Link to this sectionOttieni approfondimenti visivi con l'integrazione di YOLO26 con TensorBoard#

Comprendere e perfezionare modelli di computer vision come YOLO26 di Ultralytics diventa più semplice quando analizzi da vicino i loro processi di addestramento. La visualizzazione dell'addestramento del modello aiuta a ottenere informazioni sui pattern di apprendimento, le metriche di performance e il comportamento generale del modello. L'integrazione di YOLO26 con TensorBoard facilita questo processo di visualizzazione e analisi, consentendo aggiustamenti più efficienti e informati al modello.

Questa guida spiega come utilizzare TensorBoard con YOLO26. Imparerai a conoscere 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.

Link to this sectionTensorBoard#

TensorBoard training visualization dashboard

TensorBoard, il toolkit di visualizzazione di TensorFlow, è essenziale per la sperimentazione nel machine learning. TensorBoard offre una gamma di strumenti di visualizzazione, fondamentali per monitorare i modelli di machine learning. Questi strumenti includono il monitoraggio di metriche chiave come loss e accuratezza, la visualizzazione dei grafi del modello e la visualizzazione degli istogrammi di pesi e bias nel tempo. Offre inoltre funzionalità per proiettare embeddings in spazi a dimensione ridotta e visualizzare dati multimediali.

Link to this sectionAddestramento di YOLO26 con TensorBoard#

L'utilizzo di TensorBoard durante l'addestramento dei modelli YOLO26 è semplice e offre vantaggi significativi.

Link to this sectionInstallazione#

Per installare il pacchetto richiesto, esegui:

Installazione

# Install the required package for YOLO26 and Tensorboard
pip install ultralytics

TensorBoard è comodamente preinstallato con YOLO26, eliminando la necessità di configurazioni aggiuntive per scopi di visualizzazione.

Per istruzioni dettagliate e le migliori pratiche relative al processo di installazione, assicurati di controllare la nostra guida all'installazione di YOLO26. Durante l'installazione dei pacchetti richiesti per YOLO26, se incontri difficoltà, consulta la nostra guida ai problemi comuni per soluzioni e suggerimenti.

Link to this sectionConfigurazione di TensorBoard per Google Colab#

Quando utilizzi Google Colab, è importante configurare TensorBoard prima di avviare il codice di addestramento:

Configura TensorBoard per Google Colab

%load_ext tensorboard
%tensorboard --logdir path/to/runs

Link to this sectionUtilizzo#

Prima di immergerti nelle istruzioni per l'uso, assicurati di dare un'occhiata alla gamma di modelli YOLO26 offerti da Ultralytics. Questo ti aiuterà a scegliere il modello più appropriato per i requisiti del tuo progetto.

Abilita o disabilita TensorBoard

Per impostazione predefinita, la registrazione su TensorBoard è disabilitata. Puoi abilitare o disabilitare la registrazione utilizzando il comando yolo settings.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

Utilizzo

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

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

Eseguendo il frammento di codice di utilizzo sopra riportato, puoi aspettarti il seguente output:

TensorBoard: Start with 'tensorboard --logdir path_to_your_tensorboard_logs', view at localhost:6006

Questo output indica che TensorBoard sta monitorando attivamente la tua sessione di addestramento YOLO26. Puoi accedere alla dashboard di TensorBoard su localhost:6006 per visualizzare in tempo reale le metriche di addestramento e le prestazioni del modello. Per gli utenti che lavorano in Google Colab, TensorBoard verrà visualizzato nella stessa cella in cui hai eseguito i comandi di configurazione di TensorBoard.

Per ulteriori informazioni relative al processo di addestramento del modello, assicurati di consultare la nostra guida all'addestramento del modello YOLO26. Se sei interessato a saperne di più su logging, checkpoint, plotting e gestione dei file, leggi la nostra guida all'uso sulla configurazione.

Link to this sectionComprendere il tuo TensorBoard per l'addestramento di YOLO26#

Ora concentriamoci sulla comprensione delle varie funzionalità e componenti di TensorBoard nel contesto dell'addestramento di YOLO26. Le tre sezioni chiave di TensorBoard sono Time Series, Scalars e Graphs.

Link to this sectionTime Series#

La funzione Time Series in TensorBoard offre una prospettiva dinamica e dettagliata di varie metriche di addestramento nel tempo per i modelli YOLO26. Si concentra sulla progressione e sui trend delle metriche attraverso le epoche di addestramento. Ecco un esempio di cosa puoi aspettarti di vedere.

