के साथ दृश्य अंतर्दृष्टि प्राप्त करें YOLOv8TensorBoard के साथ एकीकरण

rom ultralytics import YOLO

 Load a pre-trained model
odel = YOLO('yolov8n.pt')

 Train the model
esults = model.train(data='coco8.yaml', epochs=100, imgsz=640)
``

ning the usage code snippet above, you can expect the following output:

text
ard: Start with 'tensorboard --logdir path_to_your_tensorboard_logs', view at http://localhost:6006/

put इंगित करता है कि TensorBoard अब सक्रिय रूप से आपकी निगरानी कर रहा है YOLOv8 प्रशिक्षण सत्र। आप रीयल-टाइम प्रशिक्षण मीट्रिक और मॉडल प्रदर्शन देखने के लिए दिए गए URL (http://localhost:6006/) पर जाकर TensorBoard डैशबोर्ड तक पहुंच सकते हैं। में काम करने वाले उपयोगकर्ताओं के लिए Google Colab, TensorBoard उसी सेल में प्रदर्शित होगा जहां आपने TensorBoard कॉन्फ़िगरेशन कमांड निष्पादित किए थे।

मॉडल प्रशिक्षण प्रक्रिया से संबंधित जानकारी, हमारी जांच करना सुनिश्चित करें YOLOv8 मॉडल प्रशिक्षण गाइड। यदि आप लॉगिंग, चेकपॉइंट, प्लॉटिंग और फ़ाइल प्रबंधन के बारे में अधिक जानने में रुचि रखते हैं, तो कॉन्फ़िगरेशन पर हमारी उपयोग मार्गदर्शिका पढ़ें।

के लिए अपने TensorBoard खड़े YOLOv8 प्रशिक्षण

के संदर्भ में TensorBoard की विभिन्न विशेषताओं और घटकों को समझने पर ध्यान केंद्रित करता है YOLOv8 प्रशिक्षण। TensorBoard के तीन प्रमुख खंड टाइम सीरीज़, स्केलर और ग्राफ़ हैं।

शृंखला

TensorBoard में श्रृंखला सुविधा समय के साथ विभिन्न प्रशिक्षण मैट्रिक्स का एक गतिशील और विस्तृत परिप्रेक्ष्य प्रदान करती है YOLOv8 मॉडल। यह प्रशिक्षण युगों में मैट्रिक्स की प्रगति और रुझानों पर केंद्रित है। यहां एक उदाहरण दिया गया है कि आप क्या देखने की उम्मीद कर सकते हैं।

(https://github.com/ultralytics/ultralytics/संपत्ति/25847604/20b3e038-0356-465e-a37e-1ea232c68354)

TensorBoard में समय श्रृंखला की विशेषताएं

एर टैग और पिन किए गए कार्ड **: यह कार्यक्षमता उपयोगकर्ताओं को त्वरित तुलना और पहुंच के लिए विशिष्ट मैट्रिक्स और पिन कार्ड फ़िल्टर करने की अनुमति देती है। यह प्रशिक्षण प्रक्रिया के विशिष्ट पहलुओं पर ध्यान केंद्रित करने के लिए विशेष रूप से उपयोगी है।

iled मीट्रिक कार्ड**: समय श्रृंखला मैट्रिक्स को सीखने की दर (lr), प्रशिक्षण (ट्रेन), और सत्यापन (val) मैट्रिक्स जैसी विभिन्न श्रेणियों में विभाजित करती है, प्रत्येक को व्यक्तिगत कार्ड द्वारा दर्शाया जाता है।

hical प्रदर्शन**: समय श्रृंखला अनुभाग में प्रत्येक कार्ड प्रशिक्षण के दौरान एक विशिष्ट मीट्रिक का विस्तृत ग्राफ दिखाता है। यह दृश्य प्रतिनिधित्व प्रशिक्षण प्रक्रिया में रुझानों, पैटर्न या विसंगतियों की पहचान करने में सहायता करता है।

epth विश्लेषण **: समय श्रृंखला प्रत्येक मीट्रिक का गहन विश्लेषण प्रदान करती है। उदाहरण के लिए, विभिन्न सीखने की दर खंड दिखाए जाते हैं, जो इस बात की अंतर्दृष्टि प्रदान करते हैं कि सीखने की दर में समायोजन मॉडल के सीखने की अवस्था को कैसे प्रभावित करता है।

