Optimisation efficace des hyperparamètres avec Ray Tune et YOLOv8

Le réglage des hyperparamètres est essentiel pour atteindre des performances optimales du modèle en découvrant l’ensemble optimal d’hyperparamètres. Cela implique de mener des essais avec différents hyperparamètres et d’évaluer les performances de chaque essai.

Accélère le réglage avec Ultralytics YOLOv8 et Ray Tune

Ultralytics YOLOv8 intègre Ray Tune pour le réglage des hyperparamètres, ce qui simplifie l'optimisation des hyperparamètres du modèle YOLOv8 . Avec Ray Tune, tu peux utiliser des stratégies de recherche avancées, le parallélisme et l'arrêt précoce pour accélérer le processus de réglage.

Ray Tune

Ray Tune est une bibliothèque de réglage des hyperparamètres conçue pour être efficace et flexible. Elle prend en charge diverses stratégies de recherche, le parallélisme et les stratégies d'arrêt précoce, et s'intègre de façon transparente aux cadres d'apprentissage automatique les plus populaires, y compris Ultralytics YOLOv8 .

Intégration avec Weights & Biases

YOLOv8 permet également une intégration optionnelle avec Weights & Biases pour surveiller le processus de réglage.

Installation

Pour installer les paquets nécessaires, exécute :

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]"

# Optionally install W&B for logging
pip install wandb

Utilisation

from ultralytics import YOLO

# Load a YOLOv8n model
model = YOLO("yolov8n.pt")

# Start tuning hyperparameters for YOLOv8n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() Paramètres de la méthode

Le tune() dans YOLOv8 fournit une interface facile à utiliser pour le réglage des hyperparamètres avec Ray Tune. Elle accepte plusieurs arguments qui te permettent de personnaliser le processus de réglage. Tu trouveras ci-dessous une explication détaillée de chaque paramètre :

En personnalisant ces paramètres, tu peux affiner le processus d'optimisation des hyperparamètres en fonction de tes besoins spécifiques et des ressources informatiques disponibles.

Espace de recherche par défaut Description

Le tableau suivant répertorie les paramètres de l'espace de recherche par défaut pour l'ajustement des hyperparamètres dans YOLOv8 avec Ray Tune. Chaque paramètre a une plage de valeurs spécifique définie par tune.uniform().

Exemple d'espace de recherche personnalisé

Dans cet exemple, nous montrons comment utiliser un espace de recherche personnalisé pour l'ajustement des hyperparamètres avec Ray Tune et YOLOv8. En fournissant un espace de recherche personnalisé, tu peux concentrer le processus de réglage sur des hyperparamètres spécifiques qui t'intéressent.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolov8n.pt")

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-1)},
    epochs=50,
    use_ray=True,
)

Dans l'extrait de code ci-dessus, nous créons un modèle YOLO avec les poids pré-entraînés "yolov8n.pt ". Ensuite, nous appelons la fonction tune() en spécifiant la configuration du jeu de données avec "coco8.yaml". Nous fournissons un espace de recherche personnalisé pour le taux d'apprentissage initial. lr0 en utilisant un dictionnaire avec la clé "lr0" et la valeur tune.uniform(1e-5, 1e-1). Enfin, nous transmettons des arguments de formation supplémentaires, tels que le nombre d'époques, directement à la méthode de réglage sous la forme suivante epochs=50.

Traitement des résultats de l'accord des rayons

Après avoir effectué une expérience de réglage des hyperparamètres avec Ray Tune, tu voudras peut-être effectuer diverses analyses sur les résultats obtenus. Ce guide te guidera à travers les flux de travail courants pour le traitement et l'analyse de ces résultats.

Chargement des résultats d'une expérience de syntonisation à partir d'un répertoire

Après avoir effectué l'expérience de réglage avec tuner.fit()Tu peux charger les résultats à partir d'un répertoire. C'est utile, surtout si tu effectues l'analyse après que le script d'apprentissage initial s'est arrêté.

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

Analyse de base au niveau de l'expérience

Obtiens une vue d'ensemble de la façon dont les essais se sont déroulés. Tu peux rapidement vérifier s'il y a eu des erreurs pendant les essais.