Visualizzazione delle metriche di addestramento time series di TensorBoard

Link to this sectionFunzionalità chiave di Time Series in TensorBoard#

Filtra tag e schede appuntate: Questa funzionalità consente agli utenti di filtrare metriche specifiche e appuntare schede per un confronto e un accesso rapidi. È particolarmente utile per concentrarsi su aspetti specifici del processo di addestramento.
Schede metriche dettagliate: Time Series divide le metriche in diverse categorie come learning rate (lr), metriche di addestramento (train) e validazione (val), ognuna rappresentata da singole schede.
Visualizzazione grafica: Ogni scheda nella sezione Time Series mostra un grafico dettagliato di una specifica metrica nel corso dell'addestramento. Questa rappresentazione visiva aiuta a identificare trend, pattern o anomalie nel processo di addestramento.
Analisi approfondita: Time Series fornisce un'analisi approfondita di ogni metrica. Ad esempio, vengono mostrati diversi segmenti del learning rate, offrendo approfondimenti su come gli aggiustamenti del learning rate influenzano la curva di apprendimento del modello.

Link to this sectionImportanza di Time Series nell'addestramento di YOLO26#

La sezione Time Series è essenziale per un'analisi approfondita dei progressi di addestramento del modello YOLO26. Ti consente di monitorare le metriche in tempo reale per identificare e risolvere tempestivamente i problemi. Offre anche una visione dettagliata della progressione di ogni metrica, fondamentale per perfezionare il modello e migliorarne le prestazioni.

Link to this sectionScalars#

Gli Scalars in TensorBoard sono cruciali per tracciare e analizzare metriche semplici come loss e accuratezza durante l'addestramento dei modelli YOLO26. Offrono una visione chiara e concisa di come queste metriche si evolvono con ogni epoca di addestramento, fornendo approfondimenti sull'efficacia e sulla stabilità dell'apprendimento del modello. Ecco un esempio di cosa puoi aspettarti di vedere.

Dashboard degli scalars di TensorBoard che mostra le metriche di addestramento YOLO

Link to this sectionFunzionalità chiave degli Scalars in TensorBoard#

Tag Learning Rate (lr): Questi tag mostrano le variazioni del learning rate in diversi segmenti (es. pg0, pg1, pg2). Questo ci aiuta a comprendere l'impatto degli aggiustamenti del learning rate sul processo di addestramento.
Tag metriche: Gli Scalars includono indicatori di performance come:
- mAP50 (B): Mean Average Precision al 50% di Intersection over Union (IoU), cruciale per valutare l'accuratezza del rilevamento di oggetti.
- mAP50-95 (B): Mean Average Precision calcolata su un intervallo di soglie IoU, offrendo una valutazione più completa dell'accuratezza.
- Precision (B): Indica il rapporto delle osservazioni positive previste correttamente, chiave per comprendere l'accuratezza delle previsioni.
- Recall (B): Importante per i modelli in cui mancare un rilevamento è significativo, questa metrica misura la capacità di rilevare tutte le istanze rilevanti.
- Per saperne di più sulle diverse metriche, leggi la nostra guida sulle metriche di performance.
Tag addestramento e validazione (train, val): Questi tag visualizzano le metriche specificamente per i dataset di addestramento e validazione, consentendo un'analisi comparativa delle prestazioni del modello su diversi set di dati.

Link to this sectionImportanza del monitoraggio degli Scalars#

Osservare le metriche scalari è fondamentale per perfezionare il modello YOLO26. Le variazioni in queste metriche, come picchi o pattern irregolari nei grafici di loss, possono evidenziare potenziali problemi come overfitting, underfitting o impostazioni del learning rate inappropriate. Monitorando attentamente questi scalari, puoi prendere decisioni informate per ottimizzare il processo di addestramento, assicurando che il modello apprenda in modo efficace e raggiunga le prestazioni desiderate.

Link to this sectionDifferenza tra Scalars e Time Series#

Sebbene sia Scalars che Time Series in TensorBoard siano utilizzati per tracciare le metriche, servono a scopi leggermente diversi. Gli Scalars si concentrano sulla rappresentazione grafica di metriche semplici come loss e accuratezza come valori scalari. Forniscono una panoramica di alto livello di come queste metriche cambiano con ogni epoca di addestramento. Nel frattempo, la sezione time-series di TensorBoard offre una visione temporale più dettagliata di varie metriche. È particolarmente utile per monitorare la progressione e i trend delle metriche nel tempo, fornendo un approfondimento sulle specifiche del processo di addestramento.

