के साथ मॉडल प्रशिक्षण Ultralytics YOLO

परिचय

एक गहन शिक्षण मॉडल को प्रशिक्षित करने में इसे डेटा खिलाना और इसके मापदंडों को समायोजित करना शामिल है ताकि यह सटीक भविष्यवाणियां कर सके। ट्रेन मोड में Ultralytics YOLOv8 ऑब्जेक्ट डिटेक्शन मॉडल के प्रभावी और कुशल प्रशिक्षण के लिए इंजीनियर है, जो आधुनिक हार्डवेयर क्षमताओं का पूरी तरह से उपयोग करता है। इस गाइड का उद्देश्य उन सभी विवरणों को कवर करना है जिन्हें आपको अपने स्वयं के मॉडल का उपयोग करके प्रशिक्षण के साथ आरंभ करने की आवश्यकता है YOLOv8सुविधाओं का मजबूत सेट।

सतर्कता: कैसे एक प्रशिक्षित करने के लिए YOLOv8 Google Colab में आपके कस्टम डेटासेट पर मॉडल।

क्यों चुनें Ultralytics YOLO प्रशिक्षण के लिए?

चुनने के लिए यहां कुछ सम्मोहक कारण दिए गए हैं YOLOv8ट्रेन मोड:

• दक्षता: अपने हार्डवेयर का अधिकतम लाभ उठाएं, चाहे आप सिंगल-जीपीयू सेटअप पर हों या कई जीपीयू में स्केलिंग कर रहे हों।
• बहुमुखी प्रतिभा: COCO, VOC और ImageNet जैसे आसानी से उपलब्ध डेटासेट के अलावा कस्टम डेटासेट पर ट्रेन करें।
• यूजर फ्रेंडली: सरल लेकिन शक्तिशाली CLI और Python एक सीधा प्रशिक्षण अनुभव के लिए इंटरफेस।
• हाइपरपैरामीटर लचीलापन: मॉडल प्रदर्शन को ठीक करने के लिए अनुकूलन योग्य हाइपरपैरामीटर की एक विस्तृत श्रृंखला।

ट्रेन मोड की मुख्य विशेषताएं

निम्नलिखित की कुछ उल्लेखनीय विशेषताएं हैं YOLOv8ट्रेन मोड:

• स्वचालित डेटासेट डाउनलोड: COCO, VOC और ImageNet जैसे मानक डेटासेट पहले उपयोग पर स्वचालित रूप से डाउनलोड हो जाते हैं।
• मल्टी-जीपीयू समर्थन: प्रक्रिया में तेजी लाने के लिए कई GPU में अपने प्रशिक्षण प्रयासों को मूल रूप से स्केल करें।
• हाइपरपैरामीटर कॉन्फ़िगरेशन: YAML कॉन्फ़िगरेशन फ़ाइलों के माध्यम से हाइपरपैरामीटर को संशोधित करने का विकल्प या CLI तर्क।
• विज़ुअलाइज़ेशन और मॉनिटरिंग: प्रशिक्षण मेट्रिक्स की वास्तविक समय ट्रैकिंग और बेहतर अंतर्दृष्टि के लिए सीखने की प्रक्रिया का दृश्य।

उपयोग के उदाहरण

रेलगाड़ी YOLOv8n छवि आकार 640 पर 100 युगों के लिए COCO8 डेटासेट पर। प्रशिक्षण उपकरण का उपयोग करके निर्दिष्ट किया जा सकता है device युक्ति। यदि कोई तर्क पारित नहीं किया जाता है GPU device=0 यदि उपलब्ध हो तो उपयोग किया जाएगा, अन्यथा device='cpu' का उपयोग किया जाएगा। प्रशिक्षण तर्कों की पूरी सूची के लिए नीचे तर्क अनुभाग देखें।

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.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=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.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=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

मल्टी-जीपीयू प्रशिक्षण

मल्टी-जीपीयू प्रशिक्षण कई जीपीयू में प्रशिक्षण भार वितरित करके उपलब्ध हार्डवेयर संसाधनों के अधिक कुशल उपयोग की अनुमति देता है। यह सुविधा दोनों के माध्यम से उपलब्ध है Python एपीआई और कमांड-लाइन इंटरफ़ेस। मल्टी-GPU प्रशिक्षण को सक्षम करने के लिए, उन GPU डिवाइस आईडी को निर्दिष्ट करें जिनका आप उपयोग करना चाहते हैं।

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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=yolov8n.pt epochs=100 imgsz=640 device=0,1

