Amélioration du suivi et de la visualisation des expériences sur le site YOLO11 avec Weights & Biases

Les modèles de détection d'objets tels que Ultralytics YOLO11 sont devenus partie intégrante de nombreuses applications de vision par ordinateur. Toutefois, la formation, l'évaluation et le déploiement de ces modèles complexes posent plusieurs problèmes. Le suivi des principales mesures de formation, 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.

Regarder : Comment utiliser Ultralytics YOLO11 avec Weights and Biases

Ce guide présente l'intégration de Ultralytics YOLO11 avec Weights & Biases pour améliorer le suivi des expériences, le contrôle des modèles et la visualisation de leurs performances. Il comprend également des instructions pour la configuration de l'intégration, l'entraînement, la mise au point et la visualisation des résultats à l'aide des fonctions 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 l'enregistrement automatique des métriques d'entraînement pour une reproductibilité totale de l'expérience, une interface utilisateur interactive pour une analyse rationalisée des données et des outils de gestion de modèles efficaces pour le déploiement dans différents environnements.

YOLO11 Formation avec Weights & Biases

Vous pouvez utiliser Weights & Biases pour améliorer l'efficacité et l'automatisation de votre processus de formation YOLO11 .

Installation

Pour installer les paquets nécessaires, exécutez :

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

Pour des instructions détaillées et les meilleures pratiques relatives au processus d'installation, veuillez consulter notre guide d'installationYOLO11 . Lors de l'installation des paquets requis pour YOLO11, si vous rencontrez des difficultés, consultez notre guide des problèmes courants pour obtenir des solutions et des conseils.

Configuration Weights & Biases

Après avoir installé les paquets nécessaires, l'étape suivante consiste à configurer votre 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 votre environnement de développement et la plateforme W&B.

Commencez par initialiser l'environnement Weights & Biases dans votre espace de travail. Pour ce faire, exécutez la commande suivante et suivez les instructions qui vous sont données.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="<API_KEY>")

# Initialize your Weights & Biases environment
wandb login <API_KEY>

Accédez à la page d'autorisation Weights & Biases pour créer et récupérer votre clé API. Utilisez cette clé pour authentifier votre environnement auprès de W&B.

Utilisation : Formation YOLO11 avec Weights & Biases

Avant de vous plonger dans les instructions d'utilisation pour la formation au modèle YOLO11 avec Weights & Biases, n'oubliez pas de consulter la gamme de modèlesYOLO11 proposés par Ultralytics. Cela vous aidera à choisir le modèle le plus approprié aux exigences de votre projet.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

# Train a YOLO11 model with Weights & Biases
yolo train data=coco8.yaml epochs=5 project=ultralytics name=yolo11n

Arguments de W&B

# Enable Weights & Biases logging
wandb enabled

# Disable Weights & Biases logging
wandb disabled

Comprendre les résultats

Lorsque vous exécutez l'extrait de code ci-dessus, vous pouvez vous attendre à obtenir les résultats suivants :

• La mise en place d'une nouvelle série avec son ID unique, indiquant le début du processus de formation.
• Un résumé concis de la structure du modèle, y compris le nombre de couches et de paramètres.
• Mises à jour régulières des mesures importantes telles que la perte de boîte, la perte de cls, la perte de dfl, la précision, le rappel et les scores mAP au cours de chaque période d'apprentissage.
• À la fin de la formation, des mesures détaillées sont affichées, notamment la vitesse d'inférence du modèle et les mesures de précision globales.
• Liens vers le tableau de bord Weights & Biases pour une analyse et une visualisation approfondies du processus de formation, ainsi que des informations sur l'emplacement des fichiers journaux locaux.

Visualisation du tableau de bord Weights & Biases

Après avoir exécuté l'extrait de code d'utilisation, vous pouvez accéder au tableau de bord Weights & Biases (W&B) via le lien fourni dans la sortie. Ce tableau de bord offre une vue d'ensemble du processus de formation de votre modèle à l'aide de YOLO11.

Principales caractéristiques du tableau de bord Weights & Biases

• Suivi des mesures en temps réel: Observez les mesures telles que la perte, la précision et les scores de validation au fur et à mesure qu'elles évoluent au cours de l'apprentissage, ce qui permet d'obtenir des informations immédiates pour la mise au point du modèle. Découvrez comment les expériences sont suivies à l'aide de Weights & Biases.

• Optimisation des hyperparamètres: Weights & Biases permet d'affiner les paramètres critiques tels que le taux d'apprentissage, la taille du lot, etc. et d'améliorer ainsi les performances de YOLO11.

• Analyse comparative: La plateforme permet de comparer côte à côte différentes séries de formation, ce qui est essentiel pour évaluer l'impact de diverses configurations de modèles.

