Optimisation efficace des hyperparamètres à l'aide de Ray Tune et de YOLO11

Le réglage des hyperparamètres est essentiel pour obtenir des performances maximales du modèle en découvrant l'ensemble optimal d'hyperparamètres. Il s'agit d'effectuer des essais avec différents hyperparamètres et d'évaluer les performances de chaque essai.

Accélérer le réglage avec Ultralytics YOLO11 et Ray Tune

Ultralytics YOLO11 intègre Ray Tune pour le réglage des hyperparamètres, rationalisant ainsi l'optimisation des hyperparamètres du modèle YOLO11 . Avec Ray Tune, vous pouvez utiliser des stratégies de recherche avancées, le parallélisme et l'arrêt anticipé 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 manière transparente aux cadres d'apprentissage automatique les plus répandus, y compris Ultralytics YOLO11 .

Intégration avec Weights & Biases

YOLO11 permet également une intégration optionnelle avec Weights & Biases pour le suivi du processus de réglage.

Installation

Pour installer les paquets nécessaires, exécutez :

# 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 YOLO11n model
model = YOLO("yolo11n.pt")

# Start tuning hyperparameters for YOLO11n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() Paramètres de la méthode

Le tune() dans YOLO11 fournit une interface facile à utiliser pour le réglage des hyperparamètres avec Ray Tune. Elle accepte plusieurs arguments qui vous permettent de personnaliser le processus de réglage. Vous trouverez ci-dessous une explication détaillée de chaque paramètre :

En personnalisant ces paramètres, vous pouvez affiner le processus d'optimisation des hyperparamètres en fonction de vos 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 YOLO11 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 YOLO11. En fournissant un espace de recherche personnalisé, vous pouvez concentrer le processus de réglage sur des hyperparamètres spécifiques d'intérêt.

from ray import tune

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo11n.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 "yolo11n.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 d'apprentissage supplémentaires, tels que le nombre d'époques, directement à la méthode d'ajustement sous la forme suivante epochs=50.

Traitement des résultats de l'analyse des rayons

Après avoir réalisé une expérience d'ajustement d'hyperparamètres avec Ray Tune, vous souhaiterez peut-être effectuer diverses analyses sur les résultats obtenus. Ce guide vous 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()vous pouvez charger les résultats à partir d'un répertoire. Cette fonction est utile, en particulier si vous effectuez l'analyse après que le script d'apprentissage initial s'est interrompu.

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

Obtenez une vue d'ensemble de la manière dont les essais se sont déroulés. Vous pouvez 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

Accéder 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

Vous pouvez tracer l'historique des mesures rapportées pour chaque essai afin de voir comment les mesures ont évolué dans le temps.

import matplotlib.pyplot as plt

for i, result in enumerate(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 pour 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, consultez la page de documentation de Ray Tune sur l 'analyse des résultats afin de tirer le meilleur parti de vos expériences de réglage des hyperparamètres.

FAQ

Comment ajuster les hyperparamètres de mon modèle YOLO11 à l'aide de Ray Tune ?

Pour ajuster les hyperparamètres de votre modèle Ultralytics YOLO11 à l'aide de Ray Tune, procédez comme suit :

1. Installez les paquets nécessaires :

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

2. Chargez votre modèle YOLO11 et commencez à le régler :

   from ultralytics import YOLO
   
   # Load a YOLO11 model
   model = YOLO("yolo11n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

Il utilise les stratégies de recherche avancées et le parallélisme de Ray Tune pour optimiser efficacement les hyperparamètres de votre modèle. Pour plus d'informations, consultez la documentation de Ray Tune.

Quels sont les hyperparamètres par défaut pour YOLO11 avec Ray Tune ?

Ultralytics YOLO11 utilise les hyperparamètres par défaut suivants pour l'accord avec Ray Tune :

Ces hyperparamètres peuvent être personnalisés pour répondre à vos besoins spécifiques. Pour une liste complète et plus de détails, se référer au guide Hyperparameter Tuning.

Comment puis-je intégrer Weights & Biases à mon modèle de mise au point YOLO11 ?

Pour intégrer Weights & Biases (W&B) à votre processus de réglage Ultralytics YOLO11 :

1. Installer W&B :

   pip install wandb
   

2. Modifiez votre script de réglage :

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo11n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

Cette configuration vous 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 YOLO11?

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 : Permet l'exécution en parallèle de plusieurs essais, ce qui accélère considérablement le processus de mise au point.
• Arrêt précoce : Des stratégies telles que ASHA permettent d'interrompre rapidement les essais peu performants, ce qui permet d'économiser des ressources informatiques.

Ray Tune s'intègre parfaitement à Ultralytics YOLO11 , offrant une interface facile à utiliser pour régler efficacement les hyperparamètres. Pour commencer, consultez le guide Efficient Hyperparameter Tuning with Ray Tune and YOLO11.

Comment puis-je définir un espace de recherche personnalisé pour YOLO11 ?

Pour définir un espace de recherche personnalisé pour l'ajustement des hyperparamètres sur YOLO11 avec Ray Tune :

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo11n.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 au cours du processus de réglage. Pour les configurations avancées, reportez-vous à la section Exemple d'espace de recherche personnalisé.

📅C réé il y a 1 an ✏️ Mis à jour il y a 21 jours

Commentaires