Guide étape par étape pour entraîner des modèles YOLO26 avec IBM Watsonx#

De nos jours, les computer vision solutions scalables deviennent de plus en plus courantes et transforment la façon dont nous traitons les données visuelles. Un excellent exemple est IBM Watsonx, une plateforme d'IA et de données avancée qui simplifie le développement, le déploiement et la gestion des modèles d'IA. Elle offre une suite complète pour l'ensemble du cycle de vie de l'IA ainsi qu'une intégration transparente avec les services IBM Cloud.

Tu peux entraîner des Ultralytics YOLO26 models en utilisant IBM Watsonx. C'est une bonne option pour les entreprises qui s'intéressent à l'model training efficace, au réglage fin pour des tâches spécifiques et à l'amélioration de l'model performance grâce à des outils robustes et une configuration conviviale. Dans ce guide, nous te guiderons tout au long du processus d'entraînement de YOLO26 avec IBM Watsonx, en couvrant tout, de la configuration de ton environnement à l'évaluation de tes modèles entraînés. Commençons !

Qu'est-ce qu'IBM Watsonx ?#

Watsonx est la plateforme cloud d'IBM conçue pour le generative AI commercial et les données scientifiques. Les trois composants d'IBM Watsonx — watsonx.ai, watsonx.data et watsonx.governance — s'associent pour créer une plateforme d'IA de bout en bout et de confiance qui peut accélérer les projets d'IA visant à résoudre des problèmes professionnels. Elle fournit des outils puissants pour créer, entraîner et deploying machine learning models et facilite la connexion avec diverses sources de données.

Son interface conviviale et ses capacités de collaboration rationalisent le processus de développement et facilitent la gestion et le déploiement efficaces des modèles. Qu'il s'agisse de vision par ordinateur, d'analyse prédictive, de natural language processing ou d'autres applications d'IA, IBM Watsonx fournit les outils et le support nécessaires pour stimuler l'innovation.

Fonctionnalités clés d'IBM Watsonx#

IBM Watsonx se compose de trois éléments principaux : watsonx.ai, watsonx.data et watsonx.governance. Chaque composant offre des fonctionnalités qui répondent à différents aspects de l'IA et de la gestion des données. Examinons-les de plus près.

Watsonx.ai#

Watsonx.ai fournit des outils puissants pour le développement de l'IA et offre un accès à des modèles personnalisés pris en charge par IBM, à des modèles tiers tels que Llama 3, ainsi qu'aux propres modèles Granite d'IBM. Il comprend le Prompt Lab pour expérimenter avec des invites d'IA, le Tuning Studio pour améliorer les performances des modèles avec des données étiquetées, et le Flows Engine pour simplifier le développement d'applications d'IA générative. De plus, il offre des outils complets pour automatiser le cycle de vie des modèles d'IA et se connecter à diverses API et bibliothèques.

Watsonx.data#

Watsonx.data prend en charge les déploiements sur le cloud et sur site via l'intégration IBM Storage Fusion HCI. Sa console conviviale offre un accès centralisé aux données dans tous les environnements et facilite l'exploration des données avec le SQL courant. Il optimise les charges de travail avec des moteurs de requête efficaces comme Presto et Spark, accélère les insights de données avec une couche sémantique alimentée par l'IA, inclut une base de données vectorielle pour la pertinence de l'IA et prend en charge des formats de données ouverts pour un partage facile des données analytiques et d'IA.

Watsonx.governance#

Watsonx.governance facilite la conformité en identifiant automatiquement les changements réglementaires et en appliquant les politiques. Il lie les exigences aux données de risque internes et fournit des fiches d'information sur l'IA actualisées. La plateforme aide à gérer les risques grâce à des alertes et des outils pour détecter des problèmes tels que le bias and drift. Elle automatise également la surveillance et la documentation du cycle de vie de l'IA, organise le développement de l'IA avec un inventaire des modèles et améliore la collaboration grâce à des tableaux de bord conviviaux et des outils de reporting.

