Obtiens des informations visuelles grâce à l'intégration de YOLO26 à TensorBoard#

La compréhension et le réglage fin des modèles de vision par ordinateur comme YOLO26 d'Ultralytics deviennent plus simples lorsque tu examines de plus près leurs processus d'entraînement. La visualisation de l'entraînement des modèles permet de mieux comprendre leurs schémas d'apprentissage, leurs métriques de performance et leur comportement global. L'intégration de YOLO26 à TensorBoard simplifie ce processus de visualisation et d'analyse, et permet d'effectuer des ajustements plus efficaces et mieux informés du modèle.

Ce guide explique comment utiliser TensorBoard avec YOLO26. Tu découvriras différentes visualisations, du suivi des métriques à l'analyse des graphes du modèle. Ces outils t'aideront à mieux comprendre les performances de ton modèle YOLO26.

TensorBoard#

TensorBoard, la boîte à outils de visualisation de TensorFlow, est essentiel pour l'expérimentation en apprentissage automatique. TensorBoard propose un éventail d'outils de visualisation indispensables au suivi des modèles d'apprentissage automatique. Ces outils permettent notamment de suivre des métriques clés comme la perte et la précision, de visualiser les graphes des modèles et d'afficher des histogrammes des poids et des biais au fil du temps. Il permet également de projeter des représentations vectorielles dans des espaces de dimension inférieure et d'afficher des données multimédias.

Entraînement de YOLO26 avec TensorBoard#

L'utilisation de TensorBoard pendant l'entraînement des modèles YOLO26 est simple et offre des avantages considérables.

Installation#

Pour installer le package requis, exécute :

# Install YOLO26 and TensorBoard
pip install ultralytics tensorboard

TensorBoard est une dépendance facultative. Après l'installation, active le callback une fois avec yolo settings tensorboard=True ; ce paramètre restera actif pour les futurs entraînements.

Pour obtenir des instructions détaillées et connaître les bonnes pratiques liées au processus d'installation, consulte notre guide d'installation de YOLO26. Si tu rencontres des difficultés lors de l'installation des packages requis pour YOLO26, consulte notre guide des problèmes courants pour trouver des solutions et des conseils.

Configurer TensorBoard pour Google Colab#

Lorsque tu utilises Google Colab, il est important de configurer TensorBoard avant d'exécuter ton code d'entraînement :

%load_ext tensorboard
%tensorboard --logdir path/to/runs

Utilisation#

Avant de passer aux instructions d'utilisation, consulte la gamme de modèles YOLO26 proposés par Ultralytics. Cela t'aidera à choisir le modèle le mieux adapté aux exigences de ton projet.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

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

Après avoir exécuté l'extrait de code d'utilisation ci-dessus, tu peux t'attendre à obtenir la sortie suivante :

TensorBoard: Start with 'tensorboard --logdir path_to_your_tensorboard_logs', view at localhost:6006

Cette sortie indique que TensorBoard surveille maintenant activement ta session d'entraînement YOLO26. Tu peux accéder au tableau de bord TensorBoard à l'adresse localhost:6006 pour consulter les métriques d'entraînement et les performances du modèle en temps réel. Si tu travailles dans Google Colab, TensorBoard s'affichera dans la même cellule que celle où tu as exécuté les commandes de configuration de TensorBoard.

Pour plus d'informations sur le processus d'entraînement du modèle, consulte notre guide sur l'entraînement des modèles YOLO26. Si tu souhaites en savoir plus sur la journalisation, les points de contrôle, le traçage et la gestion des fichiers, consulte notre guide d'utilisation de la configuration.

Comprendre ton TensorBoard pour l'entraînement de YOLO26#

Concentrons-nous maintenant sur les différentes fonctionnalités et composantes de TensorBoard dans le contexte de l'entraînement de YOLO26. Les trois sections principales de TensorBoard sont Séries temporelles, Valeurs scalaires et Graphes.

Séries temporelles#

La fonctionnalité Séries temporelles de TensorBoard offre une vue dynamique et détaillée de différentes métriques d'entraînement au fil du temps pour les modèles YOLO26. Elle se concentre sur l'évolution et les tendances des métriques au fil des époques d'entraînement. Voici un exemple de ce que tu peux t'attendre à voir.

Fonctionnalités clés des séries temporelles dans TensorBoard#

• Filtrer les balises et épingler les cartes : cette fonctionnalité permet de filtrer certaines métriques et d'épingler des cartes pour y accéder rapidement et les comparer. Elle est particulièrement utile pour se concentrer sur certains aspects du processus d'entraînement.

• Cartes de métriques détaillées : les séries temporelles répartissent les métriques en différentes catégories, comme les métriques de taux d'apprentissage (lr), d'entraînement (train) et de validation (val), chacune étant représentée par une carte individuelle.

• Affichage graphique : chaque carte de la section Séries temporelles affiche un graphe détaillé d'une métrique donnée sur toute la durée de l'entraînement. Cette représentation visuelle aide à identifier les tendances, les schémas ou les anomalies dans le processus d'entraînement.