• Visualisation des progrès de la formation: Les représentations graphiques des paramètres clés permettent une compréhension intuitive des performances du modèle au fil des époques. Découvrez comment Weights & Biases vous aide à visualiser les résultats de validation.

• Surveillance des ressources: Suivez l'évolution de CPU, GPU et de l'utilisation de la mémoire afin d'optimiser l'efficacité du processus de formation.

• Gestion des artefacts du modèle: Accédez aux points de contrôle du modèle et partagez-les, ce qui facilite le déploiement et la collaboration.

• Visualisation des résultats de l'inférence par superposition d'images: Visualisez les résultats de la prédiction sur des images à l'aide de superpositions interactives sur le site Weights & Biases, ce qui permet d'obtenir une vue claire et détaillée des performances du modèle sur des données réelles. Pour plus d'informations sur les capacités de superposition d'images de Weights & Biases', consultez ce lien. Voyez comment Weights & Biases' image overlays aide à visualiser les inférences du modèle.

Grâce à ces fonctions, vous pouvez suivre, analyser et optimiser efficacement la formation de votre modèle YOLO11 , afin de garantir les meilleures performances et la plus grande efficacité possibles.

Résumé

Ce guide vous a aidé à explorer l'intégration de Ultralytics YOLO avec Weights & Biases. Il illustre la capacité de cette intégration à suivre et à visualiser efficacement les résultats de l'apprentissage et de la prédiction des modèles.

Pour plus de détails sur l'utilisation, consultez la documentation officielle deWeights & Biases.

N'oubliez pas non plus de consulter la page du guide d'intégration deUltralytics , pour en savoir plus sur les différentes intégrations intéressantes.

FAQ

Comment intégrer Weights & Biases avec Ultralytics YOLO11 ?

Intégrer Weights & Biases avec Ultralytics YOLO11 :

1. Installez les paquets nécessaires :

pip install -U ultralytics wandb

1. Connectez-vous à votre compte Weights & Biases :

import wandb

wandb.login(key="<API_KEY>")

1. Entraînez votre modèle YOLO11 avec l'enregistrement W&B activé :

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

Cela permettra d'enregistrer automatiquement les métriques, les hyperparamètres et les artefacts du modèle dans votre projet W&B.

Quelles sont les principales caractéristiques de l'intégration de Weights & Biases avec YOLO11?

Les principales caractéristiques sont les suivantes :

• Suivi des mesures en temps réel pendant la formation
• Outils d'optimisation des hyperparamètres
• Analyse comparative de différents entraînements
• Visualisation de la progression de la formation à l'aide de graphiques
• Surveillance des ressources (CPU, GPU, utilisation de la mémoire)
• Gestion et partage des artefacts du modèle
• Visualisation des résultats de l'inférence avec des superpositions d'images

Ces fonctionnalités permettent de suivre les expériences, d'optimiser les modèles et de collaborer plus efficacement sur les projets YOLO11 .

Comment puis-je consulter le tableau de bord Weights & Biases pour ma formation YOLO11 ?

Après avoir exécuté votre script de formation avec l'intégration W&B :

1. Un lien vers votre tableau de bord W&B sera fourni dans la sortie de la console.
2. Cliquez sur le lien ou rendez-vous sur wandb.ai et connectez-vous à votre compte.
3. Naviguez jusqu'à votre projet pour afficher des métriques détaillées, des visualisations et des données sur les performances du modèle.

Le tableau de bord offre des informations sur le processus de formation de votre modèle, ce qui vous permet d'analyser et d'améliorer efficacement vos modèles YOLO11 .

Puis-je désactiver l'enregistrement Weights & Biases pour la formation YOLO11 ?

Oui, vous pouvez désactiver l'enregistrement W&B à l'aide de la commande suivante :

wandb disabled

Pour réactiver la journalisation, utilisez

wandb enabled

Cela vous permet de contrôler le moment où vous souhaitez utiliser l'enregistrement W&B sans modifier vos scripts de formation.

Comment Weights & Biases aide-t-il à optimiser les modèles YOLO11 ?

Weights & Biases permet d'optimiser les modèles YOLO11 en

1. Fournir des visualisations détaillées des mesures de formation
2. Permettre une comparaison aisée entre les différentes versions du modèle
3. Proposer des outils pour l'ajustement des hyperparamètres
4. Permettre une analyse collaborative de la performance des modèles
5. Faciliter le partage des artefacts et des résultats du modèle

Ces fonctionnalités permettent aux chercheurs et aux développeurs d'effectuer des itérations plus rapides et de prendre des décisions fondées sur des données afin d'améliorer leurs modèles YOLO11 .

📅C réé il y a 11 mois ✏️ Mis à jour il y a 1 mois

Commentaires