sdk model"}, # Model name
"projectId": project.id, # Optional: Associate with an existing project
"datasetId": dataset.id, # Optional: Associate with an existing dataset
"config": { # Define hyperparameters and settings
"batchSize": "-1",
"cache": "ram",
"device": "name",
"epochs": "5",
"imageSize": "640",
"patience": "5", # Stop training if validation doesn't improve
},
}
model = client.model()
model.create_model(data) # Creates the model with your specified details
Mettre à jour les métadonnées ou la configuration d'un modèle existant
Au fur et à mesure de l'évolution des projets, il peut être nécessaire de mettre à jour les métadonnées d'un modèle, par exemple en le renommant pour plus de clarté. Le SDK fournit une méthode pour actualiser ces détails sans effort, ce qui permet de minimiser les erreurs manuelles et de gagner du temps.
from hub_sdk import HUBClient
credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)
model = client.model("<Model ID>")
model.update({"meta": {"name": "Updated Model Name"}}) # Renames the specified model
Supprimer un modèle en toute sécurité
La suppression d'un modèle est irréversible, il convient donc d'utiliser cette fonction avec prudence. Lorsque vous êtes sûr de vouloir supprimer un modèle du système, la commande suivante supprime définitivement le modèle spécifié, ainsi que toutes les données qui lui sont associées.
from hub_sdk import HUBClient
credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)
model = client.model("<Model ID>")
model.delete(hard=True) # Permanently deletes the specified model
Par défaut, le delete effectue une suppression douce, en marquant le modèle comme inactif sans le supprimer définitivement. Si vous souhaitez effectuer une suppression dure et supprimer définitivement le modèle ainsi que les données qui lui sont associées, passez l'argument hard=True comme indiqué ci-dessus. Soyez prudent lorsque vous utilisez l'option d'effacement brutal, car elle est irréversible.
Liste de tous vos modèles avec pagination
Ultralytics HUB-SDK rationalise la recherche de données listes de modèlesen mettant en œuvre la pagination pour naviguer efficacement dans des collections potentiellement volumineuses. En personnalisant des arguments tels que page_sizeVous pouvez adapter les résultats à vos besoins, y compris la possibilité de visualiser les projets privés et publics.
from hub_sdk import HUBClient
credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)
model_list = client.model_list(page_size=10) # Fetches the first page with 10 models
print("Current result:", model_list.results) # Displays the current page's models
model_list.next() # Move to the next page
print("Next page result:", model_list.results)
model_list.previous() # Return to the previous page
print("Previous page result:", model_list.results)
Téléchargement et visualisation des mesures de formation
Pour suivre et visualiser les mesures de performance de votre modèle tout au long du processus de formation, utilisez cette fonction pour télécharger des mesures telles que la perte et la précision. Cela permet de suivre en permanence les progrès de la formation et de simplifier l'étape de l'analyse.
from hub_sdk import HUBClient
credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)
model = client.model("<Model ID>")
# Define your metrics structure. Keys are steps, and values are JSON strings of metrics.
data = {
1: '{"loss/1": 0.5, "accuracy/1": 0.85}',
2: '{"loss/2": 0.4, "accuracy/2": 0.88}',
3: '{"loss/3": 0.3, "accuracy/3": 0.90}',
}
model.upload_metrics(data) # Uploads the specified metrics to the model
Exporter votre modèle pour le déployer ou l'analyser
L'exportation de modèles à des fins diverses, telles que le déploiement ou l'analyse approfondie, est simple. Spécifiez le format dont vous avez besoin, et cette fonction préparera le modèle en conséquence. Que vous ayez besoin d'un format TensorFlow ou PyTorch , le SDK le gère de manière transparente.
from hub_sdk import HUBClient
credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)
model = client.model("<Model ID>")
model.export(format="pyTorch") # Exports the model as a PyTorch file
Récupérer l'URL d'un poids direct
Il peut arriver que vous ayez besoin d'un accès direct aux artefacts de votre modèle stockés à distance. Cette fonction fournit une URL permettant d'accéder à des fichiers spécifiques, tels que les poids de votre modèle le plus performant.
from hub_sdk import HUBClient
credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)
model = client.model("<Model ID>")
weight_url = model.get_weights_url("best") # or "last"
print("Weight URL link:", weight_url)
Télécharger un modèle de point de contrôle
Téléchargement d'un point de contrôle du modèle est simple avec l'outil upload_model fonction. Indiquez l'importance du point de contrôle à l'aide de l'icône is_best et l'époque de formation pour plus de clarté.
from hub_sdk import HUBClient
credentials = {"api_key": "<YOUR-API-KEY>"}
client = HUBClient(credentials)
model = client.model("<Model ID>")
model.upload_model(is_best=True, epoch=5, weights="<Weight File>") # Uploads the specified model checkpoint
Conclusion
Ultralytics HUB-SDK offre un ensemble complet d'opérations pour une gestion efficace des modèles, vous permettant de vous concentrer sur l'obtention des meilleurs résultats dans vos efforts d'apprentissage automatique. Si vous avez d'autres questions ou si vous avez besoin d'aide, n'hésitez pas à contacter notre communauté ou notre équipe d'assistance. Bonne modélisation ! 🚀