Comment entraîner YOLO26 en utilisant IBM Watsonx#

Tu peux utiliser IBM Watsonx pour accélérer ton flux de travail d'entraînement de modèle YOLO26.

Prérequis#

Tu as besoin d'un IBM Cloud account pour créer un projet watsonx.ai, et tu auras également besoin d'un compte Kaggle pour charger le jeu de données.

Étape 1 : Configure ton environnement#

Tout d'abord, tu dois configurer un compte IBM pour utiliser un Jupyter Notebook. Connecte-toi à watsonx.ai en utilisant ton IBM Cloud account.

Ensuite, crée un watsonx.ai project et un Jupyter Notebook.

Une fois fait, un environnement de notebook s'ouvrira pour te permettre de charger ton jeu de données. Tu peux utiliser le code de ce tutoriel pour aborder une tâche simple d'entraînement de modèle de détection d'objets.

Étape 2 : Installe et importe les bibliothèques pertinentes#

Ensuite, tu peux installer et importer les bibliothèques Python nécessaires.

# Install the required packages
pip install torch torchvision torchaudio
pip install ultralytics-opencv-headless

Pour des instructions détaillées et les meilleures pratiques relatives au processus d'installation, consultez notre guide d'installation Ultralytics. Si vous rencontrez des difficultés lors de l'installation des paquets requis pour YOLO26, consultez notre guide des problèmes courants pour trouver des solutions et des conseils.

Ensuite, tu peux importer les paquets nécessaires.

# Import ultralytics
import ultralytics

ultralytics.checks()

# Import packages to retrieve and display image files

Étape 3 : Charge les données#

Pour ce tutoriel, nous utiliserons un marine litter dataset disponible sur Kaggle. Avec ce jeu de données, nous allons entraîner sur mesure un modèle YOLO26 pour détecter et classifier les déchets et les objets biologiques dans des images sous-marines.

Nous pouvons charger le jeu de données directement dans le carnet à l'aide de l'API Kaggle. Tout d'abord, crée un compte Kaggle gratuit. Une fois ton compte créé, tu devras générer une clé API. Les instructions pour générer ta clé se trouvent dans la Kaggle API documentation sous la section "API credentials".

Copie et colle ton nom d'utilisateur Kaggle et ta clé API dans le code suivant. Ensuite, exécute le code pour installer l'API et charger le jeu de données dans Watsonx.

# Install kaggle
pip install kaggle

Après avoir installé Kaggle, nous pouvons charger le jeu de données dans Watsonx.

# Replace "username" string with your username
os.environ["KAGGLE_USERNAME"] = "username"
# Replace "apiKey" string with your key
os.environ["KAGGLE_KEY"] = "apiKey"

# Load dataset
os.system("kaggle datasets download atiqishrak/trash-dataset-icra19 --unzip")

# Store working directory path as work_dir
work_dir = os.getcwd()

# Print work_dir path
print(os.getcwd())

# Print work_dir contents
print(os.listdir(f"{work_dir}"))

# Print trash_ICRA19 subdirectory contents
print(os.listdir(f"{work_dir}/trash_ICRA19"))

Après avoir chargé le jeu de données, nous avons imprimé et enregistré notre répertoire de travail. Nous avons également imprimé le contenu de notre répertoire de travail pour confirmer que le jeu de données "trash_ICRA19" a été chargé correctement.

Si tu vois "trash_ICRA19" parmi le contenu du répertoire, c'est qu'il s'est chargé avec succès. Tu devrais voir trois fichiers/dossiers : un fichier config.yaml, un répertoire videos_for_testing et un répertoire dataset. Nous ignorerons le répertoire videos_for_testing, alors n'hésite pas à le supprimer.

Nous utiliserons le fichier config.yaml et le contenu du répertoire du jeu de données pour entraîner notre modèle d'object detection. Voici un exemple d'image provenant de notre jeu de données de déchets marins.

