Ottieni informazioni visive con l'integrazione di YOLO26 con TensorBoard
Comprendere e ottimizzare i modelli di visione artificiale, come Ultralytics YOLO26, diventa più semplice esaminando da vicino i processi di addestramento. La visualizzazione dell'addestramento dei modelli aiuta a comprendere i pattern di apprendimento, le metriche di prestazione e il comportamento complessivo del modello. L'integrazione di YOLO26 con TensorBoard semplifica la visualizzazione e l'analisi e consente di apportare al modello modifiche più efficaci e consapevoli.
Questa guida spiega come usare TensorBoard con YOLO26. Scoprirai varie visualizzazioni, dal monitoraggio delle metriche all'analisi dei grafi del modello. Questi strumenti ti aiuteranno a comprendere meglio le prestazioni del tuo modello YOLO26.
TensorBoard#
TensorBoard, il toolkit di visualizzazione di TensorFlow, è ampiamente utilizzato per la sperimentazione nel campo del machine learning. TensorBoard offre una serie di strumenti di visualizzazione per monitorare i modelli di machine learning. Questi strumenti consentono di tenere traccia di metriche chiave come loss e accuratezza, visualizzare i grafi dei modelli e osservare nel tempo gli istogrammi di pesi e bias. Inoltre, permette di proiettare gli embedding in spazi a dimensionalità ridotta e di visualizzare dati multimediali.
Addestramento di YOLO26 con TensorBoard#
Usare TensorBoard durante l'addestramento dei modelli YOLO26 è semplice e offre vantaggi significativi.
Installazione#
Per installare il pacchetto richiesto, esegui:
# Install YOLO26 and TensorBoard
pip install ultralytics tensorboardTensorBoard è una dipendenza facoltativa. Dopo l'installazione, abilita una volta il callback con yolo settings tensorboard=True; l'impostazione verrà mantenuta per le sessioni di addestramento successive.
Per istruzioni dettagliate e procedure consigliate per l'installazione, consulta la guida all'installazione di YOLO26. Se durante l'installazione dei pacchetti necessari per YOLO26 riscontri difficoltà, consulta la guida ai problemi comuni per trovare soluzioni e suggerimenti.
Configurare TensorBoard per Google Colab#
Quando usi Google Colab, configura TensorBoard prima di avviare il codice di addestramento:
%load_ext tensorboard
%tensorboard --logdir path/to/runsUtilizzo#
Per impostazione predefinita, la registrazione di TensorBoard è disabilitata. Puoi abilitarla o disabilitarla usando il comando yolo settings.
# Enable TensorBoard logging
yolo settings tensorboard=True
# Disable TensorBoard logging
yolo settings tensorboard=Falsefrom ultralytics import YOLO
# Carica un modello preaddestrato
model = YOLO("yolo26n.pt")
# Addestra il modello
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Eseguendo lo snippet di codice d'uso qui sopra, puoi aspettarti il seguente output:
TensorBoard: Start with 'tensorboard --logdir runs/detect/train', view at http://localhost:6006/Questo output indica che TensorBoard sta monitorando attivamente la sessione di addestramento di YOLO26. Puoi accedere alla dashboard di TensorBoard all'indirizzo localhost:6006 per visualizzare le metriche di addestramento in tempo reale e le prestazioni del modello. Se lavori in Google Colab, TensorBoard viene visualizzato nella stessa cella in cui hai eseguito i comandi di configurazione di TensorBoard.
Per ulteriori informazioni sul processo di addestramento del modello, consulta la nostra guida all'addestramento dei modelli YOLO26. Se vuoi approfondire la registrazione, i checkpoint, i grafici e la gestione dei file, leggi la nostra guida all'uso della configurazione.
Comprendere TensorBoard per l'addestramento di YOLO26#
Questa sezione illustra le principali funzionalità e i componenti di TensorBoard nell'ambito dell'addestramento di YOLO26. Le tre sezioni principali di TensorBoard sono Serie temporali, Scalari e Grafi.
Serie temporali#
La funzionalità Serie temporali di TensorBoard offre una visione dinamica e dettagliata delle varie metriche di addestramento dei modelli YOLO26 nel tempo. Si concentra sull'andamento e sulle tendenze delle metriche nei diversi cicli di addestramento. Ecco un esempio di ciò che puoi aspettarti di vedere.

Funzionalità principali delle serie temporali in TensorBoard#
-
Filtrare i tag e fissare le schede: questa funzionalità consente agli utenti di filtrare metriche specifiche e fissare le schede per confrontarle e consultarle rapidamente. È particolarmente utile per concentrarsi su aspetti specifici del processo di addestramento.
-
Schede metriche dettagliate: la sezione Serie temporali suddivide le metriche in diverse categorie, come quelle del tasso di apprendimento (lr), di addestramento (train) e di convalida (val), ciascuna rappresentata da una scheda dedicata.
-
Visualizzazione grafica: ogni scheda della sezione Serie temporali mostra il grafico dettagliato di una metrica specifica durante l'addestramento. Questa rappresentazione visiva aiuta a individuare tendenze, pattern o anomalie nel processo di addestramento.
