Skip to content

Obtenez des informations visuelles avec 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 Colab

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

Configure TensorBoard pour Google Colab

%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

rom ultralytics import YOLO

 Load a pre-trained model
odel = YOLO('yolov8n.pt')

 Train the model
esults = model.train(data='coco8.yaml', epochs=100, imgsz=640)
``

ning the usage code snippet above, you can expect the following output:

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

put indique que TensorBoard surveille maintenant activement ta session de formation YOLOv8 . Tu peux accéder au tableau de bord de 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 sera affiché 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.

standing Ton TensorBoard pour la formation YOLOv8

L'accent est mis sur la compréhension des différentes fonctions 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©rie

La fonction Series 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 de formation. Voici un exemple de ce que tu peux t'attendre à voir.

(https://github.com/ xml-ph-0000@deepl.internal / xml-ph-0001@deepl.internal /assets/25847604/20b3e038-0356-465e-a37e-1ea232c68354)

Caractéristiques des séries temporelles dans TensorBoard

er les étiquettes et les cartes épinglées** : Cette fonctionnalité permet aux utilisateurs de filtrer des mesures spécifiques et d'épingler des cartes pour une comparaison et un accès rapides. Elle est particulièrement utile pour se concentrer sur des aspects spécifiques du processus de formation.

iled Metric Cards** : Time Series divise les métriques en différentes catégories comme le taux d'apprentissage (lr), les métriques d'entraînement (train) et de validation (val), chacune représentée par des cartes individuelles.

Affichage graphique** : Chaque carte de la section Séries chronologiques présente un graphique détaillé d'une mesure spécifique au cours de la formation. Cette représentation visuelle aide à identifier les tendances, les modèles ou les anomalies dans le processus de formation.

Analyse en profondeur** : Time Series fournit une analyse approfondie de chaque mesure. Par exemple, différents segments de taux d'apprentissage sont affichés, offrant un aperçu de la façon dont les ajustements du taux d'apprentissage ont un impact sur la courbe d'apprentissage du modèle.

ortance des séries temporelles dans la formation YOLOv8

La section Série est essentielle pour une analyse approfondie des progrès 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.

ars

dans le TensorBoard sont essentiels pour tracer et analyser des mesures simples comme la perte et la précision pendant la formation des modèles YOLOv8 . Ils 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.

(https://github.com/ xml-ph-0000@deepl.internal / xml-ph-0001@deepl.internal /assets/25847604/f9228193-13e9-4768-9edf-8fa15ecd24fa)

Caractéristiques des scalaires dans TensorBoard

ning Rate (lr) Tags** : Ces balises montrent les variations du taux d'apprentissage selon les différents segments (ex, pg0, pg1, pg2). Cela nous aide à comprendre l'impact des ajustements du taux d'apprentissage sur le processus de formation.

ics Tags** : Les scalaires comprennent des indicateurs de performance tels que :

AP50 (B)` : Précision moyenne à 50 % d'intersection sur l'union (IoU), cruciale pour évaluer la précision de la détection des objets.

AP50-95 (B)` : Précision moyenne calculée sur une gamme de seuils d'IoU, offrant une évaluation plus complète de la précision.

recision (B)` : Indique le ratio d'observations positives correctement prédites, ce qui est essentiel pour comprendre la précision de la prédiction.

ecall (B)` : Importante pour les modèles où l'absence de détection est significative, cette métrique mesure la capacité à détecter toutes les instances pertinentes.

Pour en savoir plus sur les différentes mesures, lis notre guide sur les mesures de performance.

balises d'identification et de validation (train, val)** : Ces balises affichent des métriques spécifiques aux ensembles de données d'entraînement et de validation, ce qui permet une analyse comparative des performances du modèle sur différents ensembles de données.

ortance des Ă©chelles de surveillance

g 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

es scalaires et les séries temporelles dans TensorBoard sont utilisés pour suivre les métriques, mais 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.

hs

hs section du TensorBoard visualise le graphe 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.

(https://github.com/ xml-ph-0000@deepl.internal / xml-ph-0001@deepl.internal /assets/25847604/039028e0-4ab3-4170-bfa8-f93ce483f615)

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.

ry

de 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 .

our une exploration 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.

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 !

FAQ

Puis-je intégrer YOLOv8 à TensorBoard pour une visualisation en temps réel ?