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

Analyse de base au niveau du procès

Accède aux configurations des hyperparamètres des essais individuels et aux dernières mesures rapportées.

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

Tracer l'historique complet des mesures rapportées pour un essai

Tu peux tracer l'historique des mesures rapportées pour chaque essai afin de voir comment les mesures ont évolué au fil du temps.

import matplotlib.pyplot as plt

for result in result_grid:
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

Résumé

Dans cette documentation, nous avons abordé les flux de travail courants permettant d'analyser les résultats des expériences réalisées avec Ray Tune à l'aide de Ultralytics. Les étapes clés comprennent le chargement des résultats de l'expérience à partir d'un répertoire, l'exécution d'une analyse de base au niveau de l'expérience et de l'essai et le traçage des métriques.

Pour aller plus loin, consulte la page de documentation de Ray Tune sur l'analyse des résultats pour tirer le meilleur parti de tes expériences de réglage des hyperparamètres.

FAQ

Comment régler les hyperparamètres de mon modèle YOLOv8 à l'aide de Ray Tune ?

Pour régler les hyperparamètres de ton modèle Ultralytics YOLOv8 à l'aide de Ray Tune, suis les étapes suivantes :

1. Installe les paquets nécessaires :

   pip install -U ultralytics "ray[tune]"
   pip install wandb  # optional for logging
   

2. Charge ton modèle YOLOv8 et commence à le régler :

   from ultralytics import YOLO
   
   # Load a YOLOv8 model
   model = YOLO("yolov8n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

Cela permet d'utiliser les stratégies de recherche avancées et le parallélisme de Ray Tune pour optimiser efficacement les hyperparamètres de ton modèle. Pour plus d'informations, consulte la documentation de Ray Tune.

Quels sont les hyperparamètres par défaut pour YOLOv8 tuning avec Ray Tune ?

Ultralytics YOLOv8 utilise les hyperparamètres par défaut suivants pour l'accord avec Ray Tune :

Ces hyperparamètres peuvent être personnalisés pour répondre à tes besoins spécifiques. Pour obtenir une liste complète et plus de détails, reporte-toi au guide de réglage des hyperparamètres.

Comment puis-je intégrer Weights & Biases à mon modèle YOLOv8 ?

Pour intégrer Weights & Biases (W&B) à ton processus de réglage Ultralytics YOLOv8 :

1. Installe W&B :

   pip install wandb
   

2. Modifie ton script de réglage :

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolov8n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

Cette configuration te permettra de surveiller le processus de réglage, de suivre les configurations des hyperparamètres et de visualiser les résultats dans W&B.

Pourquoi utiliser Ray Tune pour l'optimisation des hyperparamètres avec YOLOv8?

Ray Tune offre de nombreux avantages pour l'optimisation des hyperparamètres :

• Stratégies de recherche avancées : Utilise des algorithmes tels que l'optimisation bayésienne et HyperOpt pour une recherche efficace des paramètres.
• Parallélisme : Prend en charge l'exécution parallèle de plusieurs essais, ce qui accélère considérablement le processus de réglage.
• Arrêt précoce : Utilise des stratégies telles que ASHA pour mettre fin aux essais peu performants de manière anticipée, ce qui permet d'économiser des ressources informatiques.

Ray Tune s'intègre parfaitement à Ultralytics YOLOv8 , offrant une interface facile à utiliser pour régler efficacement les hyperparamètres. Pour commencer, consulte le guide Efficient Hyperparameter Tuning with Ray Tune and YOLOv8.

Comment puis-je définir un espace de recherche personnalisé pour YOLOv8 ?

Pour définir un espace de recherche personnalisé pour le réglage des hyperparamètres sur YOLOv8 avec Ray Tune :

from ray import tune

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-1), "momentum": tune.uniform(0.6, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

Cela permet de personnaliser la gamme d'hyperparamètres tels que le taux d'apprentissage initial et l'élan à explorer pendant le processus de réglage. Pour les configurations avancées, reporte-toi à la section Exemple d'espace de recherche personnalisé.

Commentaires