-
Analisi approfondita: Serie temporali offre un'analisi approfondita di ogni metrica. Ad esempio, mostra i diversi segmenti del tasso di apprendimento, fornendo informazioni su come le modifiche al tasso di apprendimento influenzano la curva di apprendimento del modello.
Importanza delle serie temporali nell'addestramento di YOLO26#
La sezione Serie temporali è essenziale per analizzare a fondo i progressi dell'addestramento del modello YOLO26. Ti consente di monitorare le metriche in tempo reale, così da individuare e risolvere tempestivamente eventuali problemi. Offre inoltre una visualizzazione dettagliata dell'evoluzione di ogni metrica, fondamentale per ottimizzare il modello e migliorarne le prestazioni.
Scalari#
In TensorBoard, gli scalari servono a tracciare e analizzare metriche semplici, come loss e accuratezza, durante l'addestramento dei modelli YOLO26. Offrono una visualizzazione chiara e concisa dell'evoluzione di queste metriche a ogni epoca di addestramento e forniscono informazioni sull'efficacia e la stabilità dell'apprendimento del modello. Ecco un esempio di ciò che puoi aspettarti di vedere.

Caratteristiche principali degli scalari in TensorBoard#
-
Tag del tasso di apprendimento (lr): questi tag mostrano le variazioni del tasso di apprendimento nei diversi segmenti (ad esempio,
lr/pg0,lr/pg1,lr/pg2). Ti aiutano a comprendere l'impatto delle modifiche al tasso di apprendimento sul processo di addestramento. -
Tag delle metriche: gli scalari includono indicatori di prestazioni come:
-
metrics/mAP50(B): Precisione media media al 50% di intersezione sull'unione (IoU), fondamentale per valutare l'accuratezza del rilevamento degli oggetti. -
metrics/mAP50-95(B): precisione media media calcolata su una serie di soglie IoU, per una valutazione più completa dell'accuratezza. -
metrics/precision(B): la precisione dei rilevamenti, ovvero la frazione di previsioni positive corrette. -
metrics/recall(B): importante per i modelli in cui non rilevare un elemento ha conseguenze costose, la copertura misura la capacità di rilevare tutte le istanze pertinenti. -
Per saperne di più sulle diverse metriche, leggi la nostra guida alle metriche di prestazione.
-
-
Tag di addestramento e convalida (
train,val): questi tag mostrano metriche specifiche per i set di dati di addestramento e convalida, consentendo un'analisi comparativa delle prestazioni del modello sui diversi set di dati.
Importanza del monitoraggio degli scalari#
Osservare le metriche scalari è fondamentale per ottimizzare il modello YOLO26. Le variazioni di queste metriche, come picchi o andamenti irregolari nei grafici della loss, possono evidenziare potenziali problemi come overfitting, underfitting o impostazioni inadeguate del tasso di apprendimento. Monitorando attentamente questi scalari, puoi prendere decisioni informate per ottimizzare il processo di addestramento, assicurandoti che il modello apprenda in modo efficace e raggiunga le prestazioni desiderate.
Differenza tra scalari e serie temporali#
Sebbene sia gli scalari sia le serie temporali di TensorBoard vengano usati per monitorare le metriche, hanno funzioni leggermente diverse. Gli scalari si concentrano sulla rappresentazione di metriche semplici, come la loss e l'accuratezza, sotto forma di valori scalari. Forniscono una panoramica di alto livello delle variazioni di queste metriche a ogni epoca di addestramento. La sezione delle serie temporali di TensorBoard offre invece una visualizzazione cronologica più dettagliata delle diverse metriche. È particolarmente utile per monitorare l'evoluzione e le tendenze delle metriche nel tempo, consentendo di approfondire gli aspetti specifici del processo di addestramento.
Grafici#
La sezione Grafi di TensorBoard visualizza il grafo computazionale del modello YOLO26 e mostra il flusso delle operazioni e dei dati al suo interno. Aiuta a comprendere la struttura del modello, a verificare che tutti i livelli siano collegati correttamente e a individuare eventuali colli di bottiglia nel flusso dei dati. Ecco un esempio di ciò che puoi aspettarti di vedere.

I grafici sono particolarmente utili per il debug del modello, soprattutto nelle architetture complesse tipiche dei modelli di deep learning come YOLO26. Aiutano a verificare i collegamenti tra i livelli e la struttura complessiva del modello.
Riepilogo#
Questa guida ti aiuta a usare TensorBoard con YOLO26 per visualizzare e analizzare l'addestramento dei modelli di machine learning. Spiega come le funzionalità principali di TensorBoard possono fornire informazioni sulle metriche di addestramento e sulle prestazioni del modello durante le sessioni di addestramento di YOLO26.
Per approfondire queste funzionalità e le strategie per utilizzarle efficacemente, puoi consultare la documentazione ufficiale di TensorBoard di TensorFlow e il relativo repository GitHub.