YOLOv8 avec TensorBoard permet d'obtenir des aperçus visuels en temps réel pendant l'entraînement du modèle. Tout d'abord, installe le paquetage nécessaire :

ple "Installation"

"CLI"

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

Ensuite, configure TensorBoard pour qu'il enregistre tes séries d'entraînement, puis démarre TensorBoard :

Configure TensorBoard pour Google Colab

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

Enfin, pendant l'entraînement, YOLOv8 enregistre automatiquement les mesures telles que la perte et la précision sur TensorBoard. Tu peux surveiller ces mesures en visitant http://localhost:6006/.

Pour obtenir un guide complet, consulte notre guide de formation au modèleYOLOv8 .

Quels sont les avantages de l'utilisation de TensorBoard avec YOLOv8 ?

L'utilisation de TensorBoard avec YOLOv8 fournit plusieurs outils de visualisation essentiels pour une formation efficace des modèles :

  • Suivi des mesures en temps rĂ©el : Effectue le suivi des mesures clĂ©s telles que la perte, l'exactitude, la prĂ©cision et le rappel en direct.
  • Visualisation du graphique du modèle : Comprendre et dĂ©boguer l'architecture du modèle en visualisant les graphiques de calcul.
  • Visualisation de l'intĂ©gration : Projette les encastrements dans des espaces de dimensions infĂ©rieures pour une meilleure comprĂ©hension.

Ces outils te permettent de faire des ajustements éclairés pour améliorer les performances de ton modèle YOLOv8 . Pour plus de détails sur les fonctionnalités de TensorBoard, consulte leguide TensorFlow TensorBoard.

Comment puis-je surveiller les métriques de formation à l'aide de TensorBoard lors de la formation d'un modèle YOLOv8 ?

Pour surveiller les paramètres de formation pendant la formation d'un modèle YOLOv8 avec TensorBoard, suis les étapes suivantes :

  1. Installe TensorBoard et YOLOv8: Exécuter pip install ultralytics qui comprend TensorBoard.
  2. Configure la journalisation de TensorBoard : Pendant le processus d'apprentissage, YOLOv8 enregistre les mesures dans un répertoire d'enregistrement spécifié.
  3. Lance TensorBoard : Lance TensorBoard Ă  l'aide de la commande tensorboard --logdir path/to/your/tensorboard/logs.

Le tableau de bord TensorBoard, accessible via http://localhost:6006/, donne un aperçu en temps réel de diverses mesures de formation. Pour approfondir les configurations de formation, visite notre guide de configurationYOLOv8 .

Quels types de mesures puis-je visualiser avec TensorBoard lors de l'entraînement des modèles YOLOv8 ?

Lors de l'entraînement des modèles YOLOv8 , TensorBoard te permet de visualiser une série de mesures importantes, notamment

  • Perte (entraĂ®nement et validation) : Indique la performance du modèle pendant l'entraĂ®nement et la validation.
  • Exactitude/PrĂ©cision/Rappel : Mesures de performance clĂ©s pour Ă©valuer la prĂ©cision de la dĂ©tection.
  • Taux d'apprentissage : Suis les changements du taux d'apprentissage pour comprendre son impact sur la dynamique de la formation.
  • mAP (mean Average Precision) : Pour une Ă©valuation complète de la prĂ©cision de la dĂ©tection des objets Ă  diffĂ©rents seuils de l'IoU.

Ces visualisations sont essentielles pour suivre les performances du modèle et effectuer les optimisations nécessaires. Pour plus d'informations sur ces métriques, reporte-toi à notre guide sur les métriques de performance.

Puis-je utiliser TensorBoard dans un environnement Google Colab pour la formation YOLOv8?

Oui, tu peux utiliser TensorBoard dans un environnement Google Colab pour entraîner les modèles YOLOv8 . Voici une installation rapide :

Configure TensorBoard pour Google Colab

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

Ensuite, exécute le script de formation YOLOv8 :

from ultralytics import YOLO

# Load a pre-trained model
model = YOLO("yolov8n.pt")

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

TensorBoard visualisera la progression de l'entraînement au sein de Colab, en fournissant un aperçu en temps réel des métriques telles que la perte et la précision. Pour plus de détails sur la configuration de la formation YOLOv8 , consulte notre guide d'installation détaillé YOLOv8 .



Créé le 2024-01-01, Mis à jour le 2024-07-05
Auteurs : glenn-jocher (6), abirami-vina (1)

Commentaires