Tracciamento e visualizzazione degli esperimenti YOLO con Weights & Biases

I modelli di rilevamento oggetti come Ultralytics YOLO26 sono diventati parte integrante di molte applicazioni di computer vision. Tuttavia, l'addestramento, la valutazione e la distribuzione di questi modelli complessi introducono diverse sfide. Tracciare le metriche chiave di addestramento, confrontare le varianti del modello, analizzare il comportamento del modello e rilevare i problemi richiede una notevole attività di strumentazione e gestione degli esperimenti.

Questa guida illustra l'integrazione di Ultralytics YOLO26 con Weights & Biases per un migliore tracciamento degli esperimenti, il salvataggio dei checkpoint del modello e la visualizzazione delle prestazioni. Include inoltre le istruzioni per configurare l'integrazione, addestrare, perfezionare (fine-tuning) e visualizzare i risultati utilizzando le funzionalità interattive di Weights & Biases.

Weights & Biases

Weights & Biases è una piattaforma MLOps all'avanguardia progettata per tracciare, visualizzare e gestire esperimenti di machine learning. È dotata di logging automatico delle metriche di addestramento per una completa riproducibilità degli esperimenti, un'interfaccia utente interattiva per un'analisi semplificata dei dati e strumenti efficienti di gestione dei modelli per la distribuzione in vari ambienti.

Addestramento YOLO26 con Weights & Biases

Puoi utilizzare Weights & Biases per portare efficienza e automazione nel tuo processo di addestramento YOLO26. L'integrazione ti consente di tracciare esperimenti, confrontare modelli e prendere decisioni basate sui dati per migliorare i tuoi progetti di computer vision.

Installazione

Per installare i pacchetti necessari, 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 le migliori pratiche relative al processo di installazione, assicurati di consultare la nostra guida all'installazione di YOLO26. Se riscontri difficoltà durante l'installazione dei pacchetti richiesti per YOLO26, consulta la nostra guida ai problemi comuni per soluzioni e suggerimenti.

Configurazione di Weights & Biases

Dopo aver installato i pacchetti necessari, il passo successivo è impostare il tuo 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 fornite.

import wandb

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

Vai alla 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 immergerti nelle istruzioni di utilizzo per l'addestramento del modello YOLO26 con Weights & Biases, assicurati di controllare la gamma di modelli YOLO26 offerti da Ultralytics. Questo ti aiuterà a scegliere il modello più appropriato per i 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 sopra riportato, puoi aspettarti i seguenti risultati chiave:

• La configurazione di una nuova esecuzione con il suo ID univoco, che indica l'inizio del processo di addestramento.
• Un riepilogo conciso della struttura del modello, inclusi il numero di livelli e i parametri.
• Aggiornamenti regolari su metriche importanti come box loss, cls loss, dfl loss, precision, recall e 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 di accuratezza complessiva.
• Link alla dashboard di Weights & Biases per un'analisi e una visualizzazione approfondite del processo di addestramento, insieme alle informazioni sulle posizioni 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 link fornito nell'output. Questa dashboard offre una visione completa del processo di addestramento del tuo modello con YOLO26.

Caratteristiche principali della dashboard di Weights & Biases

• Tracciamento delle metriche in tempo reale: Osserva metriche come perdita, accuratezza e punteggi di convalida man mano che evolvono durante l'addestramento, offrendo informazioni immediate per la messa a punto del modello. Guarda come vengono tracciati gli esperimenti utilizzando Weights & Biases.

• Ottimizzazione degli iperparametri: Weights & Biases aiuta a perfezionare parametri critici come learning rate, batch size e altro, migliorando le prestazioni di YOLO26. Questo ti aiuta a trovare la configurazione ottimale per il tuo set di dati e compito specifici.

• Analisi comparativa: La piattaforma consente confronti affiancati di diverse esecuzioni di addestramento, essenziali per valutare l'impatto di varie configurazioni del modello e capire quali modifiche migliorano le prestazioni.

• Visualizzazione dell'avanzamento dell'addestramento: Le rappresentazioni grafiche delle metriche chiave forniscono una comprensione intuitiva delle prestazioni del modello attraverso le epoche. Guarda come Weights & Biases ti aiuta a visualizzare i risultati di convalida.