• Analyse approfondie : les séries temporelles fournissent une analyse approfondie de chaque métrique. Par exemple, différents segments du taux d'apprentissage sont affichés, ce qui permet de comprendre comment les ajustements du taux d'apprentissage influencent la courbe d'apprentissage du modèle.

Importance des séries temporelles dans l'entraînement de YOLO26#

La section Séries temporelles est essentielle pour analyser en profondeur la progression de l'entraînement du modèle YOLO26. Elle te permet de suivre les métriques en temps réel afin d'identifier et de résoudre rapidement les problèmes. Elle offre également une vue détaillée de l'évolution de chaque métrique, ce qui est essentiel pour régler finement le modèle et améliorer ses performances.

Valeurs scalaires#

Les valeurs scalaires de TensorBoard sont essentielles pour tracer et analyser des métriques simples comme la perte et la précision pendant l'entraînement des modèles YOLO26. Elles offrent une vue claire et concise de l'évolution de ces métriques à chaque époque d'entraînement, donnant ainsi des indications sur l'efficacité et la stabilité de l'apprentissage du modèle. Voici un exemple de ce que tu peux t'attendre à voir.

Fonctionnalités clés des valeurs scalaires dans TensorBoard#

• Balises du taux d'apprentissage (lr) : ces balises montrent les variations du taux d'apprentissage entre différents segments (par exemple, pg0, pg1, pg2). Cela nous aide à comprendre l'impact des ajustements du taux d'apprentissage sur le processus d'entraînement.

• Balises de métriques : les valeurs scalaires incluent des indicateurs de performance tels que :

  • mAP50 (B) : Précision moyenne moyenne à 50 % d’Intersection over Union (IoU), essentielle pour évaluer la précision de la détection d’objets.

  • mAP50-95 (B) : précision moyenne calculée sur une plage de seuils IoU, offrant une évaluation plus complète de la précision.

  • Precision (B) : indique le ratio d'observations positives correctement prédites, essentiel pour comprendre la précision des prédictions.

  • Recall (B) : important pour les modèles dans lesquels l'absence d'une détection est significative, cet indicateur mesure la capacité à détecter toutes les instances pertinentes.

  • Pour en savoir plus sur les différentes métriques, consulte notre guide sur les métriques de performance.

• Balises d'entraînement et de validation (train, val) : ces balises affichent des métriques spécifiques aux jeux de données d'entraînement et de validation, ce qui permet de comparer les performances du modèle sur différents ensembles de données.

Importance du suivi des valeurs scalaires#

L'observation des métriques scalaires est essentielle pour régler finement le modèle YOLO26. Les variations de ces métriques, comme les pics ou les schémas irréguliers dans les graphes de perte, peuvent révéler des problèmes potentiels tels que le surapprentissage, le sous-apprentissage ou des paramètres de taux d'apprentissage inappropriés. En surveillant attentivement ces valeurs scalaires, tu peux prendre des décisions éclairées pour optimiser le processus d'entraînement et garantir que le modèle apprend efficacement et atteint les performances souhaitées.

Différence entre les valeurs scalaires et les séries temporelles#

Bien que les valeurs scalaires et les séries temporelles de TensorBoard servent toutes deux à suivre les métriques, elles ont des objectifs légèrement différents. Les valeurs scalaires se concentrent sur le traçage de métriques simples comme la perte et la précision sous forme de valeurs scalaires. Elles fournissent une vue d'ensemble de l'évolution de ces métriques à chaque époque d'entraînement. La section Séries temporelles de TensorBoard offre quant à elle une vue chronologique plus détaillée de différentes métriques. Elle est particulièrement utile pour suivre leur progression et leurs tendances au fil du temps, et permet d'examiner plus précisément les détails du processus d'entraînement.

Graphes#

La section Graphes de TensorBoard visualise le graphe de calcul du modèle YOLO26 et montre comment les opérations et les données circulent dans le modèle. Il s'agit d'un outil puissant pour comprendre la structure du modèle, vérifier que toutes les couches sont correctement connectées et identifier les éventuels goulots d'étranglement dans le flux de données. Voici un exemple de ce que tu peux t'attendre à voir.

Les graphes sont particulièrement utiles pour déboguer le modèle, notamment dans les architectures complexes courantes des modèles d'apprentissage profond comme YOLO26. Ils aident à vérifier les connexions entre les couches et la conception globale du modèle.

Résumé#

Ce guide vise à t'aider à utiliser TensorBoard pour visualiser et analyser l'entraînement de modèles d'apprentissage automatique avec YOLO26. Il explique comment les fonctionnalités clés de TensorBoard peuvent fournir des informations sur les métriques d'entraînement et les performances du modèle pendant les sessions d'entraînement YOLO26.

Pour explorer plus en détail ces fonctionnalités et les stratégies permettant de les utiliser efficacement, tu peux consulter la documentation officielle de TensorBoard de TensorFlow ainsi que leur dépôt GitHub.

Tu souhaites en savoir plus sur les différentes intégrations d'Ultralytics ? Consulte la page du guide des intégrations Ultralytics pour découvrir les autres fonctionnalités intéressantes qui t'attendent !

FAQ#