Apple M1 और M2 MPS प्रशिक्षण

Apple M1 और M2 चिप्स के समर्थन के साथ Ultralytics YOLO मॉडल, अब शक्तिशाली मेटल परफॉर्मेंस शेडर्स (एमपीएस) ढांचे का उपयोग करने वाले उपकरणों पर अपने मॉडल को प्रशिक्षित करना संभव है। एमपीएस ऐप्पल के कस्टम सिलिकॉन पर गणना और छवि प्रसंस्करण कार्यों को निष्पादित करने का एक उच्च-प्रदर्शन तरीका प्रदान करता है।

Apple M1 और M2 चिप्स पर प्रशिक्षण सक्षम करने के लिए, प्रशिक्षण प्रक्रिया शुरू करते समय आपको अपने डिवाइस के रूप में 'mps' निर्दिष्ट करना चाहिए। नीचे एक उदाहरण दिया गया है कि आप इसे कैसे कर सकते हैं Python और कमांड लाइन के माध्यम से:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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='mps')

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

M1/M2 चिप्स की कम्प्यूटेशनल शक्ति का लाभ उठाते हुए, यह प्रशिक्षण कार्यों के अधिक कुशल प्रसंस्करण को सक्षम बनाता है। अधिक विस्तृत मार्गदर्शन और उन्नत कॉन्फ़िगरेशन विकल्पों के लिए, कृपया देखें PyTorch एमपीएस प्रलेखन।

बाधित प्रशिक्षण फिर से शुरू करना

गहन शिक्षण मॉडल के साथ काम करते समय पहले से सहेजे गए राज्य से प्रशिक्षण फिर से शुरू करना एक महत्वपूर्ण विशेषता है। यह विभिन्न परिदृश्यों में काम आ सकता है, जैसे कि जब प्रशिक्षण प्रक्रिया अप्रत्याशित रूप से बाधित हो गई हो, या जब आप नए डेटा के साथ या अधिक युगों के लिए किसी मॉडल को प्रशिक्षण जारी रखना चाहते हों।

जब प्रशिक्षण फिर से शुरू किया जाता है, Ultralytics YOLO अंतिम सहेजे गए मॉडल से भार लोड करता है और ऑप्टिमाइज़र स्थिति, सीखने की दर अनुसूचक और युग संख्या को भी पुनर्स्थापित करता है। यह आपको प्रशिक्षण प्रक्रिया को मूल रूप से जारी रखने की अनुमति देता है जहां से इसे छोड़ा गया था।

आप आसानी से प्रशिक्षण फिर से शुरू कर सकते हैं Ultralytics YOLO सेट करके resume करने के लिए तर्क True कॉल करते समय train मेथड, और पथ निर्दिष्ट करना .pt आंशिक रूप से प्रशिक्षित मॉडल वजन वाली फ़ाइल।

नीचे एक उदाहरण दिया गया है कि कैसे एक बाधित प्रशिक्षण का उपयोग करके फिर से शुरू किया जाए Python और कमांड लाइन के माध्यम से:

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

सेट करके resume=Trueवही train फ़ंक्शन 'path/to/last.pt' फ़ाइल में संग्रहीत स्थिति का उपयोग करके जहां से छोड़ा गया था, वहीं से प्रशिक्षण जारी रखेगा। यदि resume तर्क छोड़ा गया है या Falseवही train समारोह एक नया प्रशिक्षण सत्र शुरू करेगा।

याद रखें कि चौकियों को डिफ़ॉल्ट रूप से प्रत्येक युग के अंत में या निश्चित अंतराल पर save_period तर्क, इसलिए आपको प्रशिक्षण चलाने को फिर से शुरू करने के लिए कम से कम 1 युग पूरा करना होगा।

ट्रेन सेटिंग्स

के लिए प्रशिक्षण सेटिंग्स YOLO मॉडल प्रशिक्षण प्रक्रिया के दौरान उपयोग किए जाने वाले विभिन्न हाइपरपैरामीटर और कॉन्फ़िगरेशन को शामिल करते हैं। ये सेटिंग्स मॉडल के प्रदर्शन, गति और सटीकता को प्रभावित करती हैं। प्रमुख प्रशिक्षण सेटिंग्स में बैच आकार, सीखने की दर, गति और वजन क्षय शामिल हैं। इसके अतिरिक्त, ऑप्टिमाइज़र, हानि फ़ंक्शन और प्रशिक्षण डेटासेट संरचना का विकल्प प्रशिक्षण प्रक्रिया को प्रभावित कर सकता है। प्रदर्शन को अनुकूलित करने के लिए इन सेटिंग्स के साथ सावधानीपूर्वक ट्यूनिंग और प्रयोग महत्वपूर्ण हैं।

