Ottieni informazioni visive con l'integrazione di YOLO26 con TensorBoard#

Comprendere e ottimizzare i modelli di visione artificiale come YOLO26 di Ultralytics diventa più semplice se esamini da vicino i processi di addestramento. La visualizzazione dell'addestramento del modello aiuta a comprendere i pattern di apprendimento, le metriche delle prestazioni e il comportamento generale del modello. L'integrazione di YOLO26 con TensorBoard semplifica la visualizzazione e l'analisi e consente di apportare modifiche al modello in modo più efficiente e consapevole.

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 essenziale per la sperimentazione nel machine learning. TensorBoard offre una serie di strumenti di visualizzazione fondamentali per monitorare i modelli di machine learning. Questi strumenti includono il monitoraggio di metriche chiave come la loss e la precisione, la visualizzazione dei grafi del modello e la consultazione degli istogrammi di pesi e bias nel tempo. Offre inoltre funzionalità per proiettare gli embedding in spazi a dimensionalità inferiore e 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 tensorboard

TensorBoard 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, è importante configurare TensorBoard prima di avviare il codice di addestramento:

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

Utilizzo#

Prima di approfondire le istruzioni per l'uso, dai un'occhiata alla gamma di modelli YOLO26 offerti da Ultralytics. Ti aiuterà a scegliere il modello più adatto ai requisiti del tuo progetto.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

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)

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 verrà 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#

Ora concentriamoci sulle varie funzionalità e sui componenti di TensorBoard nel contesto 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 panoramica dinamica e dettagliata delle diverse metriche di addestramento dei modelli YOLO26 nel tempo. Si concentra sull'evoluzione e sulle tendenze delle metriche nel corso delle epoche 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#

Gli scalari di TensorBoard sono fondamentali per tracciare e analizzare metriche semplici, come la loss e la precisione, durante l'addestramento dei modelli YOLO26. Offrono una visione chiara e concisa dell'evoluzione di queste metriche a ogni epoca di addestramento, fornendo informazioni sull'efficacia e sulla 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 es., lr/pg0, lr/pg1, lr/pg2). Questo ci aiuta 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): Media della precisione media al 50% di intersezione sull'unione (IoU), fondamentale per valutare l'accuratezza del rilevamento degli oggetti.

  • metrics/mAP50-95(B): Precisione media calcolata su un intervallo di soglie IoU, che offre una valutazione più completa dell'accuratezza.

  • metrics/precision(B): indica la proporzione di osservazioni positive previste correttamente, essenziale per comprendere l'accuratezza delle previsioni.

  • metrics/recall(B): importante per i modelli in cui mancare un rilevamento è significativo, questa metrica 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 Grafici di TensorBoard visualizza il grafo computazionale del modello YOLO26, mostrando il flusso delle operazioni e dei dati all'interno del modello. È uno strumento potente per comprendere la struttura del modello, verificare che tutti i livelli siano collegati correttamente e individuare potenziali 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.

Vuoi saperne di più sulle varie integrazioni di Ultralytics? Consulta la pagina della guida alle integrazioni di Ultralytics per scoprire quali altre interessanti funzionalità puoi esplorare!

Domande frequenti#