Modèle de formation avec Ultralytics YOLO

Introduction

L'entraînement d'un modèle d'apprentissage profond consiste à lui fournir des données et à ajuster ses paramètres afin qu'il puisse faire des prédictions précises. Le mode Train dans Ultralytics YOLO11 est conçu pour une formation efficace et efficiente des modèles de détection d'objets, en utilisant pleinement les capacités du matériel moderne. Ce guide a pour but de couvrir tous les détails dont vous avez besoin pour commencer à former vos propres modèles à l'aide de l'ensemble des fonctionnalités robustes de YOLO11.

Regarder : Comment former un modèle YOLO sur votre ensemble de données personnalisé dans Google Colab.

Pourquoi choisir Ultralytics YOLO pour la formation ?

Voici quelques bonnes raisons d'opter pour le mode Train de YOLO11:

• Efficacité : Tirez le meilleur parti de votre matériel, qu'il s'agisse d'une configuration à une seule adresseGPU ou d'une mise à l'échelle de plusieurs GPU.
• Polyvalence : Entraînement sur des ensembles de données personnalisés en plus des ensembles de données facilement disponibles tels que COCO, VOC et ImageNet.
• Convivialité : interfaces simples mais puissantes CLI et Python pour une expérience de formation directe.
• Flexibilité des hyperparamètres : Une large gamme d'hyperparamètres personnalisables pour affiner les performances du modèle.

Principales caractéristiques du mode train

Voici quelques caractéristiques notables du mode Train de YOLO11:

• Téléchargement automatique des données : Les ensembles de données standard tels que COCO, VOC et ImageNet sont téléchargés automatiquement lors de la première utilisation.
• Prise en charge de plusieurs sitesGPU : Faites évoluer vos efforts de formation de manière transparente sur plusieurs GPU afin d'accélérer le processus.
• Configuration des hyperparamètres : L'option de modifier les hyperparamètres par le biais de fichiers de configuration YAML ou d'arguments CLI .
• Visualisation et suivi : Suivi en temps réel des paramètres de formation et visualisation du processus d'apprentissage pour une meilleure compréhension.

Exemples d'utilisation

Entraîner YOLO11n sur l'ensemble de données COCO8 pour 100 époques à une taille d'image de 640. Le dispositif d'entraînement peut être spécifié à l'aide de la fonction device l'argument. Si aucun argument n'est transmis GPU device=0 sera utilisé s'il est disponible, sinon device='cpu' sera utilisé. Voir la section Arguments ci-dessous pour une liste complète des arguments de formation.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

Formation multi-GPU

L'entraînement multi-GPU permet une utilisation plus efficace des ressources matérielles disponibles en répartissant la charge d'entraînement sur plusieurs GPU. Cette fonctionnalité est disponible via l'API Python et l'interface de ligne de commande. Pour activer l'entraînement multiGPU , indiquez les ID de périphérique GPU que vous souhaitez utiliser.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1

Formation Apple Silicon MPS

Grâce à la prise en charge des puces Apple intégrées dans les modèles Ultralytics YOLO , il est désormais possible d'entraîner vos modèles sur des appareils utilisant le puissant cadre Metal Performance Shaders (MPS). Le site MPS offre un moyen très performant d'exécuter des tâches de calcul et de traitement d'images sur le silicium personnalisé d'Apple.

Pour activer la formation sur les puces Apple, vous devez spécifier "mps" comme appareil lorsque vous lancez le processus de formation. Vous trouverez ci-dessous un exemple de la manière dont vous pouvez procéder dans Python et via la ligne de commande :

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Tout en exploitant la puissance de calcul des puces Apple, cela permet un traitement plus efficace des tâches de formation. Pour des conseils plus détaillés et des options de configuration avancées, veuillez vous référer à la documentationPyTorch MPS .

Reprise des formations interrompues

La reprise de l'entraînement à partir d'un état précédemment sauvegardé est une fonctionnalité cruciale lorsque l'on travaille avec des modèles d'apprentissage profond. Cela peut s'avérer utile dans différents scénarios, comme lorsque le processus d'entraînement a été interrompu de manière inattendue, ou lorsque vous souhaitez poursuivre l'entraînement d'un modèle avec de nouvelles données ou pour plus d'époques.

Lors de la reprise de la formation, Ultralytics YOLO charge les poids du dernier modèle sauvegardé et restaure également l'état de l'optimiseur, le planificateur du taux d'apprentissage et le nombre d'époques. Cela vous permet de reprendre le processus d'apprentissage là où il s'est arrêté.

Vous pouvez facilement reprendre la formation sur Ultralytics YOLO en définissant le paramètre resume argument à True lors de l'appel du train et en spécifiant le chemin d'accès à la méthode .pt contenant les poids du modèle partiellement entraîné.

Vous trouverez ci-dessous un exemple de reprise d'une formation interrompue à l'aide de Python et de la ligne de commande :

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

En fixant resume=True, le train reprendra l'entraînement là où il s'est arrêté, en utilisant l'état stocké dans le fichier "path/to/last.pt". Si le fichier resume est omis ou fixé à False, le train démarre une nouvelle session de formation.

Rappelez-vous que les points de contrôle sont sauvegardés à la fin de chaque époque par défaut, ou à des intervalles fixes à l'aide de la commande save_period Vous devez donc terminer au moins une époque avant de reprendre un cycle d'entraînement.

Réglages du train

Les paramètres d'apprentissage des modèles YOLO englobent divers hyperparamètres et configurations utilisés au cours du processus d'apprentissage. Ces paramètres influencent les performances, la vitesse et la précision du modèle. Les principaux paramètres d'apprentissage comprennent la taille du lot, le taux d'apprentissage, l'élan et la décroissance des poids. En outre, le choix de l'optimiseur, de la fonction de perte et de la composition de l'ensemble de données d'apprentissage peut avoir un impact sur le processus d'apprentissage. Un réglage minutieux et l'expérimentation de ces paramètres sont essentiels pour optimiser les performances.

