Suivi des expériences et visualisation YOLO avec Weights & Biases#

Les modèles de détection d'objets, comme Ultralytics YOLO26, sont devenus essentiels à de nombreuses applications de vision par ordinateur. Toutefois, l'entraînement, l'évaluation et le déploiement de ces modèles complexes posent 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.

À regarder : Comment utiliser Ultralytics YOLO26 avec Weights and Biases

Ce guide présente l’intégration d’Ultralytics YOLO26 avec Weights & Biases pour améliorer le suivi des expériences, gérer les artefacts des meilleurs modèles et visualiser les performances des modèles. Il explique également comment configurer l’intégration, entraîner les modèles et visualiser les résultats à l’aide des fonctionnalités interactives de Weights & Biases.

Tu as déjà des points de contrôle YOLO enregistrés dans W&B ? Importe leurs projets dans Ultralytics Platform depuis Settings > Integrations > Weights & Biases.

Weights & Biases#

Weights & Biases est une plateforme MLOps de pointe conçue pour suivre, visualiser et gérer les expériences de machine learning. Elle propose la journalisation automatique des métriques d'entraînement pour assurer une reproductibilité complète des expériences, une interface interactive qui simplifie 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 rendre ton processus d'entraînement YOLO26 plus efficace et automatisé. 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 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 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 Weights & Biases#

Après avoir installé les packages nécessaires, l'étape suivante consiste à configurer ton environnement Weights & Biases. Cela comprend 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 affichées.

import wandb

# Initialise ton environnement Weights & Biases (demande la clé API ou lit WANDB_API_KEY)
wandb.login()

Rends-toi sur la page d'autorisation 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 : 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. Tu pourras ainsi choisir le modèle le mieux adapté aux exigences de ton projet.

from ultralytics import YOLO

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

# Entraîner et affiner le modèle
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Les exécutions créées par Ultralytics tracent les métriques d'entraînement par rapport à epoch. Si tu démarres une exécution avec wandb.init() avant l'entraînement, Ultralytics consigne les données dans cette exécution, avec une valeur epoch dans chaque ligne, et la laisse ouverte pour que tu puisses continuer à y consigner des données et appeler toi-même wandb.finish(). Les paramètres d'entraînement sont ajoutés à la configuration de cette exécution, et toute clé dont toi ou un sweep W&B avez déjà défini la valeur conserve cette valeur.

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 principaux résultats suivants :

• La configuration d'une nouvelle exécution avec son identifiant unique, qui indique le début du processus d'entraînement.
• Un résumé concis de la structure du modèle, comprenant le nombre de couches et de paramètres.
• Mises à jour régulières des métriques importantes, comme les pertes d’entraînement, la précision, le rappel et les scores mAP, à 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.

Consulter 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) à l'aide du lien fourni dans la sortie. Ce tableau de bord offre une vue d'ensemble 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 des métriques comme la perte, l'exactitude et les scores de validation pendant l'entraînement pour obtenir immédiatement des informations utiles à l'ajustement du modèle. Découvre comment les expériences sont suivies avec Weights & Biases.

• Comparaison des hyperparamètres : Chaque exécution enregistre ses arguments d’entraînement, comme le taux d’apprentissage et la taille du lot, ce qui te permet de comparer les configurations entre les exécutions. Pour effectuer une recherche automatisée avec la journalisation W&B, utilise Ray Tune.

• Analyse comparative : la plateforme permet de comparer côte à côte différentes exécutions d'entraînement, ce qui est essentiel pour évaluer l'effet des configurations de modèles et comprendre quelles modifications améliorent les performances.

• Visualisation de la progression de l'entraînement : des représentations graphiques des métriques clés permettent de comprendre intuitivement les performances du modèle au fil des époques. Découvre comment Weights & Biases t'aide à visualiser les résultats de validation.

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

• Gestion des artefacts de modèle : Accède au meilleur point de contrôle du modèle et partage-le. Il est importé en tant qu’artefact W&B à la fin de l’entraînement, ce qui facilite le déploiement et la collaboration avec les membres de l’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 possible pour tes tâches de détection d'objets.

Résumé#

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

Pour en savoir plus, découvre la présentation de Soumik Rakshit sur cette intégration, donnée lors de YOLO VISION 2023.

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

FAQ#