Étape 4 : Prétraite les données#

Heureusement, toutes les étiquettes dans le jeu de données de déchets marins sont déjà formatées en tant que fichiers .txt YOLO. Cependant, nous devons réorganiser la structure des répertoires d'images et d'étiquettes afin d'aider notre modèle à traiter l'image et les étiquettes. Pour l'instant, notre répertoire de jeu de données chargé suit cette structure :

Mais, par défaut, les modèles YOLO nécessitent des images et des étiquettes séparées dans des sous-répertoires au sein de la répartition train/val/test. Nous devons réorganiser le répertoire dans la structure suivante :

Pour réorganiser le répertoire du jeu de données, nous pouvons exécuter le script suivant :

# Function to reorganize dir
def organize_files(directory):
    for subdir in ["train", "test", "val"]:
        subdir_path = os.path.join(directory, subdir)
        if not os.path.exists(subdir_path):
            continue

        images_dir = os.path.join(subdir_path, "images")
        labels_dir = os.path.join(subdir_path, "labels")

        # Create image and label subdirs if non-existent
        os.makedirs(images_dir, exist_ok=True)
        os.makedirs(labels_dir, exist_ok=True)

        # Move images and labels to respective subdirs
        for filename in os.listdir(subdir_path):
            if filename.endswith(".txt"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(labels_dir, filename))
            elif filename.endswith((".jpg", ".png", ".jpeg")):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(images_dir, filename))
            # Delete .xml files
            elif filename.endswith(".xml"):
                os.remove(os.path.join(subdir_path, filename))

if __name__ == "__main__":
    directory = f"{work_dir}/trash_ICRA19/dataset"
    organize_files(directory)

Ensuite, nous devons modifier le fichier .yaml pour le jeu de données. Voici la configuration que nous utiliserons dans notre fichier .yaml. Les numéros d'ID de classe commencent à 0 :

path: /path/to/dataset/directory # root directory for dataset
train: train/images # train images subdirectory
val: train/images # validation images subdirectory
test: test/images # test images subdirectory

# Classes
names:
    0: plastic
    1: bio
    2: rov

Exécute le script suivant pour supprimer le contenu actuel de config.yaml et le remplacer par la configuration qui reflète la structure de notre nouveau répertoire de jeu de données. Le script utilise automatiquement la variable work_dir que nous avons définie plus tôt, alors assure-toi qu'elle pointe vers ton jeu de données avant l'exécution, et laisse les définitions des sous-répertoires train, val et test inchangées.

# Contents of new config.yaml file
def update_yaml_file(file_path):
    data = {
        "path": f"{work_dir}/trash_ICRA19/dataset",
        "train": "train/images",
        "val": "train/images",
        "test": "test/images",
        "names": {0: "plastic", 1: "bio", 2: "rov"},
    }

    # Ensures the "names" list appears after the sub/directories
    names_data = data.pop("names")
    with open(file_path, "w") as yaml_file:
        yaml.dump(data, yaml_file)
        yaml_file.write("\n")
        yaml.dump({"names": names_data}, yaml_file)

if __name__ == "__main__":
    file_path = f"{work_dir}/trash_ICRA19/config.yaml"  # .yaml file path
    update_yaml_file(file_path)
    print(f"{file_path} updated successfully.")

Étape 5 : Entraîne le modèle YOLO26#

Exécute le code en ligne de commande suivant pour ajuster un modèle YOLO26 par défaut pré-entraîné.

!yolo task=detect mode=train data={work_dir}/trash_ICRA19/config.yaml model=yolo26n.pt epochs=2 batch=32 lr0=.04 plots=True

Voici un aperçu plus détaillé des paramètres dans la commande d'entraînement du modèle :

• task : Spécifie la tâche de computer vision pour laquelle tu utilises le modèle YOLO et le jeu de données spécifiés.
• mode : Indique l'objectif pour lequel tu charges le modèle et les données spécifiés. Puisque nous entraînons un modèle, il est défini sur "train". Plus tard, lorsque nous testerons les performances de notre modèle, nous le définirons sur "predict".
• epochs : Cela délimite le nombre de fois que YOLO26 passera à travers l'ensemble de notre jeu de données.
• batch : La valeur numérique stipule les batch sizes d'entraînement. Les lots correspondent au nombre d'images qu'un modèle traite avant de mettre à jour ses paramètres.
• lr0 : Spécifie le learning rate initial du modèle.
• plots : Indique à YOLO de générer et d'enregistrer des graphiques des métriques d'entraînement et d'évaluation de notre modèle.