Paramètres d'augmentation et hyperparamètres

Les techniques d'augmentation sont essentielles pour améliorer la robustesse et les performances des modèles YOLO en introduisant de la variabilité dans les données d'apprentissage, ce qui permet au modèle de mieux se généraliser à des données inédites. Le tableau suivant présente l'objectif et l'effet de chaque argument d'augmentation :

Ces paramètres peuvent être ajustés pour répondre aux exigences spécifiques de l'ensemble de données et de la tâche à accomplir. L'expérimentation de différentes valeurs peut aider à trouver la stratégie d'augmentation optimale qui conduit à la meilleure performance du modèle.

Enregistrement

Lors de la formation d'un modèle YOLO11 , il peut s'avérer utile de suivre les performances du modèle au fil du temps. C'est là que la journalisation entre en jeu. Ultralytics YOLO prend en charge trois types d'enregistreurs : Comet, ClearML et TensorBoard.

Pour utiliser un enregistreur, sélectionnez-le dans le menu déroulant de l'extrait de code ci-dessus et exécutez-le. L'enregistreur choisi sera installé et initialisé.

Comet

Comet est une plateforme qui permet aux scientifiques des données et aux développeurs de suivre, comparer, expliquer et optimiser les expériences et les modèles. Elle offre des fonctionnalités telles que des mesures en temps réel, des différences de code et le suivi des hyperparamètres.

Pour utiliser Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

N'oubliez pas de vous connecter à votre compte Comet sur leur site web et d'obtenir votre clé API. Vous devrez l'ajouter à vos variables d'environnement ou à votre script pour enregistrer vos expériences.

ClearML

ClearML est une plateforme open-source qui automatise le suivi des expériences et contribue à un partage efficace des ressources. Elle est conçue pour aider les équipes à gérer, exécuter et reproduire leur travail de ML plus efficacement.

Pour utiliser ClearML:

# pip install clearml
import clearml

clearml.browser_login()

Après avoir exécuté ce script, vous devrez vous connecter à votre compte ClearML sur le navigateur et authentifier votre session.

TensorBoard

TensorBoard est une boîte à outils de visualisation pour TensorFlow. Il vous permet de visualiser votre graphique TensorFlow , de tracer des mesures quantitatives sur l'exécution de votre graphique et d'afficher des données supplémentaires telles que les images qui le traversent.

Pour utiliser TensorBoard dans Google Colab:

load_ext tensorboard
tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

Pour utiliser TensorBoard localement, exécutez la commande ci-dessous et visualisez les résultats sur http://localhost:6006/.

tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

Cela chargera TensorBoard et le dirigera vers le répertoire où vos journaux d'entraînement sont sauvegardés.

Après avoir configuré votre enregistreur, vous pouvez procéder à l'entraînement de votre modèle. Tous les paramètres de formation seront automatiquement enregistrés dans la plateforme que vous avez choisie, et vous pourrez accéder à ces enregistrements pour suivre les performances de votre modèle au fil du temps, comparer différents modèles et identifier les domaines à améliorer.

FAQ

Comment entraîner un modèle de détection d'objets à l'aide de Ultralytics YOLO11 ?

Pour former un modèle de détection d'objets à l'aide de Ultralytics YOLO11 , vous pouvez utiliser l'API Python ou CLI. Vous trouverez ci-dessous un exemple pour les deux :

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Pour plus de détails, voir la section Paramètres du train.

Quelles sont les principales caractéristiques du mode Train de Ultralytics YOLO11 ?

Les principales caractéristiques du mode Train de Ultralytics YOLO11 sont les suivantes :

• Téléchargement automatique d'ensembles de données : Télécharge automatiquement les ensembles de données standard tels que COCO, VOC et ImageNet.
• Prise en charge de plusieurs sitesGPU : Faites évoluer l'entraînement sur plusieurs GPU pour un traitement plus rapide.
• Configuration des hyperparamètres : Personnalisez les hyperparamètres à l'aide de fichiers YAML ou d'arguments CLI .
• Visualisation et suivi : Suivi en temps réel des paramètres de formation pour une meilleure compréhension.

Ces fonctions rendent la formation efficace et personnalisable en fonction de vos besoins. Pour plus de détails, voir la section Caractéristiques principales du mode entraînement.

Comment reprendre la formation après une session interrompue sur Ultralytics YOLO11 ?

Pour reprendre la formation à partir d'une session interrompue, réglez le paramètre resume argument à True et indiquer le chemin d'accès au dernier point de contrôle sauvegardé.

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

# Resume training
results = model.train(resume=True)

yolo train resume model=path/to/last.pt

Pour plus d'informations, consultez la section sur la reprise des formations interrompues.

Puis-je entraîner les modèles YOLO11 sur des puces de silicium Apple ?

Oui, Ultralytics YOLO11 prend en charge la formation sur les puces de silicium d'Apple utilisant le cadre Metal Performance Shaders (MPS). Indiquez "mps" comme dispositif de formation.

from ultralytics import YOLO

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

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Pour plus de détails, reportez-vous à la section Formation Apple Silicon MPS .

Quels sont les paramètres de formation courants et comment les configurer ?

Ultralytics YOLO11 vous permet de configurer une variété de paramètres d'apprentissage tels que la taille du lot, le taux d'apprentissage, les époques, et plus encore, à l'aide d'arguments. En voici un bref aperçu :

Pour un guide approfondi sur les paramètres de formation, consultez la section Paramètres de formation.

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

Commentaires