Suivi et visualisation d'expériences YOLO avec Weights & Biases#

Les modèles de détection d'objets tels que Ultralytics YOLO26 font désormais partie intégrante de nombreuses applications de vision par ordinateur. Cependant, l'entraînement, l'évaluation et le déploiement de ces modèles complexes présentent plusieurs défis. Le suivi des métriques d'entraînement clés, la comparaison des variantes de modèles, l'analyse du comportement des modèles et la détection des problèmes nécessitent une instrumentation et une gestion des expériences importantes.

Ce guide présente l'intégration d'Ultralytics YOLO26 avec Weights & Biases pour un meilleur suivi des expériences, une gestion des points de contrôle des modèles et une visualisation des performances. Il inclut également des instructions pour configurer l'intégration, entraîner, ajuster et visualiser les résultats à l'aide des fonctionnalités interactives de Weights & Biases.

Weights & Biases#

Weights & Biases est une plateforme MLOps de pointe conçue pour le suivi, la visualisation et la gestion des expériences d'apprentissage automatique. Elle propose la journalisation automatique des métriques d'entraînement pour une reproductibilité complète des expériences, une interface utilisateur interactive pour une analyse de données rationalisée et des outils de gestion de modèles efficaces pour le déploiement dans divers environnements.

Entraînement YOLO26 avec Weights & Biases#

Tu peux utiliser Weights & Biases pour apporter efficacité et automatisation à ton processus d'entraînement YOLO26. L'intégration te permet de suivre les expériences, de comparer les modèles et de prendre des décisions basées sur les données pour améliorer tes projets de vision par ordinateur.

Installation#

Pour installer les paquets requis, exécute :

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

Pour des instructions détaillées et les meilleures pratiques concernant le processus d'installation, assure-toi de consulter 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 astuces.

Configuration de Weights & Biases#

Après avoir installé les paquets nécessaires, l'étape suivante consiste à configurer ton environnement Weights & Biases. Cela inclut la création d'un compte Weights & Biases et l'obtention de la clé API nécessaire pour une connexion fluide entre ton environnement de développement et la plateforme W&B.

Commence par initialiser l'environnement Weights & Biases dans ton espace de travail. Tu peux le faire en exécutant la commande suivante et en suivant les instructions affichées.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")

Rends-toi sur la page d'autorisation de Weights & Biases pour créer et récupérer ta clé API. Utilise cette clé lorsque tu y es invité pour authentifier ton environnement auprès de W&B.

Utilisation : Entraînement de YOLO26 avec Weights & Biases#

Avant de plonger dans les instructions d'utilisation pour l'entraînement du modèle YOLO26 avec Weights & Biases, n'oublie pas de consulter la gamme de modèles YOLO26 proposés par Ultralytics. Cela t'aidera à choisir le modèle le mieux adapté aux exigences de ton projet.

from ultralytics import YOLO

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

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Arguments W&B#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Comprendre la sortie#

En exécutant l'extrait de code d'utilisation ci-dessus, tu peux t'attendre aux sorties clés suivantes :

• La configuration d'une nouvelle exécution avec son ID unique, indiquant le début du processus d'entraînement.
• Un résumé concis de la structure du modèle, incluant le nombre de couches et de paramètres.
• Mises à jour régulières des métriques importantes telles que la perte de boîte (box loss), la perte de classe (cls loss), la perte DFL (dfl loss), la précision, le rappel et les scores mAP lors de chaque époque d'entraînement.
• À la fin de l'entraînement, des métriques détaillées comprenant la vitesse d'inférence du modèle et les métriques de précision globales sont affichées.
• Des liens vers le tableau de bord Weights & Biases pour une analyse et une visualisation approfondies du processus d'entraînement, accompagnés d'informations sur les emplacements des fichiers journaux locaux.

Visualisation du tableau de bord Weights & Biases#

Après avoir exécuté l'extrait de code d'utilisation, tu peux accéder au tableau de bord Weights & Biases (W&B) via le lien fourni dans la sortie. Ce tableau de bord offre une vue complète du processus d'entraînement de ton modèle avec YOLO26.

Fonctionnalités clés du tableau de bord Weights & Biases#

• Suivi des métriques en temps réel : observe des métriques telles que la perte, la précision et les scores de validation au fur et à mesure qu'elles évoluent pendant l'entraînement, offrant des informations immédiates pour le réglage du modèle. Dévoie comment les expériences sont suivies à l'aide de Weights & Biases.

• Optimisation des hyperparamètres : Weights & Biases aide à affiner les paramètres critiques tels que le taux d'apprentissage, la taille du lot et bien plus encore, améliorant ainsi les performances de YOLO26. Cela t'aide à trouver la configuration optimale pour ton jeu de données et ta tâche spécifiques.

• Analyse comparative : La plateforme permet des comparaisons côte à côte de différentes exécutions d'entraînement, essentielles pour évaluer l'impact de diverses configurations de modèles et comprendre quels changements améliorent les performances.

• Visualisation de la progression de l'entraînement : les représentations graphiques des métriques clés offrent une compréhension intuitive des performances du modèle à travers les époques. Vois comment Weights & Biases t'aide à visualiser les résultats de validation.

• Surveillance des ressources : Suis l'utilisation du CPU, du GPU et de la mémoire pour optimiser l'efficacité du processus d'entraînement et identifier les goulots d'étranglement potentiels dans ton flux de travail.

• Gestion des artefacts de modèle : Accède et partage les points de contrôle des modèles, facilitant le déploiement et la collaboration avec les membres de l'équipe sur des projets complexes.

• Affichage des résultats d'inférence avec superposition d'images : visualise les résultats de prédiction sur les images en utilisant des superpositions interactives dans Weights & Biases, offrant une vue claire et détaillée des performances du modèle sur des données du monde réel. Pour des informations plus détaillées, consulte les fonctionnalités de superposition d'images de Weights & Biases.

En utilisant ces fonctionnalités, tu peux suivre, analyser et optimiser efficacement l'entraînement de ton modèle YOLO26, garantissant les meilleures performances et efficacités possibles pour tes tâches de détection d'objets.

Résumé#

Ce guide t'a aidé à explorer l'intégration d'Ultralytics YOLO avec Weights & Biases. Il illustre la capacité de cette intégration à suivre et visualiser efficacement les résultats d'entraînement et de prédiction du modèle. En tirant parti des puissantes fonctionnalités de W&B, tu peux rationaliser ton flux de travail d'apprentissage automatique, prendre des décisions basées sur les données et améliorer les performances de ton modèle.

Pour plus de détails sur l'utilisation, visite la documentation officielle de Weights & Biases ou explore la présentation de Soumik Rakshit de YOLO VISION 2023 sur cette intégration.

Assure-toi également de consulter la page du guide d'intégration d'Ultralytics pour en savoir plus sur d'autres intégrations passionnantes comme MLflow et Comet ML.

FAQ#