Miglioramento del tracciamento e della visualizzazione degli esperimenti YOLO11 con Weights & Biases

I modelli di rilevamento degli oggetti come Ultralytics YOLO11 sono diventati parte integrante di molte applicazioni di computer vision. Tuttavia, l'addestramento, la valutazione e l'implementazione di questi modelli complessi introducono diverse sfide. Tracciare le metriche chiave dell'addestramento, confrontare le varianti del modello, analizzarne il comportamento e rilevare i problemi richiede una strumentazione significativa e la gestione degli esperimenti.

Guarda: Come utilizzare Ultralytics YOLO11 con Weights and Biases

Questa guida illustra l'integrazione di Ultralytics YOLO11 con Weights & Biases per migliorare il tracciamento degli esperimenti, il controllo dei modelli e la visualizzazione delle prestazioni dei modelli. Include anche le istruzioni per impostare l'integrazione, l'addestramento, la messa a punto e la visualizzazione dei risultati utilizzando le funzioni interattive di Weights & Biases.

Weights & Biases

Weights & Biases è una piattaforma MLOps all'avanguardia progettata per tracciare, visualizzare e gestire gli esperimenti di apprendimento automatico. Offre la registrazione automatica delle metriche di addestramento per la piena riproducibilità degli esperimenti, un'interfaccia utente interattiva per un'analisi semplificata dei dati e strumenti efficienti di gestione dei modelli da distribuire in vari ambienti.

YOLO11 Formazione con Weights & Biases

Potete usare Weights & Biases per portare efficienza e automazione al vostro processo di formazione YOLO11 .

Installazione

Per installare i pacchetti richiesti, eseguire:

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

Per istruzioni dettagliate e buone pratiche relative al processo di installazione, consultare la nostra guida all'installazione diYOLO11 . Durante l'installazione dei pacchetti necessari per YOLO11, se si incontrano difficoltà, consultare la nostra guida ai problemi comuni per trovare soluzioni e suggerimenti.

Configurazione Weights & Biases

Dopo aver installato i pacchetti necessari, il passo successivo è quello di configurare l'ambiente Weights & Biases . Questo include la creazione di un account Weights & Biases e l'ottenimento della chiave API necessaria per una connessione senza problemi tra l'ambiente di sviluppo e la piattaforma W&B.

Iniziate inizializzando l'ambiente Weights & Biases nel vostro spazio di lavoro. Per farlo, si può eseguire il seguente comando e seguire le istruzioni richieste.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="<API_KEY>")

# Initialize your Weights & Biases environment
wandb login <API_KEY>

Accedere alla pagina di autorizzazione Weights & Biases per creare e recuperare la propria chiave API. Utilizzare questa chiave per autenticare il proprio ambiente con W&B.

Utilizzo: Formazione YOLO11 con Weights & Biases

Prima di immergersi nelle istruzioni d'uso per l'addestramento al modello YOLO11 con Weights & Biases, assicuratevi di controllare la gamma di modelliYOLO11 offerti da Ultralytics. Questo vi aiuterà a scegliere il modello più adatto alle esigenze del vostro progetto.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

# Train a YOLO11 model with Weights & Biases
yolo train data=coco8.yaml epochs=5 project=ultralytics name=yolo11n

Argomenti W&B

# Enable Weights & Biases logging
wandb enabled

# Disable Weights & Biases logging
wandb disabled

Comprendere l'output

Eseguendo lo snippet di codice di cui sopra, ci si può aspettare i seguenti risultati chiave:

• L'impostazione di una nuova sessione con il suo ID univoco indica l'inizio del processo di formazione.
• Un riassunto conciso della struttura del modello, compreso il numero di strati e di parametri.
• Aggiornamenti regolari su metriche importanti come box loss, cls loss, dfl loss, precisione, recall e punteggi mAP durante ogni periodo di allenamento.
• Al termine dell'addestramento, vengono visualizzate le metriche dettagliate, tra cui la velocità di inferenza del modello e le metriche di accuratezza complessiva.
• Collegamenti al cruscotto Weights & Biases per un'analisi approfondita e la visualizzazione del processo di formazione, oltre a informazioni sulla posizione dei file di log locali.

Visualizzazione del cruscotto Weights & Biases

Dopo aver eseguito lo snippet di codice d'uso, è possibile accedere alla dashboard di Weights & Biases (W&B) attraverso il link fornito nell'output. Questa dashboard offre una visione completa del processo di addestramento del modello con YOLO11.

Caratteristiche principali del cruscotto Weights & Biases

• Tracciamento delle metriche in tempo reale: Osservate le metriche come la perdita, l'accuratezza e i punteggi di convalida mentre si evolvono durante l'addestramento, offrendo spunti immediati per la messa a punto del modello. Scoprite come vengono monitorati gli esperimenti utilizzando Weights & Biases.

• Ottimizzazione degli iperparametri: Weights & Biases aiuta a regolare con precisione parametri critici come il tasso di apprendimento, la dimensione del batch e altro ancora, migliorando le prestazioni di YOLO11.

