Suivi et visualisation des expériences YOLO avec Weights & Biases#

Les modèles de détection d’objets tels que Ultralytics YOLO26 sont devenus indispensables dans de nombreuses applications de vision par ordinateur. Cependant, l’entraînement, l’évaluation et le déploiement de ces modèles complexes présentent plusieurs difficultés. Le suivi des métriques clés d’entraînement, 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 améliorer le suivi des expériences, la gestion des points de contrôle des modèles et la visualisation de leurs performances. Il comprend également des instructions pour configurer l’intégration, entraîner un modèle et visualiser les résultats à l’aide des fonctionnalités interactives de Weights & Biases.

Weights & Biases#

Weights & Biases est une [plateforme MLOps](https://ultralytics-translation-1.invalid de pointe conçue pour suivre, visualiser et gérer les expériences de machine learning. Elle propose la journalisation automatique des métriques d’entraînement pour garantir une reproductibilité complète des expériences, une interface utilisateur interactive pour simplifier l’analyse des données et des outils efficaces de gestion des modèles pour les déployer dans différents environnements.

Entraîner YOLO26 avec Weights & Biases#

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

Installation#

Pour installer les packages 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 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 Weights & Biases#

Après avoir installé les packages 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 établir 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. Pour cela, exécute la commande suivante et suis les instructions qui s’affichent.

import wandb

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

Accède à la page d’autorisation de Weights & Biases pour créer et récupérer ta clé API. Utilise cette clé lorsque cela t’est demandé afin d’authentifier ton environnement auprès de W&B.

Utilisation : entraîner YOLO26 avec Weights & Biases#

Avant de consulter les instructions d’utilisation pour entraîner un modèle YOLO26 avec Weights & Biases, pense à découvrir la gamme de modèles YOLO26 proposés par Ultralytics. Cela t’aidera à choisir le modèle le plus 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#

Après avoir exécuté l’extrait de code d’utilisation ci-dessus, tu peux t’attendre aux principales sorties suivantes :

• La configuration d’une nouvelle exécution avec son identifiant unique, indiquant le début du processus d’entraînement.
• Un résumé concis de la structure du modèle, notamment le nombre de couches et de paramètres.
• Des mises à jour régulières des métriques importantes telles que la perte des boîtes, la perte cls, la perte de distance des boîtes, la précision, le rappel et les scores mAP pendant chaque époque d’entraînement.
• À la fin de l’entraînement, des métriques détaillées, notamment la vitesse d’inférence du modèle et les métriques globales d’exactitude, sont affichées.
• Des liens vers le tableau de bord Weights & Biases pour analyser et visualiser en détail le processus d’entraînement, ainsi que des informations sur l’emplacement des fichiers journaux locaux.

Afficher le 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 l’évolution de métriques telles que la perte, l’exactitude et les scores de validation pendant l’entraînement, afin d’obtenir immédiatement des informations utiles pour ajuster le modèle. Découvre comment les expériences sont suivies avec Weights & Biases.

• Optimisation des hyperparamètres : Weights & Biases t’aide à affiner des paramètres essentiels tels que le taux d’apprentissage, la taille des lots et bien d’autres, afin d’améliorer 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 de comparer côte à côte différentes exécutions d’entraînement, ce qui est essentiel pour évaluer l’impact de diverses configurations du modèle et comprendre quelles modifications améliorent les performances.

• Visualisation de la progression de l’entraînement : Des représentations graphiques des métriques clés offrent une compréhension intuitive des performances du modèle au fil des époques. Découvre 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 éventuels goulots d’étranglement de ton flux de travail.

• Gestion des artefacts de modèles : Accède aux points de contrôle des modèles et partage-les, afin de faciliter le déploiement et la collaboration avec les membres de ton équipe sur des projets complexes.

Grâce à ces fonctionnalités, tu peux suivre, analyser et optimiser efficacement l’entraînement de ton modèle YOLO26, afin d’obtenir les meilleures performances et la meilleure efficacité possibles pour tes tâches de détection d’objets.

Résumé#

Ce guide t’a permis d’explorer l’intégration d’Ultralytics YOLO avec Weights & Biases. Il illustre la capacité de cette intégration à suivre et à visualiser efficacement les résultats d’entraînement et de prédiction des modèles. En tirant parti des puissantes fonctionnalités de W&B, tu peux simplifier ton flux de travail de machine learning, prendre des décisions fondées sur les données et améliorer les performances de ton modèle.

Pour plus de détails sur l’utilisation, consulte la documentation officielle de Weights & Biases ou découvre la présentation de Soumik Rakshit sur cette intégration, donnée lors de YOLO VISION 2023.

Pense également à consulter la page du guide des intégrations Ultralytics pour en savoir plus sur d’autres intégrations intéressantes comme MLflow et Comet ML.

FAQ#