में समय श्रृंखला का ortance YOLOv8 प्रशिक्षण

श्रृंखला अनुभाग के गहन विश्लेषण के लिए आवश्यक है YOLOv8 मॉडल की प्रशिक्षण प्रगति। यह आपको समस्याओं को तुरंत पहचानने और हल करने के लिए वास्तविक समय में मीट्रिक को ट्रैक करने देता है। यह प्रत्येक मीट्रिक प्रगति का एक विस्तृत दृश्य भी प्रदान करता है, जो मॉडल को ठीक करने और इसके प्रदर्शन को बढ़ाने के लिए महत्वपूर्ण है।

एआरएस

TensorBoard में प्रशिक्षण के दौरान हानि और सटीकता जैसे सरल मैट्रिक्स की साजिश रचने और विश्लेषण करने के लिए महत्वपूर्ण हैं YOLOv8 मॉडल। वे एक स्पष्ट और संक्षिप्त दृष्टिकोण प्रदान करते हैं कि ये मीट्रिक प्रत्येक प्रशिक्षण युग के साथ कैसे विकसित होते हैं, मॉडल की सीखने की प्रभावशीलता और स्थिरता में अंतर्दृष्टि प्रदान करते हैं। यहां एक उदाहरण दिया गया है कि आप क्या देखने की उम्मीद कर सकते हैं।

(https://github.com/ultralytics/ultralytics/संपत्ति/25847604/f9228193-13e9-4768-9edf-8fa15ecd24fa)

TensorBoard में स्केलर की विशेषताएं

दर (lr) टैग**: ये टैग विभिन्न खंडों में सीखने की दर में भिन्नता दिखाते हैं (जैसे, pg0, pg1, pg2). यह हमें प्रशिक्षण प्रक्रिया पर सीखने की दर समायोजन के प्रभाव को समझने में मदद करता है।

ics टैग**: स्केलर में प्रदर्शन संकेतक शामिल हैं जैसे:

AP50 (B)': यूनियन (IoU) पर 50% चौराहे पर औसत औसत परिशुद्धता, वस्तु का पता लगाने की सटीकता का आकलन करने के लिए महत्वपूर्ण है।

AP50-95 (B)': औसत औसत परिशुद्धता की गणना IoU थ्रेसहोल्ड की एक सीमा पर की जाती है, जो सटीकता का अधिक व्यापक मूल्यांकन प्रदान करती है।

recision (B)': सही ढंग से अनुमानित सकारात्मक टिप्पणियों के अनुपात को इंगित करता है, भविष्यवाणी सटीकता को समझने की कुंजी।

ecall (B)': उन मॉडलों के लिए महत्वपूर्ण है जहां पता लगाना महत्वपूर्ण है, यह मीट्रिक सभी प्रासंगिक उदाहरणों का पता लगाने की क्षमता को मापता है।

विभिन्न मीट्रिक के बारे में अधिक जानें, प्रदर्शन मीट्रिक पर हमारी मार्गदर्शिका पढ़ें.

निंग और सत्यापन टैग (train, val)**: ये टैग विशेष रूप से प्रशिक्षण और सत्यापन डेटासेट के लिए मीट्रिक प्रदर्शित करते हैं, जिससे विभिन्न डेटा सेटों में मॉडल प्रदर्शन के तुलनात्मक विश्लेषण की अनुमति मिलती है।

निगरानी स्केलर का ऑर्टेंस

G स्केलर मेट्रिक्स फ़ाइन-ट्यूनिंग के लिए महत्वपूर्ण है YOLOv8 को गढ़ना। इन मीट्रिक में भिन्नताएं, जैसे कि हानि ग्राफ़ में स्पाइक्स या अनियमित पैटर्न, संभावित मुद्दों जैसे ओवरफिटिंग, अंडरफिटिंग, या अनुचित सीखने की दर सेटिंग्स को उजागर कर सकते हैं। इन अदिशों की बारीकी से निगरानी करके, आप प्रशिक्षण प्रक्रिया को अनुकूलित करने के लिए सूचित निर्णय ले सकते हैं, यह सुनिश्चित करते हुए कि मॉडल प्रभावी ढंग से सीखता है और वांछित प्रदर्शन प्राप्त करता है।

