Monitoraggio e visualizzazione degli esperimenti YOLO con Weights & Biases

I modelli di object detection come Ultralytics YOLO11 sono diventati parte integrante di molte applicazioni di computer vision. Tuttavia, l'addestramento, la valutazione e il deployment di questi modelli complessi introducono diverse sfide. Il tracciamento delle metriche chiave di addestramento, il confronto delle varianti del modello, l'analisi del comportamento del modello e il rilevamento dei problemi richiedono una strumentazione significativa e la gestione degli esperimenti.

Guarda: Come utilizzare Ultralytics YOLO11 con Weights and Biases

Questa guida mostra l'integrazione di Ultralytics YOLO11 con Weights & Biases per un tracciamento avanzato degli esperimenti, il checkpointing del modello e la visualizzazione delle prestazioni del modello. Include anche istruzioni per la configurazione dell'integrazione, l'addestramento, la messa a punto e la visualizzazione dei risultati utilizzando le funzionalità interattive di Weights & Biases.

Weights & Biases

Weights & Biases è una piattaforma MLOps all'avanguardia progettata per il tracciamento, la visualizzazione e la gestione degli esperimenti di machine learning. È dotata di registrazione automatica delle metriche di training per la completa riproducibilità degli esperimenti, un'interfaccia utente interattiva per l'analisi semplificata dei dati e strumenti efficienti di gestione dei modelli per il deployment in vari ambienti.

Addestramento di YOLO11 con Weights & Biases

Puoi utilizzare Weights & Biases per apportare efficienza e automazione al tuo processo di addestramento YOLO11. L'integrazione ti consente di tracciare gli esperimenti, confrontare i modelli e prendere decisioni basate sui dati per migliorare i tuoi progetti di computer vision.

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, assicurati di consultare la nostra guida all'installazione di YOLO11. Durante l'installazione dei pacchetti richiesti per YOLO11, in caso di difficoltà, 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 configurare 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 seguente comando e seguendo le istruzioni visualizzate.

import wandb

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

# Initialize your Weights & Biases environment
wandb login YOUR_API_KEY

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

Utilizzo: Training di YOLO11 con Weights & Biases

Prima di approfondire le istruzioni sull'utilizzo per l'addestramento del modello YOLO11 con Weights & Biases, assicurati di controllare la gamma di modelli YOLO11 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("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
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Comprensione dell'output

Eseguendo lo snippet di codice di utilizzo sopra riportato, puoi aspettarti i seguenti output chiave:

• L'impostazione di una nuova esecuzione con il suo ID univoco, che indica 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 box loss, cls loss, dfl loss, precisione, recall e punteggi mAP durante ogni epoca di training.
• Al termine dell'addestramento, vengono visualizzate metriche dettagliate, tra cui la velocità di inferenza del modello e le metriche di accuratezza complessive.
• Link alla dashboard di Weights & Biases per un'analisi approfondita e la visualizzazione del processo di training, 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 link fornito nell'output. Questa dashboard offre una visione completa del processo di addestramento del tuo modello con YOLO11.

Caratteristiche principali della dashboard di Weights & Biases

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

• Ottimizzazione degli iperparametri: Weights & Biases aiuta a mettere a punto parametri critici come il tasso di apprendimento, la dimensione del batch e altro, migliorando le prestazioni di YOLO11. Questo ti aiuta a trovare la configurazione ottimale per il tuo specifico set di dati e attività.

• Analisi comparativa: La piattaforma consente confronti affiancati di diverse esecuzioni di training, essenziali per valutare l'impatto di varie configurazioni del modello e comprendere 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. Scopri come Weights & Biases ti aiuta a visualizzare i risultati della 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 facile implementazione e la collaborazione con i membri del team su progetti complessi.

• Visualizzazione dei Risultati dell'Inferenza con Sovrapposizione di 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 funzionalità di sovrapposizione di immagini di Weights & Biases.

Utilizzando queste funzionalità, puoi tracciare, analizzare e ottimizzare efficacemente l'addestramento del tuo modello YOLO11, garantendo le migliori prestazioni ed efficienza possibili per le tue attività di object detection.

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 dell'addestramento del modello e della previsione. 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 consultare la pagina della guida all'integrazione di Ultralytics per saperne di più su diverse interessanti integrazioni come MLflow e Comet ML.

FAQ

Come posso integrare Weights & Biases con Ultralytics YOLO11?

Per integrare Weights & Biases con Ultralytics YOLO11:

1. Installa i pacchetti necessari:

   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 YOLO11 con il logging W&B abilitato:

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

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 YOLO11?

Le caratteristiche principali includono:

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

Queste funzionalità aiutano a tenere traccia degli esperimenti, a ottimizzare i modelli e a collaborare in modo più efficace sui progetti YOLO11.

Come posso visualizzare la dashboard di Weights & Biases per il mio addestramento YOLO11?

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

1. Un link alla tua dashboard W&B sarà fornito nell'output della console.
2. Fare clic sul link o andare su wandb.ai ed effettuare l'accesso al proprio account.
3. Vai al tuo progetto per visualizzare metriche dettagliate, visualizzazioni e dati sulle prestazioni del modello.

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

Posso disabilitare la registrazione di Weights & Biases per l'addestramento di YOLO11?

Sì, puoi disabilitare la registrazione W&B usando il seguente comando:

yolo settings wandb=False

Per riattivare la registrazione, utilizzare:

yolo settings wandb=True

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

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

Weights & Biases aiuta a ottimizzare i modelli YOLO11 tramite:

1. Fornire visualizzazioni dettagliate delle metriche di addestramento
2. Consente un facile confronto tra diverse versioni del modello
3. Offrendo strumenti per la regolazione degli iperparametri
4. Consentire l'analisi collaborativa delle prestazioni del modello
5. Facilitare la 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 YOLO11.

📅 Creato 1 anno fa ✏️ Aggiornato 5 mesi fa

Commenti