Monitoraggio e visualizzazione degli esperimenti YOLO con Weights & Biases#

I modelli di rilevamento degli oggetti, come Ultralytics YOLO26, sono diventati essenziali per molte applicazioni di visione artificiale. Tuttavia, l'addestramento, la valutazione e la distribuzione di questi modelli complessi comportano diverse sfide. Monitorare le metriche di addestramento principali, confrontare le varianti dei modelli, analizzarne il comportamento e rilevare eventuali problemi richiede un'attività significativa di strumentazione e gestione degli esperimenti.

Questa guida illustra l'integrazione di Ultralytics YOLO26 con Weights & Biases per migliorare il monitoraggio degli esperimenti, la gestione dei checkpoint del modello e la visualizzazione delle prestazioni del modello. Include inoltre istruzioni per configurare l'integrazione, eseguire l'addestramento e visualizzare i risultati usando 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 apprendimento automatico. Offre la registrazione automatica delle metriche di addestramento per garantire la piena riproducibilità degli esperimenti, un'interfaccia utente interattiva per semplificare l'analisi dei dati e strumenti efficienti di gestione dei modelli per la distribuzione in vari ambienti.

Addestramento di YOLO26 con Weights & Biases#

Puoi usare Weights & Biases per rendere più efficiente e automatizzare il processo di addestramento di YOLO26. L'integrazione ti 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 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 procedure consigliate per l'installazione, consulta la guida all'installazione di YOLO26. Se durante l'installazione dei pacchetti necessari per YOLO26 riscontri difficoltà, consulta la guida ai problemi comuni per trovare soluzioni e suggerimenti.

Configurazione di Weights & Biases#

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

# Inizializza l'ambiente Weights & Biases
wandb.login(key="YOUR_API_KEY")

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

Utilizzo: addestramento di YOLO26 con Weights & Biases#

Prima di passare alle istruzioni per l'addestramento dei modelli 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

# Carica un modello YOLO
model = YOLO("yolo26n.pt")

# Addestra e ottimizza il modello
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 d'esempio qui sopra, puoi aspettarti i seguenti risultati principali:

• 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, compreso il numero di livelli e parametri.
• Aggiornamenti regolari sulle metriche importanti, come la loss dei box, la loss cls, la loss della distanza dei box, la precisione, il richiamo e i punteggi mAP durante ogni epoca di addestramento.
• Al termine dell'addestramento vengono mostrate metriche dettagliate, tra cui la velocità di inferenza del modello e le metriche complessive di accuratezza.
• Link 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 d'esempio, puoi accedere alla dashboard di Weights & Biases (W&B) tramite il link fornito nell'output. La dashboard offre una panoramica completa del processo di addestramento del tuo modello con YOLO26.

Funzionalità principali della dashboard di Weights & Biases#

• Monitoraggio delle metriche in tempo reale: osserva l'evoluzione di metriche come loss, accuratezza e punteggi di convalida durante l'addestramento, per ottenere indicazioni immediate sull'ottimizzazione del modello. Scopri come monitorare gli esperimenti con Weights & Biases.

• Ottimizzazione degli iperparametri: Weights & Biases aiuta a ottimizzare parametri fondamentali come il tasso di apprendimento, la dimensione del batch e altri ancora, migliorando le prestazioni di YOLO26. Questo ti aiuta a trovare la configurazione ottimale per il tuo specifico set di dati e la tua attività.

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

• Visualizzazione dei progressi dell'addestramento: le rappresentazioni grafiche delle metriche principali offrono 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 individuare potenziali colli di bottiglia nel tuo flusso di lavoro.

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

Usando queste funzionalità, puoi monitorare, analizzare e ottimizzare efficacemente l'addestramento del tuo modello YOLO26, garantendo le migliori prestazioni ed efficienza possibili nelle 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 l'addestramento del modello e i risultati delle previsioni. Sfruttando le potenti funzionalità di W&B, puoi semplificare il tuo flusso di lavoro di apprendimento automatico, 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 guarda la presentazione di Soumik Rakshit su questa integrazione, tenuta a YOLO VISION 2023.

Inoltre, consulta la pagina della guida alle integrazioni di Ultralytics per saperne di più su altre interessanti integrazioni, come MLflow e Comet ML.

Domande frequenti#