स्केलर और समय श्रृंखला के बीच

TensorBoard में th Scalars और Time Series का उपयोग ट्रैकिंग मेट्रिक्स के लिए किया जाता है, वे थोड़े अलग उद्देश्यों की पूर्ति करते हैं। स्केलर स्केलर मानों के रूप में हानि और सटीकता जैसे सरल मैट्रिक्स की साजिश रचने पर ध्यान केंद्रित करते हैं। वे एक उच्च-स्तरीय अवलोकन प्रदान करते हैं कि ये मीट्रिक प्रत्येक प्रशिक्षण युग के साथ कैसे बदलते हैं। जबकि, TensorBoard का समय-श्रृंखला अनुभाग विभिन्न मीट्रिक का अधिक विस्तृत समयरेखा दृश्य प्रदान करता है। यह समय के साथ मैट्रिक्स की प्रगति और रुझानों की निगरानी के लिए विशेष रूप से उपयोगी है, प्रशिक्षण प्रक्रिया की बारीकियों में गहरा गोता प्रदान करता है।

एच एस

TensorBoard का hs सेक्शन YOLOv8 मॉडल, यह दर्शाता है कि मॉडल के भीतर संचालन और डेटा कैसे प्रवाहित होता है। यह मॉडल की संरचना को समझने के लिए एक शक्तिशाली उपकरण है, यह सुनिश्चित करता है कि सभी परतें सही ढंग से जुड़ी हुई हैं, और डेटा प्रवाह में किसी भी संभावित बाधाओं की पहचान करने के लिए। यहां एक उदाहरण दिया गया है कि आप क्या देखने की उम्मीद कर सकते हैं।

(https://github.com/ultralytics/ultralytics/assets/25847604/039028e0-4ab3-4170-bfa8-f93ce483f615)

मॉडल को डीबग करने के लिए विशेष रूप से उपयोगी है, विशेष रूप से जटिल आर्किटेक्चर में जैसे गहन शिक्षण मॉडल में विशिष्ट YOLOv8. वे परत कनेक्शन और मॉडल के समग्र डिजाइन को सत्यापित करने में मदद करते हैं।

री

de का उद्देश्य आपको TensorBoard का उपयोग करने में मदद करना है YOLOv8 मशीन लर्निंग मॉडल प्रशिक्षण के दृश्य और विश्लेषण के लिए। यह समझाने पर केंद्रित है कि कैसे प्रमुख TensorBoard सुविधाएँ प्रशिक्षण मेट्रिक्स और मॉडल प्रदर्शन के दौरान अंतर्दृष्टि प्रदान कर सकती हैं YOLOv8 प्रशिक्षण सत्र।

इन विशेषताओं और प्रभावी उपयोग रणनीतियों का विस्तृत अन्वेषण, आप इसका उल्लेख कर सकते हैं TensorFlowआधिकारिक TensorBoard प्रलेखन और उनके GitHub भंडार।

के विभिन्न एकीकरणों के बारे में अधिक जानें Ultralytics? बाहर की जाँच करें Ultralytics एकीकरण गाइड पेज यह देखने के लिए कि अन्य रोमांचक क्षमताएं क्या खोजे जाने की प्रतीक्षा कर रही हैं!

अक्सर पूछे जाने वाले प्रश्न

क्या मैं एकीकृत करता हूं YOLOv8 वास्तविक समय दृश्य के लिए TensorBoard के साथ?

आईएनजी YOLOv8 TensorBoard के साथ मॉडल प्रशिक्षण के दौरान वास्तविक समय दृश्य अंतर्दृष्टि की अनुमति देता है। सबसे पहले, आवश्यक पैकेज स्थापित करें:

ple "स्थापना"

"CLI"

# Install the required package for YOLOv8 and Tensorboard
pip install ultralytics