• Monitoraggio delle risorse: Tieni traccia dell'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 e condividi i checkpoint del modello, facilitando la distribuzione semplice e la collaborazione con i membri del team su progetti complessi.

• Visualizzazione dei risultati di inferenza con sovrapposizione delle immagini: Visualizza i risultati della previsione sulle immagini utilizzando sovrapposizioni interattive in Weights & Biases, fornendo una visione chiara e dettagliata delle prestazioni del modello su dati reali. Per informazioni più dettagliate, consulta le capacità di sovrapposizione delle immagini di Weights & Biases.

Utilizzando queste funzionalità, puoi tracciare, analizzare e ottimizzare efficacemente l'addestramento del tuo modello YOLO26, garantendo le migliori prestazioni ed efficienza possibili per i tuoi compiti di rilevamento oggetti.

Riepilogo

Questa guida ti ha aiutato a esplorare l'integrazione di Ultralytics YOLO con Weights & Biases. Illustra la capacità di questa integrazione di tracciare e visualizzare in modo efficiente i risultati di addestramento e previsione 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, visita la documentazione ufficiale di Weights & Biases o esplora la presentazione di Soumik Rakshit da YOLO VISION 2023 su questa integrazione.

Inoltre, assicurati di controllare la pagina della guida all'integrazione di Ultralytics per saperne di più su diverse interessanti integrazioni come MLflow e Comet ML.

FAQ

Come integro Weights & Biases con Ultralytics YOLO26?

Per integrare Weights & Biases con Ultralytics YOLO26:

1. Installa i pacchetti richiesti:

   pip install -U ultralytics wandb
   yolo settings wandb=True

2. Accedi al tuo account Weights & Biases:

   import wandb
   
   wandb.login(key="YOUR_API_KEY")

3. Addestra il tuo modello YOLO26 con il logging di W&B abilitato:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Questo registrerà automaticamente metriche, iperparametri e artefatti del modello nel tuo progetto W&B.

Quali sono le caratteristiche principali dell'integrazione di Weights & Biases con YOLO26?

Le caratteristiche principali includono:

• Tracciamento delle metriche in tempo reale durante l'addestramento
• Strumenti di ottimizzazione degli iperparametri
• Analisi comparativa di diverse esecuzioni di addestramento
• Visualizzazione dell'avanzamento dell'addestramento tramite grafici
• Monitoraggio delle risorse (utilizzo di CPU, GPU, memoria)
• Gestione e condivisione degli artefatti del modello
• Visualizzazione dei risultati di inferenza con sovrapposizioni delle immagini

Queste funzionalità aiutano a tracciare esperimenti, ottimizzare modelli e collaborare in modo più efficace sui progetti YOLO26.

Come posso visualizzare la dashboard di Weights & Biases per il mio addestramento YOLO26?

Dopo aver eseguito il tuo script di addestramento con l'integrazione W&B:

1. Un link alla tua dashboard W&B verrà fornito nell'output della console.
2. Fai clic sul link o vai su wandb.ai e accedi al tuo account.
3. Vai al tuo progetto per visualizzare metriche dettagliate, visualizzazioni e dati sulle prestazioni del modello.

La dashboard offre approfondimenti sul processo di addestramento del tuo modello, consentendoti di analizzare e migliorare i tuoi modelli YOLO26 in modo efficace.

Posso disabilitare il logging di Weights & Biases per l'addestramento YOLO26?

Sì, puoi disabilitare il logging di W&B utilizzando il seguente comando:

yolo settings wandb=False

Per riabilitare il logging, usa:

yolo settings wandb=True

Questo ti consente di controllare quando vuoi utilizzare il logging W&B senza modificare i tuoi script di addestramento.

In che modo Weights & Biases aiuta a ottimizzare i modelli YOLO26?

Weights & Biases aiuta a ottimizzare i modelli YOLO26:

1. Fornendo visualizzazioni dettagliate delle metriche di addestramento
2. Abilitando un facile confronto tra diverse versioni del modello
3. Offrendo strumenti per la regolazione degli iperparametri
4. Consentendo un'analisi collaborativa delle prestazioni del modello
5. Facilitando una facile condivisione di artefatti e risultati del modello

Queste funzionalità aiutano ricercatori e sviluppatori a iterare più velocemente e a prendere decisioni basate sui dati per migliorare i loro modelli YOLO26.