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

Comprendre et affiner les modèles de vision par ordinateur, comme YOLO26 d’Ultralytics, devient plus simple en examinant de plus près leur processus d’entraînement. La visualisation de l’entraînement des modèles aide à comprendre leurs schémas d’apprentissage, leurs métriques de performance et leur comportement général. L’intégration de YOLO26 avec TensorBoard simplifie la visualisation et l’analyse, et permet d’ajuster le modèle de manière plus efficace et éclairée.

Ce guide explique comment utiliser TensorBoard avec YOLO26. Tu découvriras différentes visualisations, du suivi des métriques à l’analyse des graphes de modèles. 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 une gamme 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. TensorBoard permet également de projeter les plongements dans des espaces de dimension inférieure et d’afficher des données multimédias.

Entraîner YOLO26 avec TensorBoard#

L’utilisation de TensorBoard pendant l’entraînement des modèles YOLO26 est simple et présente 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 rappel une seule fois avec yolo settings tensorboard=True ; le paramètre restera activé pour les prochains entraînements.

Pour obtenir des instructions détaillées et des bonnes pratiques concernant l’installation, consulte notre guide d’installation de YOLO26. Si tu rencontres des difficultés lors de l’installation des paquets 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 de lancer ton code d’entraînement :

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

Utilisation#

Avant de passer aux instructions d’utilisation, pense à découvrir 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

# Charger un modèle préentraîné
model = YOLO("yolo26n.pt")

# Entraîner le modèle
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 runs/detect/train', view at http://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 en temps réel et les performances du modèle. Si tu utilises Google Colab, TensorBoard s’affichera dans la cellule où tu as exécuté les commandes de configuration de TensorBoard.

Pour en savoir plus sur le processus d’entraînement des modèles, consulte notre guide d’entraînement des modèles YOLO26. Si tu souhaites en apprendre davantage sur la journalisation, les points de contrôle, les graphiques et la gestion des fichiers, consulte notre guide d’utilisation de la configuration.

Comprendre TensorBoard pour l’entraînement de YOLO26#

Examinons maintenant 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 des modèles YOLO26 au fil du temps. Elle met l’accent 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.

Principales fonctionnalités 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 les comparer et y accéder rapidement. Elle est particulièrement utile pour se concentrer sur des aspects précis du processus d’entraînement.

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

• Affichage graphique : chaque carte de la section Séries temporelles présente un graphique détaillé d’une métrique donnée pendant l’entraînement. Cette représentation visuelle aide à repérer les tendances, les schémas et les anomalies dans le processus d’entraînement.

• Analyse approfondie : les séries temporelles fournissent une analyse approfondie de chaque métrique. Par exemple, elles affichent les différents segments du taux d’apprentissage et indiquent ainsi comment ses ajustements influent sur la courbe d’apprentissage du modèle.

Importance des séries temporelles pour 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 de repérer et de résoudre rapidement les problèmes. Elle offre également une vue détaillée de l’évolution de chaque métrique, ce qui est essentiel pour affiner le modèle et améliorer ses performances.

Valeurs scalaires#

Les valeurs scalaires dans TensorBoard sont indispensables 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, fournissant des informations sur l’efficacité et la stabilité de l’apprentissage du modèle. Voici un exemple de ce que tu peux t’attendre à voir.

Principales fonctionnalités des scalaires dans TensorBoard#

• Balises de taux d’apprentissage (lr) : Ces balises affichent les variations du taux d’apprentissage selon différents segments (par exemple, lr/pg0, lr/pg1, lr/pg2). Elles nous aident à comprendre l’impact des ajustements du taux d’apprentissage sur le processus d’entraînement.

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

  • metrics/mAP50(B) : Moyenne de la précision moyenne à 50 % d’intersection sur union (IoU), essentielle pour évaluer la précision de la détection d’objets.

  • metrics/mAP50-95(B) : Moyenne de la précision moyenne calculée sur une plage de seuils d’IoU, pour une évaluation plus complète de la précision.

  • metrics/precision(B) : Indique la proportion d’observations positives correctement prédites, un élément clé pour comprendre la précision des prédictions.

  • metrics/recall(B) : Importante pour les modèles où manquer une détection a des conséquences, cette métrique 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 les métriques propres aux jeux de données d’entraînement et de validation, ce qui permet de comparer les performances du modèle sur différents jeux de données.

Importance du suivi des scalaires#

L’observation des métriques scalaires est essentielle pour affiner le modèle YOLO26. Les variations de ces métriques, comme les pics ou les motifs irréguliers dans les graphiques de perte, peuvent mettre en évidence des problèmes potentiels tels que le surapprentissage, le sous-apprentissage ou des paramètres de taux d’apprentissage inadaptés. En surveillant attentivement ces scalaires, tu peux prendre des décisions éclairées pour optimiser le processus d’entraînement et faire en sorte que le modèle apprenne efficacement et atteigne les performances souhaitées.

Différence entre les scalaires et les séries temporelles#

Dans TensorBoard, les scalaires et les séries temporelles servent tous deux à suivre des métriques, mais répondent à des besoins légèrement différents. Les scalaires permettent de tracer des métriques simples, comme la perte et la précision, sous forme de valeurs scalaires. Ils donnent une vue d’ensemble de l’évolution de ces métriques à chaque époque d’entraînement. La section des séries temporelles de TensorBoard propose quant à elle une chronologie plus détaillée des différentes métriques. Elle est particulièrement utile pour suivre leur évolution et leurs tendances au fil du temps, et fournit ainsi un aperçu plus approfondi des spécificités 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. C’est un outil puissant pour comprendre la structure du modèle, vérifier que toutes les couches sont correctement connectées et repérer 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 a pour objectif de t’aider à utiliser TensorBoard avec YOLO26 pour visualiser et analyser l’entraînement des modèles de machine learning. Il explique comment les principales fonctionnalités de TensorBoard peuvent éclairer les métriques d’entraînement et les performances du modèle pendant les sessions d’entraînement de YOLO26.

Pour approfondir ces fonctionnalités et découvrir des stratégies efficaces pour les utiliser, consulte la documentation officielle de TensorBoard de TensorFlow et son dépôt GitHub.

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

FAQ#