Tracciamento 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 il deployment di questi modelli complessi introducono diverse sfide. Il tracciamento delle metriche chiave di addestramento, il confronto delle varianti dei modelli, l'analisi del comportamento dei modelli e il rilevamento dei problemi richiedono una significativa 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.

Weights & Biases#

Weights & Biases è una MLOps platform all'avanguardia progettata per tracciare, visualizzare e gestire esperimenti di machine learning. Offre la registrazione automatica delle metriche di addestramento per la riproducibilità completa 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.

Addestramento di YOLO26 con Weights & Biases#

Puoi usare Weights & Biases per portare efficienza e automazione nel tuo processo di addestramento con YOLO26. 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 YOLO26 Installation guide. Durante l'installazione dei pacchetti richiesti per YOLO26, se riscontri difficoltà, consulta la nostra Common Issues guide per trovare soluzioni e consigli.

Configurazione 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 API key. Usa questa chiave quando richiesto per autenticare il tuo ambiente con W&B.

Utilizzo: addestrare YOLO26 con Weights & Biases#

Prima di immergerti nelle istruzioni d'uso per l'addestramento del modello 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 adatto ai 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 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 mAP scores durante ogni epoch di addestramento.
• Al termine dell'addestramento, vengono mostrate metriche dettagliate tra cui la velocità di inferenza del modello e 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.

Visualizzare 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.

Caratteristiche principali della dashboard di Weights & Biases#

• Tracciamento delle metriche in tempo reale: osserva metriche come loss, accuracy e punteggi di validazione mentre evolvono durante l'addestramento, offrendo approfondimenti immediati per la messa a punto del modello. Scopri come vengono tracciati gli esperimenti usando Weights & Biases.

• Ottimizzazione degli iperparametri: Weights & Biases aiuta a mettere a punto 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 dataset 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'andamento dell'addestramento: rappresentazioni grafiche delle metriche chiave forniscono una comprensione intuitiva delle prestazioni del modello tra le diverse epoche. Scopri 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 sovrapposizione di immagini: visualizza i risultati delle predizioni sulle immagini utilizzando sovrapposizioni interattive in Weights & Biases, offrendo 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 YOLO26, 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 e delle predizioni 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'uso, visita la documentazione ufficiale di Weights & Biases o esplora la presentazione di Soumik Rakshit da YOLO VISION 2023 su questa integrazione.

Inoltre, assicurati di dare un'occhiata alla pagina della guida alle integrazioni di Ultralytics per saperne di più su altre interessanti integrazioni come MLflow e Comet ML.

FAQ#