Skip to content

Obtenir des informations visuelles grâce à l'intégration de YOLOv8avec TensorBoard

Comprendre et affiner les modèles de vision par ordinateur tels que Ultralytics'YOLOv8 devient plus simple lorsque l'on examine de plus près leurs processus de formation. La visualisation de la formation des modèles permet de mieux comprendre les modèles d'apprentissage, les mesures de performance et le comportement général du modèle. YOLOv8 L'intégration de TensorBoard facilite ce processus de visualisation et d'analyse et permet d'apporter au modèle des ajustements plus efficaces et plus éclairés.

Ce guide couvre l'utilisation de TensorBoard avec YOLOv8. Tu découvriras différentes visualisations, du suivi des métriques à l'analyse des graphiques des modèles. Ces outils t'aideront à mieux comprendre les performances de ton modèle YOLOv8 .

TensorBoard

Aperçu de Tensorboard

TensorBoard, la boîte à outils de visualisation de TensorFlow, est essentielle pour l'expérimentation de l'apprentissage automatique. TensorBoard propose une gamme d'outils de visualisation, essentiels pour surveiller les modèles d'apprentissage automatique. Ces outils comprennent le suivi de mesures clés telles que la perte et la précision, la visualisation de graphiques de modèles et l'affichage d'histogrammes de weights and biases au fil du temps. Il offre également des capacités de projection des embeddings dans des espaces de dimensions inférieures et d'affichage de données multimédias.

YOLOv8 Formation avec TensorBoard

L'utilisation de TensorBoard lors de l'entraînement des modèles YOLOv8 est simple et offre des avantages significatifs.

Installation

Pour installer le paquetage requis, exécute :

Installation

# Install the required package for YOLOv8 and Tensorboard
pip install ultralytics

TensorBoard est commodément préinstallé avec YOLOv8, ce qui élimine la nécessité d'une configuration supplémentaire à des fins de visualisation.

Pour des instructions détaillées et les meilleures pratiques relatives au processus d'installation, n'oublie pas de consulter notre guide d'installationYOLOv8 . Pendant l'installation des paquets requis pour YOLOv8, si tu rencontres des difficultés, consulte notre guide des problèmes courants pour trouver des solutions et des conseils.

Configurer TensorBoard pour Google Collab

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

Configurer TensorBoard pour Google Collab

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

Utilisation

Avant de te plonger dans les instructions d'utilisation, n'oublie pas de consulter la gamme de modèlesYOLOv8 proposée par Ultralytics. Cela t'aidera à choisir le modèle le plus approprié aux exigences de ton projet.