Domande frequenti#
L'uso di TensorBoard con YOLO26 mette a disposizione diversi strumenti di visualizzazione essenziali per addestrare i modelli in modo efficiente:
- Monitoraggio delle metriche in tempo reale: monitora in tempo reale metriche chiave come loss, accuratezza, precisione e richiamo.
- Visualizzazione del grafo del modello: comprendi ed esegui il debug dell'architettura del modello visualizzando i grafi computazionali.
Questi strumenti ti permettono di apportare modifiche informate per migliorare le prestazioni del tuo modello YOLO26. Per maggiori dettagli sulle funzionalità di TensorBoard, consulta la guida a TensorBoard di TensorFlow.
Per monitorare le metriche durante l'addestramento di un modello YOLO26 con TensorBoard, segui questi passaggi:
- Installa TensorBoard e YOLO26: esegui
pip install ultralytics tensorboard. - Abilita la registrazione di TensorBoard: esegui
yolo settings tensorboard=True. Durante l'addestramento, YOLO26 scrive le metriche nella directory dell'esecuzione. - Avvia TensorBoard: avvia TensorBoard con
tensorboard --logdir path/to/runs, indicandogli la directory dell'esecuzione di addestramento (ad es.,runs/detect/train).
La dashboard di TensorBoard, disponibile all'indirizzo
localhost:6006, fornisce informazioni in tempo reale su diverse metriche di addestramento. Per approfondire le configurazioni di addestramento, visita la nostra guida alla configurazione di YOLO26.- Installa TensorBoard e YOLO26: esegui
Durante l'addestramento dei modelli YOLO26, TensorBoard ti permette di visualizzare un'ampia gamma di metriche importanti, tra cui:
- Loss (addestramento e convalida): indica le prestazioni del modello durante l'addestramento e la convalida.
- Accuratezza/precisione/copertura: metriche chiave per valutare l'accuratezza del rilevamento.
- Tasso di apprendimento: monitora le variazioni del tasso di apprendimento per comprenderne l'impatto sulle dinamiche di addestramento.
- mAP (precisione media): consente una valutazione completa dell'accuratezza del rilevamento degli oggetti a diverse soglie IoU.
Queste visualizzazioni sono essenziali per monitorare le prestazioni del modello e apportare le ottimizzazioni necessarie. Per maggiori informazioni su queste metriche, consulta la nostra guida alle metriche di prestazione.
Sì, puoi usare TensorBoard in un ambiente Google Colab per addestrare i modelli YOLO26. Ecco una rapida configurazione:
Configurare TensorBoard per Google Colab%load_ext tensorboard %tensorboard --logdir path/to/runsPoi esegui lo script di addestramento di YOLO26:
from ultralytics import YOLO # Carica un modello preaddestrato model = YOLO("yolo26n.pt") # Addestra il modello results = model.train(data="coco8.yaml", epochs=100, imgsz=640)TensorBoard visualizzerà l'avanzamento dell'addestramento in Colab, fornendo informazioni in tempo reale su metriche come loss e accuratezza.
Commenti6
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.
HoseinHashemi
I found enabling
tensorboardfrom within the YOLO training script more comfortable reducing CLI commands.from ultralytics import settings settings.update({"tensorboard": True})
Glenn JocherUltralyticsYes, that’s supported—
settings.update({"tensorboard": True})is a nice way to enable logging from Python (it persists in your Ultralytics settings across runs), and you can disable it later withsettings.update({"tensorboard": False}); details on where logs are written and how to view them are in the TensorBoard integration guide (feel free to drop any follow-up questions here so the team can see them).
ruslanraupoff
How to forward Tensorboard IP from Docker? Is it possible to use a yolo cli?
Glenn JocherUltralytics(modificato)@ruslanraupoff to forward TensorBoard from Docker, map the port using
-p 6006:6006when running your container and start TensorBoard withtensorboard --logdir /path/to/runs. Yes, you can use YOLO CLI for training; enable TensorBoard logging once withyolo settings tensorboard=Trueand the logs are saved in the run directory underruns/for TensorBoard visualization. See our Docker Quickstart for setup details.1
lauravchrobak
It looks like the Usage code isn't complete. Looks like the first row is cut off?
Glenn JocherUltralytics(modificato)@lauravchrobak hi there!
Thank you for pointing that out. It seems like the code snippet got truncated. Here's the complete usage example for integrating YOLO26 with TensorBoard. First enable the setting once:
yolo settings tensorboard=Truefrom ultralytics import YOLO # Load a pre-trained model model = YOLO("yolo26n.pt") # Train the model results = model.train(data="coco8.yaml", epochs=100, imgsz=640)After starting the training code, start TensorBoard on the run directory printed in the log to visualize the training metrics:
tensorboard --logdir runs/detect/trainYou can then access the TensorBoard dashboard at http://localhost:6006/ to monitor your training progress in real-time.
For more detailed guidance, you can visit our TensorBoard integration documentation.
If you encounter any issues, please ensure you are using the latest version of the Ultralytics package. If the problem persists, providing a minimum reproducible example would be very helpful. You can find more information on how to create one here.
Happy training! 🚀