• Analisi comparativa: La piattaforma consente di confrontare fianco a fianco diversi cicli di formazione, essenziali per valutare l'impatto di varie configurazioni del modello.

• Visualizzazione dei progressi dell'addestramento: Le rappresentazioni grafiche delle metriche chiave forniscono una comprensione intuitiva delle prestazioni del modello attraverso le epoche. Scoprite come Weights & Biases vi aiuta a visualizzare i risultati della convalida.

• Monitoraggio delle risorse: Tiene traccia di CPU, GPU e dell'utilizzo della memoria per ottimizzare l'efficienza del processo di formazione.

• Gestione degli artefatti del modello: Accesso e condivisione dei checkpoint del modello, per facilitare la distribuzione e la collaborazione.

• Visualizzazione dei risultati dell'inferenza con sovrapposizione di immagini: Visualizzate i risultati delle previsioni sulle immagini grazie alle sovrapposizioni interattive di Weights & Biases, che offrono una visione chiara e dettagliata delle prestazioni del modello sui dati del mondo reale. Per informazioni più dettagliate sulle funzionalità di Weights & Biases' image overlay, consultate questo link. Scoprite come Weights & Biases' image overlay aiuta a visualizzare le inferenze del modello.

Utilizzando queste funzioni, è possibile tracciare, analizzare e ottimizzare in modo efficace l'addestramento del modello YOLO11 , garantendo le migliori prestazioni ed efficienza possibili.

Sintesi

Questa guida ha permesso di esplorare l'integrazione di Ultralytics YOLO con Weights & Biases. Essa illustra la capacità di questa integrazione di tracciare e visualizzare in modo efficiente i risultati dell'addestramento e della predizione dei modelli.

Per ulteriori dettagli sull'uso, visitare Weights & Biases' documentazione ufficiale.

Inoltre, per saperne di più sulle diverse e interessanti integrazioni, consultate la pagina della guida alle integrazioni diUltralytics .

FAQ

Come si integra Weights & Biases con Ultralytics YOLO11 ?

Per integrare Weights & Biases con Ultralytics YOLO11 :

1. Installare i pacchetti necessari:

pip install -U ultralytics wandb

1. Accedere al proprio account Weights & Biases :

import wandb

wandb.login(key="<API_KEY>")

1. Addestrare il modello YOLO11 con la registrazione W&B abilitata:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

In questo modo le metriche, gli iperparametri e gli artefatti del modello saranno automaticamente registrati nel progetto W&B.

Quali sono le caratteristiche principali dell'integrazione di Weights & Biases con YOLO11?

Le caratteristiche principali includono:

• Monitoraggio delle metriche in tempo reale durante l'allenamento
• Strumenti di ottimizzazione degli iperparametri
• Analisi comparativa di diversi allenamenti
• Visualizzazione dei progressi della formazione attraverso i grafici
• Monitoraggio delle risorse (CPU, GPU, utilizzo della memoria)
• Gestione e condivisione degli artefatti del modello
• Visualizzazione dei risultati dell'inferenza con sovrapposizione di immagini

Queste funzioni aiutano a tracciare gli esperimenti, a ottimizzare i modelli e a collaborare in modo più efficace ai progetti di YOLO11 .

Come posso visualizzare la dashboard di Weights & Biases per la mia formazione YOLO11 ?

Dopo aver eseguito lo script di allenamento con l'integrazione di W&B:

1. Nell'output della console verrà fornito un link alla dashboard W&B.
2. Cliccate sul link o andate su wandb.ai e accedete al vostro account.
3. Navigare nel progetto per visualizzare metriche dettagliate, visualizzazioni e dati sulle prestazioni del modello.

La dashboard offre informazioni sul processo di formazione del modello, consentendo di analizzare e migliorare efficacemente i modelli di YOLO11 .

È possibile disabilitare la registrazione di Weights & Biases per la formazione di YOLO11 ?

Sì, è possibile disabilitare la registrazione di W&B utilizzando il seguente comando:

wandb disabled

Per riattivare la registrazione, utilizzare:

wandb enabled

Ciò consente di controllare quando si desidera utilizzare la registrazione W&B senza modificare gli script di formazione.

In che modo Weights & Biases aiuta a ottimizzare i modelli di YOLO11 ?

Weights & Biases aiuta a ottimizzare i modelli di YOLO11 :

1. Visualizzazione dettagliata delle metriche di formazione
2. Consente un facile confronto tra le diverse versioni del modello
3. Offerta di strumenti per la regolazione degli iperparametri
4. Consentire l'analisi collaborativa delle prestazioni del modello
5. Facilitare la condivisione degli artefatti e dei risultati del modello

Queste funzioni aiutano i ricercatori e gli sviluppatori a iterare più velocemente e a prendere decisioni basate sui dati per migliorare i loro modelli YOLO11 .

📅C reato 11 mesi fa ✏️ Aggiornato 1 mese fa

Commenti