Formazione del modello con Ultralytics YOLO

Introduzione

L'addestramento di un modello di deep learning consiste nel fornirgli dati e regolare i suoi parametri in modo che possa fare previsioni accurate. La modalità Train di Ultralytics YOLOv8 è stata progettata per un addestramento efficace ed efficiente dei modelli di rilevamento degli oggetti, sfruttando appieno le capacità dell'hardware moderno. Questa guida ha lo scopo di fornire tutti i dettagli necessari per iniziare ad addestrare i tuoi modelli utilizzando il robusto set di funzioni di YOLOv8.

Guarda: Come addestrare un modello YOLOv8 su un dataset personalizzato in Google Colab.

Perché scegliere Ultralytics YOLO per la formazione?

Ecco alcuni motivi validi per scegliere la modalità Treno di YOLOv8:

• Efficienza: Sfrutta al massimo il tuo hardware, sia che si tratti di una configurazione con una sola GPU sia che si tratti di una scalata su più GPU.
• Versatilità: Addestramento su set di dati personalizzati oltre a quelli già disponibili come COCO, VOC e ImageNet.
• Facilità d'uso: interfacce CLI e Python semplici ma potenti per un'esperienza di formazione immediata.
• Flessibilità degli iperparametri: Un'ampia gamma di iperparametri personalizzabili per mettere a punto le prestazioni del modello.

Caratteristiche principali della modalità Treno

Di seguito sono elencate alcune caratteristiche salienti della modalità Treno di YOLOv8:

• Download automatico dei dataset: I set di dati standard come COCO, VOC e ImageNet vengono scaricati automaticamente al primo utilizzo.
• Supporto Multi-GPU: Scala i tuoi sforzi formativi senza problemi su più GPU per accelerare il processo.
• Configurazione degli iperparametri: L'opzione di modificare gli iperparametri attraverso i file di configurazione YAML o gli argomenti di CLI .
• Visualizzazione e monitoraggio: Tracciamento in tempo reale delle metriche di formazione e visualizzazione del processo di apprendimento per una migliore comprensione.

Esempi di utilizzo

Addestra YOLOv8n sul set di dati COCO8 per 100 epoche con dimensioni dell'immagine 640. Il dispositivo di addestramento può essere specificato utilizzando l'opzione device argomento. Se non viene passato alcun argomento GPU device=0 verrà utilizzato se disponibile, altrimenti device='cpu' verrà utilizzato. Vedi la sezione Argomenti di seguito per un elenco completo degli argomenti di formazione.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

Formazione multi-GPU

L'addestramento multi-GPU consente di utilizzare in modo più efficiente le risorse hardware disponibili distribuendo il carico di addestramento su più GPU. Questa funzione è disponibile sia attraverso l'API di Python che attraverso l'interfaccia a riga di comando. Per abilitare l'addestramento multi-GPU, specifica gli ID dei dispositivi GPU che desideri utilizzare.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640, device=[0, 1])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1

Formazione su Apple M1 e M2 MPS

Grazie al supporto dei chip Apple M1 e M2 integrati nei modelli Ultralytics YOLO , è ora possibile addestrare i tuoi modelli su dispositivi che utilizzano il potente framework Metal Performance Shaders (MPS). L'MPS offre un metodo ad alte prestazioni per eseguire compiti di calcolo e di elaborazione delle immagini sul silicio personalizzato di Apple.

Per abilitare la formazione sui chip Apple M1 e M2, devi specificare "mps" come dispositivo quando inizi il processo di formazione. Di seguito è riportato un esempio di come puoi farlo in Python e tramite la riga di comando:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640, device='mps')

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

Sfruttando la potenza di calcolo dei chip M1/M2, si ottiene un'elaborazione più efficiente dei compiti di formazione. Per una guida più dettagliata e per le opzioni di configurazione avanzate, consulta la documentazione di PyTorch MPS.

Riprendere gli allenamenti interrotti

Riprendere l'addestramento da uno stato precedentemente salvato è una funzione fondamentale quando si lavora con modelli di deep learning. Può essere utile in vari scenari, come quando il processo di addestramento è stato interrotto inaspettatamente o quando si desidera continuare ad addestrare un modello con nuovi dati o per più epoche.

Quando l'addestramento viene ripreso, Ultralytics YOLO carica i pesi dell'ultimo modello salvato e ripristina anche lo stato dell'ottimizzatore, il programma di apprendimento e il numero di epoch. Questo ti permette di continuare il processo di formazione senza problemi dal punto in cui è stato interrotto.