Link to this sectionGraphs#

La sezione Graphs di TensorBoard visualizza il grafo computazionale del modello YOLO26, mostrando come le operazioni e i dati fluiscono all'interno del modello. È uno strumento potente per comprendere la struttura del modello, assicurarsi che tutti i livelli siano collegati correttamente e identificare eventuali colli di bottiglia nel flusso di dati. Ecco un esempio di cosa puoi aspettarti di vedere.

Visualizzazione del grafo computazionale di TensorBoard per il modello YOLO

I grafi sono particolarmente utili per il debug del modello, specialmente in architetture complesse tipiche dei modelli di deep learning come YOLO26. Aiutano a verificare le connessioni dei livelli e il design generale del modello.

Link to this sectionRiepilogo#

Questa guida mira ad aiutarti a utilizzare TensorBoard con YOLO26 per la visualizzazione e l'analisi dell'addestramento dei modelli di machine learning. Si concentra sullo spiegare come le funzionalità chiave di TensorBoard possano fornire approfondimenti sulle metriche di addestramento e sulle prestazioni del modello durante le sessioni di addestramento di YOLO26.

Per un'esplorazione più dettagliata di queste funzionalità e strategie di utilizzo efficaci, puoi fare riferimento alla documentazione ufficiale di TensorBoard di TensorFlow e al loro repository GitHub.

Vuoi saperne di più sulle varie integrazioni di Ultralytics? Consulta la pagina della guida alle integrazioni di Ultralytics per vedere quali altre interessanti funzionalità ti aspettano!

Link to this sectionFAQ#

Link to this sectionQuali vantaggi offre l'utilizzo di TensorBoard con YOLO26?#

L'utilizzo di TensorBoard con YOLO26 fornisce diversi strumenti di visualizzazione essenziali per un addestramento efficiente del modello:

Monitoraggio delle metriche in tempo reale: Tieni traccia di metriche chiave come loss, accuratezza, precision e recall dal vivo.
Visualizzazione del grafo del modello: Comprendi ed esegui il debug dell'architettura del modello visualizzando i grafi computazionali.
Visualizzazione degli embedding: Proietta gli embedding in spazi a dimensione ridotta per una migliore comprensione.

Questi strumenti ti consentono 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.

Link to this sectionCome posso monitorare le metriche di addestramento utilizzando TensorBoard durante l'addestramento di un modello YOLO26?#

Per monitorare le metriche di addestramento durante l'addestramento di un modello YOLO26 con TensorBoard, segui questi passaggi:

Installa TensorBoard e YOLO26: Esegui pip install ultralytics che include TensorBoard.
Configura il logging di TensorBoard: Durante il processo di addestramento, YOLO26 registra le metriche in una directory di log specificata.
Avvia TensorBoard: Avvia TensorBoard utilizzando il comando tensorboard --logdir path/to/your/tensorboard/logs.

La dashboard di TensorBoard, accessibile su localhost:6006, fornisce approfondimenti in tempo reale su varie metriche di addestramento. Per un approfondimento sulle configurazioni di addestramento, visita la nostra guida alla configurazione di YOLO26.

Link to this sectionChe tipo di metriche posso visualizzare con TensorBoard durante l'addestramento dei modelli YOLO26?#

Durante l'addestramento dei modelli YOLO26, TensorBoard ti consente di visualizzare una serie di metriche importanti, tra cui:

Loss (Addestramento e Validazione): Indica quanto bene sta funzionando il modello durante l'addestramento e la validazione.
Accuratezza/Precision/Recall: Metriche di performance chiave per valutare l'accuratezza del rilevamento.
Learning Rate: Traccia le variazioni del learning rate per comprendere il suo impatto sulle dinamiche di addestramento.
mAP (mean Average Precision): Per una valutazione completa dell'accuratezza del rilevamento di oggetti a varie soglie IoU.

Queste visualizzazioni sono essenziali per monitorare le prestazioni del modello e apportare le ottimizzazioni necessarie. Per ulteriori informazioni su queste metriche, consulta la nostra guida alle metriche di performance.

Link to this sectionPosso utilizzare TensorBoard in un ambiente Google Colab per l'addestramento di YOLO26?#

Sì, puoi utilizzare TensorBoard in un ambiente Google Colab per addestrare i modelli YOLO26. Ecco una configurazione rapida: