Link to this sectionTracciamento e visualizzazione degli esperimenti YOLO con Weights & Biases#

I modelli di object detection 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 presentano diverse sfide. Il tracciamento delle metriche di addestramento chiave, il confronto tra varianti di modelli, l'analisi del comportamento del modello e l'individuazione di problemi richiedono una notevole attività di strumentazione e gestione degli esperimenti.

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

Link to this sectionWeights & Biases#

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

Link to this sectionAddestramento di 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.

Link to this sectionInstallazione#

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 le migliori pratiche relative al processo di installazione, assicurati di controllare la nostra guida all'installazione di YOLO26. Durante l'installazione dei pacchetti richiesti per YOLO26, se incontri difficoltà, consulta la nostra guida ai problemi comuni per soluzioni e suggerimenti.

Link to this sectionConfigurazione di Weights & Biases#

Dopo aver installato i pacchetti necessari, il passaggio successivo consiste nel 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 workspace. Puoi farlo eseguendo il seguente comando e seguendo le istruzioni a video.

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.

Link to this sectionUtilizzo: addestrare YOLO26 con Weights & Biases#

Prima di immergerti nelle istruzioni per l'addestramento dei modelli YOLO26 con Weights & Biases, assicurati di dare un'occhiata alla 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")

Link to this sectionArgomenti W&B#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Link to this sectionComprendere l'output#

Dopo aver eseguito lo snippet di codice di utilizzo sopra indicato, 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 sommario conciso della struttura del modello, inclusi il numero di layer e i parametri.
• Aggiornamenti regolari su metriche importanti come box loss, cls loss, dfl loss, precision, recall e punteggi mAP durante ogni epoch di addestramento.
• Al termine dell'addestramento, vengono visualizzate metriche dettagliate tra cui la velocità di inferenza del modello e le metriche di accuracy complessive.
• Link alla dashboard di Weights & Biases per un'analisi approfondita e la visualizzazione del processo di addestramento, insieme a informazioni sulla posizione dei file di log locali.

Link to this sectionVisualizzare la 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.

Link to this sectionCaratteristiche principali della dashboard di Weights & Biases#

• Tracciamento delle metriche in tempo reale: Osserva metriche come perdita, accuratezza e punteggi di validazione mentre si evolvono durante l'addestramento, offrendo approfondimenti immediati per la regolazione 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 tra le epoche. Guarda come Weights & Biases ti aiuta a visualizzare i risultati di validazione.

• 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 il deployment e la collaborazione con i membri del team su progetti complessi.

• Visualizzazione dei risultati di inferenza con overlay di immagini: Visualizza i risultati delle previsioni sulle immagini utilizzando overlay interattivi in Weights & Biases, fornendo una visione chiara e dettagliata delle prestazioni del modello su dati del mondo reale. Per informazioni più dettagliate, consulta le capacità di overlay di 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 object detection.

Link to this sectionRiepilogo#

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 l'addestramento del modello e i risultati delle previsioni. 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.

Link to this sectionFAQ#

Link to this sectionCome posso integrare 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 la registrazione W&B abilitata:

   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.

Link to this sectionQuali 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 overlay di immagini

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

Link to this sectionCome 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. Clicca sul link o vai su wandb.ai e accedi al tuo account.
3. Naviga nel 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 efficacemente i tuoi modelli YOLO26.

Link to this sectionPosso disabilitare la registrazione di Weights & Biases per l'addestramento di YOLO26?#

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

yolo settings wandb=False

Per riabilitare la registrazione, usa:

yolo settings wandb=True

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

Link to this sectionIn 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 il hyperparameter tuning
4. Consentendo l'analisi collaborativa delle prestazioni del modello
5. Facilitando la facile condivisione di artefatti e risultati del modello

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