Puoi riprendere facilmente la formazione in Ultralytics YOLO impostando il parametro resume argomento a True quando si chiama l'opzione train e specificando il percorso del metodo .pt contenente i pesi del modello parzialmente addestrato.

Di seguito è riportato un esempio di come riprendere una formazione interrotta utilizzando Python e tramite la linea di comando:

from ultralytics import YOLO

# Load a model
model = YOLO('path/to/last.pt')  # load a partially trained model

# Resume training
results = model.train(resume=True)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

Impostando resume=True, il train continuerà l'allenamento dal punto in cui è stato interrotto, utilizzando lo stato memorizzato nel file "path/to/last.pt". Se il file resume è omesso o è impostato su False, il train inizierà una nuova sessione di formazione.

Ricorda che i checkpoint vengono salvati alla fine di ogni epoca per impostazione predefinita, oppure a intervalli fissi utilizzando l'opzione save_period quindi devi completare almeno un'epoca per riprendere una sessione di allenamento.

Impostazioni del treno

Le impostazioni di addestramento dei modelli di YOLO comprendono vari iperparametri e configurazioni utilizzati durante il processo di addestramento. Queste impostazioni influenzano le prestazioni, la velocità e l'accuratezza del modello. Le impostazioni chiave per l'addestramento includono la dimensione del batch, il tasso di apprendimento, il momentum e il decadimento dei pesi. Inoltre, la scelta dell'ottimizzatore, della funzione di perdita e della composizione del set di dati di addestramento possono influire sul processo di addestramento. Un'attenta messa a punto e la sperimentazione di queste impostazioni sono fondamentali per ottimizzare le prestazioni.

Impostazioni di incremento e iperparametri

Le tecniche di incremento sono essenziali per migliorare la robustezza e le prestazioni dei modelli di YOLO introducendo variabilità nei dati di addestramento, aiutando il modello a generalizzarsi meglio ai dati non visti. La seguente tabella illustra lo scopo e l'effetto di ogni argomento di incremento:

Queste impostazioni possono essere regolate per soddisfare i requisiti specifici del set di dati e del compito da svolgere. La sperimentazione di diversi valori può aiutare a trovare la strategia di incremento ottimale che porta alle migliori prestazioni del modello.

Registrazione

Durante l'addestramento di un modello YOLOv8 , potresti trovare utile tenere traccia delle prestazioni del modello nel tempo. È qui che entra in gioco il logging. Ultralytics'YOLO supporta tre tipi di logger: Comet, ClearML e TensorBoard.

Per utilizzare un logger, selezionalo dal menu a tendina nel frammento di codice qui sopra ed eseguilo. Il logger scelto verrà installato e inizializzato.

Comet

Comet è una piattaforma che consente agli scienziati dei dati e agli sviluppatori di monitorare, confrontare, spiegare e ottimizzare esperimenti e modelli. Offre funzionalità come metriche in tempo reale, differenze di codice e monitoraggio degli iperparametri.

Per utilizzare Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

Ricordati di accedere al tuo account Comet sul loro sito web e di ottenere la tua chiave API. Dovrai aggiungerla alle variabili d'ambiente o allo script per registrare gli esperimenti.

ClearML

ClearML è una piattaforma open-source che automatizza il monitoraggio degli esperimenti e aiuta a condividere in modo efficiente le risorse. È stata progettata per aiutare i team a gestire, eseguire e riprodurre il loro lavoro di ML in modo più efficiente.

Per utilizzare ClearML:

# pip install clearml
import clearml

clearml.browser_login()

Dopo aver eseguito questo script, dovrai accedere al tuo account ClearML sul browser e autenticare la tua sessione.

TensorBoard

TensorBoard è un toolkit di visualizzazione per TensorFlow. Ti permette di visualizzare il tuo grafico TensorFlow , di tracciare metriche quantitative sull'esecuzione del grafico e di mostrare dati aggiuntivi come le immagini che lo attraversano.

Per utilizzare TensorBoard in Google Colab:

load_ext tensorboard
tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

Per utilizzare TensorBoard localmente, esegui il comando seguente e visualizza i risultati su http://localhost:6006/.

tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

Questo caricherà TensorBoard e lo indirizzerà alla directory in cui sono salvati i registri di allenamento.

Dopo aver configurato il logger, puoi procedere con la formazione del modello. Tutte le metriche dell'addestramento verranno registrate automaticamente nella piattaforma scelta e potrai accedere a questi registri per monitorare le prestazioni del tuo modello nel tempo, confrontare modelli diversi e identificare le aree di miglioramento.

Commenti