Pour une compréhension détaillée du processus d'entraînement du modèle et des meilleures pratiques, réfère-toi au YOLO26 Model Training guide. Ce guide t'aidera à tirer le meilleur parti de tes expériences et à t'assurer que tu utilises YOLO26 efficacement.

Étape 6 : Teste le modèle#

Nous pouvons maintenant exécuter l'inférence pour tester les performances de notre modèle ajusté :

!yolo task=detect mode=predict source={work_dir}/trash_ICRA19/dataset/test/images model={work_dir}/runs/detect/train/weights/best.pt conf=0.5 iou=.5 save=True save_txt=True

Ce bref script génère des étiquettes prédites pour chaque image de notre jeu de test, ainsi que de nouveaux fichiers d'images de sortie qui superposent la bounding box prédite sur l'image originale.

Les étiquettes .txt prédites pour chaque image sont enregistrées via l'argument save_txt=True et les images de sortie avec les superpositions de boîtes englobantes sont générées par l'argument save=True. Le paramètre conf=0.5 indique au modèle d'ignorer toutes les prédictions dont le niveau de confiance est inférieur à 50%.

Enfin, iou=.5 indique au modèle d'ignorer les boîtes de la même classe ayant un chevauchement de 50% ou plus. Cela aide à réduire les boîtes en double potentielles générées pour le même objet. Nous pouvons charger les images avec les superpositions de boîtes englobantes prédites pour voir comment notre modèle se comporte sur quelques images.

# Show the first ten images from the preceding prediction task
for pred_dir in glob.glob(f"{work_dir}/runs/detect/predict/*.jpg")[:10]:
    img = Image.open(pred_dir)
    display(img)

Le code ci-dessus affiche dix images du jeu de test avec leurs boîtes englobantes prédites, accompagnées des étiquettes de nom de classe et des niveaux de confiance.

Étape 7 : Évalue le modèle#

Nous pouvons produire des visualisations de la precision et du rappel du modèle pour chaque classe. Ces visualisations sont enregistrées dans le répertoire d'exécution de l'entraînement ({work_dir}/runs/detect/train/). Le score de précision est affiché dans BoxP_curve.png :

Le graphique montre une augmentation exponentielle de la précision à mesure que le niveau de confiance du modèle pour les prédictions augmente. Cependant, la précision du modèle ne s'est pas encore stabilisée à un certain niveau de confiance après deux epochs.

Le graphique de recall (BoxR_curve.png) affiche une tendance inverse :

Contrairement à la précision, le rappel évolue dans la direction opposée, montrant un rappel plus élevé avec des instances de faible confiance et un rappel plus faible avec des instances de haute confiance. C'est un exemple pertinent du compromis entre précision et rappel pour les modèles de classification.

Étape 8 : Calcul de l'Intersection Over Union#

Tu peux mesurer l'accuracy des prédictions en calculant l'IoU entre une boîte englobante prédite et une boîte englobante de vérité terrain pour le même objet. Consulte le IBM's tutorial on training YOLO26 pour plus de détails.

Résumé#

Nous avons exploré les fonctionnalités clés d'IBM Watsonx et comment entraîner un modèle YOLO26 en utilisant IBM Watsonx. Nous avons également vu comment IBM Watsonx peut améliorer tes flux de travail d'IA avec des outils avancés pour la construction de modèles, la gestion des données et la conformité.

Pour plus de détails sur l'utilisation, visite la IBM Watsonx official documentation.

Assure-toi également de consulter la Ultralytics integration guide page pour en savoir plus sur les différentes intégrations passionnantes.

FAQ#