वृद्धि सेटिंग्स और हाइपरपैरामीटर

मजबूती और प्रदर्शन में सुधार के लिए वृद्धि तकनीक आवश्यक हैं YOLO प्रशिक्षण डेटा में परिवर्तनशीलता पेश करके मॉडल, मॉडल को अनदेखी डेटा को बेहतर ढंग से सामान्यीकृत करने में मदद करता है। निम्न तालिका प्रत्येक वृद्धि तर्क के उद्देश्य और प्रभाव को रेखांकित करती है:

इन सेटिंग्स को डेटासेट की विशिष्ट आवश्यकताओं और हाथ में कार्य को पूरा करने के लिए समायोजित किया जा सकता है। विभिन्न मूल्यों के साथ प्रयोग करने से इष्टतम वृद्धि रणनीति खोजने में मदद मिल सकती है जो सर्वोत्तम मॉडल प्रदर्शन की ओर ले जाती है।

लॉगिंग

प्रशिक्षण में एक YOLOv8 मॉडल, आपको समय के साथ मॉडल के प्रदर्शन पर नज़र रखना मूल्यवान लग सकता है। यह वह जगह है जहाँ लॉगिंग खेल में आती है। Ultralytics' YOLO तीन प्रकार के लकड़हारे के लिए सहायता प्रदान करता है - Comet, ClearML, और टेंसरबोर्ड।

लॉगर का उपयोग करने के लिए, इसे ऊपर दिए गए कोड स्निपेट में ड्रॉपडाउन मेनू से चुनें और इसे चलाएं। चुने गए लॉगर को स्थापित और प्रारंभ किया जाएगा।

Comet

Comet एक ऐसा मंच है जो डेटा वैज्ञानिकों और डेवलपर्स को प्रयोगों और मॉडलों को ट्रैक करने, तुलना करने, समझाने और अनुकूलित करने की अनुमति देता है। यह रीयल-टाइम मेट्रिक्स, कोड डिफ्स और हाइपरपैरामीटर ट्रैकिंग जैसी कार्यक्षमता प्रदान करता है।

का उपयोग करना Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

अपने में साइन इन करना याद रखें Comet उनकी वेबसाइट पर खाता है और अपनी एपीआई कुंजी प्राप्त करें। अपने प्रयोगों को लॉग करने के लिए आपको इसे अपने परिवेश चर या अपनी स्क्रिप्ट में जोड़ना होगा.

ClearML

ClearML एक ओपन-सोर्स प्लेटफॉर्म है जो प्रयोगों की ट्रैकिंग को स्वचालित करता है और संसाधनों के कुशल साझाकरण में मदद करता है। यह टीमों को उनके एमएल कार्य को अधिक कुशलता से प्रबंधित करने, निष्पादित करने और पुन: पेश करने में मदद करने के लिए डिज़ाइन किया गया है।

का उपयोग करना ClearML:

# pip install clearml
import clearml

clearml.browser_login()

इस स्क्रिप्ट को चलाने के बाद, आपको अपने ClearML ब्राउज़र पर खाता और अपने सत्र को प्रमाणित करें।

टेंसरबोर्ड

TensorBoard के लिए एक विज़ुअलाइज़ेशन टूलकिट है TensorFlow. यह आपको अपनी कल्पना करने की अनुमति देता है TensorFlow ग्राफ़, अपने ग्राफ़ के निष्पादन के बारे में मात्रात्मक मीट्रिक प्लॉट करें, और इसके माध्यम से गुजरने वाली छवियों जैसे अतिरिक्त डेटा दिखाएं।

Google Colab में TensorBoard का उपयोग करने के लिए:

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

TensorBoard का स्थानीय रूप से उपयोग करने के लिए, नीचे दिए गए कमांड को चलाएं और http://localhost:6006/ पर परिणाम देखें।

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

यह TensorBoard को लोड करेगा और इसे उस निर्देशिका में निर्देशित करेगा जहां आपके प्रशिक्षण लॉग सहेजे गए हैं।

अपना लॉगर सेट करने के बाद, आप अपने मॉडल प्रशिक्षण के साथ आगे बढ़ सकते हैं। सभी प्रशिक्षण मीट्रिक स्वचालित रूप से आपके चुने हुए प्लेटफ़ॉर्म में लॉग इन हो जाएंगे, और आप समय के साथ अपने मॉडल के प्रदर्शन की निगरानी करने, विभिन्न मॉडलों की तुलना करने और सुधार के लिए क्षेत्रों की पहचान करने के लिए इन लॉग तक पहुंच सकते हैं।

टिप्पणियाँ