Monitoraggio e visualizzazione degli esperimenti YOLO con Weights & Biases#

I modelli di rilevamento degli oggetti come Ultralytics YOLO26 sono diventati parte integrante di molte applicazioni di visione artificiale. Tuttavia, l'addestramento, la valutazione e la distribuzione di questi modelli complessi comportano diverse sfide. Il monitoraggio delle metriche di addestramento principali, il confronto tra varianti del modello, l'analisi del comportamento del modello e il rilevamento dei problemi richiedono una strumentazione e una gestione degli esperimenti significative.

Questa guida illustra l'integrazione di Ultralytics YOLO26 con Weights & Biases per migliorare il monitoraggio degli esperimenti, la gestione dei checkpoint e la visualizzazione delle prestazioni del modello. Include inoltre le istruzioni per configurare l'integrazione, eseguire l'addestramento e visualizzare i risultati utilizzando le funzionalità interattive di Weights & Biases.

Weights & Biases#

Weights & Biases è una piattaforma MLOps all'avanguardia, progettata per monitorare, visualizzare e gestire gli esperimenti di machine learning. Offre la registrazione automatica delle metriche di addestramento per una completa riproducibilità degli esperimenti, un'interfaccia utente interattiva per semplificare l'analisi dei dati e strumenti efficienti per la gestione dei modelli e la loro distribuzione in vari ambienti.

Addestramento di YOLO26 con Weights & Biases#

Puoi utilizzare Weights & Biases per rendere più efficiente e automatizzato il processo di addestramento di YOLO26. L'integrazione consente di monitorare gli esperimenti, confrontare i modelli e prendere decisioni basate sui dati per migliorare i tuoi progetti di visione artificiale.

Installazione#

Per installare i pacchetti richiesti, esegui:

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

Per istruzioni dettagliate e best practice relative al processo di installazione, consulta la nostra guida all'installazione di YOLO26. Se durante l'installazione dei pacchetti richiesti per YOLO26 riscontri difficoltà, consulta la nostra guida ai problemi comuni per trovare soluzioni e suggerimenti.

Configurazione di Weights & Biases#

Dopo aver installato i pacchetti necessari, il passaggio successivo consiste nel configurare l'ambiente Weights & Biases. Ciò include la creazione di un account Weights & Biases e l'ottenimento della chiave API necessaria per una connessione fluida tra il tuo ambiente di sviluppo e la piattaforma W&B.

Inizia inizializzando l'ambiente Weights & Biases nel tuo spazio di lavoro. Puoi farlo eseguendo il comando seguente e seguendo le istruzioni visualizzate.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")

Visita la pagina di autorizzazione di Weights & Biases per creare e recuperare la tua chiave API. Utilizza questa chiave quando richiesto per autenticare il tuo ambiente con W&B.

Utilizzo: addestramento di YOLO26 con Weights & Biases#

Prima di passare alle istruzioni per l'utilizzo durante l'addestramento del modello YOLO26 con Weights & Biases, assicurati di consultare la gamma di modelli YOLO26 offerti da Ultralytics. Questo ti aiuterà a scegliere il modello più adatto ai requisiti del tuo progetto.

from ultralytics import YOLO

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

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Argomenti W&B#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Comprendere l'output#

Dopo aver eseguito lo snippet di codice di utilizzo precedente, puoi aspettarti i seguenti risultati principali:

• La configurazione di una nuova esecuzione con il relativo ID univoco, a indicare l'inizio del processo di addestramento.
• Un riepilogo conciso della struttura del modello, incluso il numero di livelli e parametri.
• Aggiornamenti regolari su metriche importanti come la perdita delle box, la perdita cls, la perdita della distanza delle box, la precisione, il recall e i punteggi mAP durante ogni epoca di addestramento.
• Al termine dell'addestramento vengono visualizzate metriche dettagliate, tra cui la velocità di inferenza del modello e le metriche complessive di accuratezza.
• Collegamenti alla dashboard di Weights & Biases per un'analisi e una visualizzazione approfondite del processo di addestramento, insieme alle informazioni sui percorsi dei file di log locali.

Visualizzazione della dashboard di Weights & Biases#

Dopo aver eseguito lo snippet di codice di utilizzo, puoi accedere alla dashboard di Weights & Biases (W&B) tramite il collegamento fornito nell'output. Questa dashboard offre una visione completa del processo di addestramento del tuo modello con YOLO26.

Funzionalità principali della dashboard di Weights & Biases#

• Monitoraggio delle metriche in tempo reale: osserva metriche come perdita, accuratezza e punteggi di convalida mentre evolvono durante l'addestramento, ottenendo informazioni immediate per la messa a punto del modello. Scopri come vengono monitorati gli esperimenti con Weights & Biases.

• Ottimizzazione degli iperparametri: Weights & Biases aiuta a mettere a punto parametri fondamentali come il learning rate, la dimensione del batch e altri, migliorando le prestazioni di YOLO26. Questo ti aiuta a trovare la configurazione ottimale per il tuo specifico dataset e compito.

• Analisi comparativa: la piattaforma consente di confrontare affiancate diverse esecuzioni di addestramento, elemento essenziale per valutare l'impatto delle varie configurazioni del modello e capire quali modifiche migliorano le prestazioni.

• Visualizzazione dell'avanzamento dell'addestramento: le rappresentazioni grafiche delle metriche principali forniscono una comprensione intuitiva delle prestazioni del modello nelle diverse epoche. Scopri come Weights & Biases ti aiuta a visualizzare i risultati della convalida.

• Monitoraggio delle risorse: tieni sotto controllo l'utilizzo di CPU, GPU e memoria per ottimizzare l'efficienza del processo di addestramento e identificare potenziali colli di bottiglia nel tuo flusso di lavoro.

• Gestione degli artefatti del modello: accedi ai checkpoint del modello e condividili, facilitando la distribuzione e la collaborazione con i membri del team su progetti complessi.

Utilizzando queste funzionalità, puoi monitorare, analizzare e ottimizzare efficacemente l'addestramento del tuo modello YOLO26, garantendo le migliori prestazioni ed efficienza possibili per le tue attività di rilevamento degli oggetti.

Riepilogo#

Questa guida ti ha aiutato a esplorare l'integrazione di Ultralytics YOLO con Weights & Biases. Illustra la capacità di questa integrazione di monitorare e visualizzare in modo efficiente i risultati dell'addestramento e delle predizioni del modello. Sfruttando le potenti funzionalità di W&B, puoi semplificare il tuo flusso di lavoro di machine learning, prendere decisioni basate sui dati e migliorare le prestazioni del tuo modello.

Per ulteriori dettagli sull'utilizzo, consulta la documentazione ufficiale di Weights & Biases oppure esplora la presentazione di Soumik Rakshit su questa integrazione, tenuta durante YOLO VISION 2023.

Assicurati inoltre di consultare la pagina della guida alle integrazioni di Ultralytics per scoprire altre interessanti integrazioni, come MLflow e Comet ML.

FAQ#