Utilisation

```python

de ultralytics import YOLO

# Charge un modèle pré-entraîné modèle = YOLO('yolov8n.pt')

# Entraîne le modèle results = model.train(data='coco128.yaml', epochs=100, imgsz=640) ```

En exécutant l'extrait de code d'utilisation ci-dessus, tu peux t'attendre à obtenir le résultat suivant :

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

Cette sortie indique que TensorBoard surveille maintenant activement ta session de formation YOLOv8 . Tu peux accéder au tableau de bord TensorBoard en visitant l'URL fournie (http://localhost:6006/) pour voir les mesures de formation en temps réel et les performances du modèle. Pour les utilisateurs travaillant dans Google Colab, le TensorBoard s'affichera dans la même cellule que celle où tu as exécuté les commandes de configuration du TensorBoard.

Pour plus d'informations sur le processus de formation des modèles, consulte notre guide de formation des modèlesYOLOv8 . Si tu souhaites en savoir plus sur la journalisation, les points de contrôle, le traçage et la gestion des fichiers, lis notre guide d'utilisation sur la configuration.

Comprendre ton TensorBoard pour YOLOv8 Training

Concentrons-nous maintenant sur la compréhension des différentes fonctionnalités et composantes de TensorBoard dans le contexte de la formation YOLOv8 . Les trois sections clés de TensorBoard sont les séries temporelles, les scalaires et les graphiques.

SĂ©ries chronologiques

La fonction Série temporelle du TensorBoard offre une perspective dynamique et détaillée de diverses mesures d'entraînement au fil du temps pour les modèles YOLOv8 . Elle se concentre sur la progression et les tendances des mesures à travers les époques d'entraînement. Voici un exemple de ce que tu peux t'attendre à voir.

image

Caractéristiques principales des séries temporelles dans TensorBoard

  • Filtrer les Ă©tiquettes et les cartes Ă©pinglĂ©es: Cette fonctionnalitĂ© permet aux utilisateurs de filtrer des mesures spĂ©cifiques et d'Ă©pingler des cartes pour une comparaison et un accès rapides. Elle est particulièrement utile pour se concentrer sur des aspects spĂ©cifiques du processus de formation.

  • Cartes de mĂ©triques dĂ©taillĂ©es: Time Series divise les mĂ©triques en diffĂ©rentes catĂ©gories comme le taux d'apprentissage (lr), les mĂ©triques d'entraĂ®nement (train) et de validation (val), chacune reprĂ©sentĂ©e par des cartes individuelles.

  • Affichage graphique: Chaque carte de la section SĂ©ries chronologiques prĂ©sente un graphique dĂ©taillĂ© d'une mesure spĂ©cifique au cours de la formation. Cette reprĂ©sentation visuelle aide Ă  identifier les tendances, les modèles ou les anomalies dans le processus de formation.

  • Analyse approfondie: Time Series fournit une analyse approfondie de chaque mesure. Par exemple, diffĂ©rents segments de taux d'apprentissage sont affichĂ©s, ce qui permet de comprendre comment les ajustements du taux d'apprentissage ont un impact sur la courbe d'apprentissage du modèle.

Importance des séries chronologiques dans la formation YOLOv8

La section Séries temporelles est essentielle pour une analyse approfondie de la progression de la formation du modèle YOLOv8 . 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 la progression de chaque métrique, ce qui est crucial pour affiner le modèle et améliorer ses performances.

Cicatrices

Les scalaires dans le TensorBoard sont essentiels pour tracer et analyser des mesures simples comme la perte et la précision pendant la formation des modèles YOLOv8 . Elles offrent une vue claire et concise de l'évolution de ces mesures à chaque époque de formation, ce qui permet de mieux comprendre l'efficacité et la stabilité de l'apprentissage du modèle. Voici un exemple de ce que tu peux t'attendre à voir.

image

Caractéristiques principales des scalaires dans TensorBoard

  • Tags sur le taux d'apprentissage (lr): Ces balises montrent les variations du taux d'apprentissage selon les diffĂ©rents segments (ex, pg0, pg1, pg2). Cela nous aide Ă  comprendre l'impact des ajustements du taux d'apprentissage sur le processus de formation.

  • Étiquettes de mĂ©triques: Les scalaires comprennent des indicateurs de performance tels que :

    • mAP50 (B): PrĂ©cision moyenne Ă  50 % de l'intersection sur l'union (IoU), cruciale pour Ă©valuer la prĂ©cision de la dĂ©tection des objets.

    • mAP50-95 (B): PrĂ©cision moyenne calculĂ©e sur une gamme de seuils d'IoU, offrant une Ă©valuation plus complète de la prĂ©cision.

    • Precision (B): Indique le ratio d'observations positives correctement prĂ©dites, ce qui est essentiel pour comprendre la prĂ©cision de la prĂ©diction.

    • Recall (B): Importante pour les modèles oĂą le fait de manquer une dĂ©tection est significatif, cette mĂ©trique mesure la capacitĂ© Ă  dĂ©tecter toutes les instances pertinentes.

    • Pour en savoir plus sur les diffĂ©rentes mesures, lis notre guide sur les mesures de performance.

  • Balises de formation et de validation (train, val): Ces balises affichent des mĂ©triques spĂ©cifiquement pour les ensembles de donnĂ©es d'entraĂ®nement et de validation, ce qui permet une analyse comparative des performances du modèle sur diffĂ©rents ensembles de donnĂ©es.

Importance de la surveillance des Ă©chelles

L'observation des métriques scalaires est cruciale pour affiner le modèle YOLOv8 . Les variations de ces mesures, telles que les pics ou les modèles irréguliers dans les graphiques de perte, peuvent mettre en évidence des problèmes potentiels tels qu'un surajustement, un sous-ajustement ou des paramètres de taux d'apprentissage inappropriés. En surveillant de près ces scalaires, tu peux prendre des décisions éclairées pour optimiser le processus de formation, en veillant à ce que le modèle apprenne efficacement et atteigne les performances souhaitées.

Différence entre les scalaires et les séries temporelles

Bien que les scalaires et les séries temporelles de TensorBoard soient tous deux utilisés pour suivre les métriques, ils ont des objectifs légèrement différents. Les scalaires se concentrent sur le tracé de mesures simples telles que la perte et la précision sous forme de valeurs scalaires. Elles fournissent une vue d'ensemble de la façon dont ces mesures changent à chaque période d'apprentissage. En revanche, la section des séries temporelles du TensorBoard offre une vue chronologique plus détaillée de diverses mesures. Elle est particulièrement utile pour suivre la progression et les tendances des mesures au fil du temps, ce qui permet de plonger plus profondément dans les spécificités du processus de formation.

Graphiques

La section Graphes du TensorBoard visualise le graphique de calcul du modèle YOLOv8 , montrant comment les opérations et les données circulent à l'intérieur du modèle. C'est un outil puissant pour comprendre la structure du modèle, s'assurer que toutes les couches sont connectées correctement et identifier tout goulot d'étranglement potentiel dans le flux de données. Voici un exemple de ce que tu peux t'attendre à voir.

image

Les graphes sont particulièrement utiles pour déboguer le modèle, notamment dans les architectures complexes typiques des modèles d'apprentissage profond comme YOLOv8. Ils aident à vérifier les connexions entre les couches et la conception globale du modèle.

Résumé

Ce guide a pour but de t'aider à utiliser TensorBoard avec YOLOv8 pour la visualisation et l'analyse de la formation des modèles d'apprentissage automatique. Il explique comment les fonctions clés de TensorBoard peuvent donner un aperçu des mesures d'entraînement et des performances du modèle pendant les sessions d'entraînement sur YOLOv8 .

Pour une exploration plus détaillée de ces fonctionnalités et des stratégies d'utilisation efficaces, tu peux te référer à la documentation officielle de TensorFlow's TensorBoard et à leur dépôt GitHub.

Tu veux en savoir plus sur les différentes intégrations de Ultralytics? Consulte la page du guide des intégrations deUltralytics pour voir quelles autres capacités passionnantes attendent d'être découvertes !



Créé le 2024-01-01, Mis à jour le 2024-03-03
Auteurs : glenn-jocher (1), abirami-vina (1)

Commentaires