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.

Ce guide présente l'intégration d'Ultralytics YOLO26 à Weights & Biases pour améliorer le suivi des expériences, la gestion des points de contrôle des modèles et la visualisation des performances des modèles. Il comprend également des instructions pour configurer l'intégration, entraîner les modèles 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 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

# Initialiser ton environnement Weights & Biases
wandb.login(key="YOUR_API_KEY")

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")

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.
• Des mises à jour régulières des métriques importantes, comme la perte de boîte, la perte de classification, la perte de distance de boîte, 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.

• Optimisation des hyperparamètres : Weights & Biases facilite l'ajustement des paramètres essentiels comme le taux d'apprentissage, la taille de lot et d'autres, afin d'améliorer les performances de YOLO26. Tu peux ainsi trouver la configuration optimale pour ton jeu de données et ta tâche.

• 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 aux points de contrôle des modèles et partage-les pour 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 possible pour tes tâches de détection d'objets.

Résumé#

Ce guide t'a permis de découvrir l'intégration d'Ultralytics YOLO à Weights & Biases. Il montre comment cette intégration permet de suivre et de visualiser efficacement l'entraînement des modèles et les résultats des prédictions. 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 en savoir plus 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 d'intégration Ultralytics pour en savoir plus sur d'autres intégrations intéressantes, comme MLflow et Comet ML.

FAQ#