Vai al contenuto

Riferimento per ultralytics/utils/callbacks/wb.py

Nota

Questo file è disponibile su https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/utils/callbacks/wb .py. Se riscontri un problema, contribuisci a risolverlo inviando una Pull Request 🛠️. Grazie 🙏!



ultralytics.utils.callbacks.wb._custom_table(x, y, classes, title='Precision Recall Curve', x_title='Recall', y_title='Precision')

Crea e registra una visualizzazione metrica personalizzata in wandb.plot.pr_curve.

Questa funzione crea una visualizzazione metrica personalizzata che imita il comportamento della curva di precisione-richiamo predefinita di wandb. di default di wandb, pur consentendo una maggiore personalizzazione. La metrica visiva è utile per monitorare le prestazioni del modello tra diverse classi.

Parametri:

Nome Tipo Descrizione Predefinito
x List

Valori per l'asse x; si prevede che abbiano lunghezza N.

richiesto
y List

Valori corrispondenti per l'asse y; anche questi dovrebbero avere lunghezza N.

richiesto
classes List

Etichette che identificano la classe di ogni punto; lunghezza N.

richiesto
title str

Titolo del grafico; il valore predefinito è "Curva di precisione e richiamo".

'Precision Recall Curve'
x_title str

Etichetta per l'asse x; il valore predefinito è "Richiamo".

'Recall'
y_title str

Etichetta per l'asse y; l'impostazione predefinita è "Precisione".

'Precision'

Restituzione:

Tipo Descrizione
Object

Un oggetto wandb adatto alla registrazione, che mostra la visualizzazione delle metriche realizzate.

Codice sorgente in ultralytics/utils/callbacks/wb.py
def _custom_table(x, y, classes, title="Precision Recall Curve", x_title="Recall", y_title="Precision"):
    """
    Create and log a custom metric visualization to wandb.plot.pr_curve.

    This function crafts a custom metric visualization that mimics the behavior of wandb's default precision-recall
    curve while allowing for enhanced customization. The visual metric is useful for monitoring model performance across
    different classes.

    Args:
        x (List): Values for the x-axis; expected to have length N.
        y (List): Corresponding values for the y-axis; also expected to have length N.
        classes (List): Labels identifying the class of each point; length N.
        title (str, optional): Title for the plot; defaults to 'Precision Recall Curve'.
        x_title (str, optional): Label for the x-axis; defaults to 'Recall'.
        y_title (str, optional): Label for the y-axis; defaults to 'Precision'.

    Returns:
        (wandb.Object): A wandb object suitable for logging, showcasing the crafted metric visualization.
    """
    df = pd.DataFrame({"class": classes, "y": y, "x": x}).round(3)
    fields = {"x": "x", "y": "y", "class": "class"}
    string_fields = {"title": title, "x-axis-title": x_title, "y-axis-title": y_title}
    return wb.plot_table(
        "wandb/area-under-curve/v0", wb.Table(dataframe=df), fields=fields, string_fields=string_fields
    )



ultralytics.utils.callbacks.wb._plot_curve(x, y, names=None, id='precision-recall', title='Precision Recall Curve', x_title='Recall', y_title='Precision', num_x=100, only_mean=False)

Registra la visualizzazione di una curva metrica.

Questa funzione genera una curva metrica basata sui dati di input e registra la visualizzazione su wandb. La curva può rappresentare dati aggregati (media) o dati di singole classi, a seconda del flag "only_mean".

Parametri:

Nome Tipo Descrizione Predefinito
x ndarray

Punti dati per l'asse x con lunghezza N.

richiesto
y ndarray

Punti dati corrispondenti per l'asse y con forma CxN, dove C è il numero di classi.

richiesto
names list

Nomi delle classi corrispondenti ai dati dell'asse y; lunghezza C. Il valore predefinito è [].

None
id str

Identificatore unico per i dati registrati in wandb. Il valore predefinito è "precision-recall".

'precision-recall'
title str

Titolo del grafico di visualizzazione. Il valore predefinito è "Curva di precisione e richiamo".

'Precision Recall Curve'
x_title str

Etichetta per l'asse x. L'impostazione predefinita è "Richiamo".

'Recall'
y_title str

Etichetta per l'asse y. L'impostazione predefinita è "Precisione".

'Precision'
num_x int

Numero di punti dati interpolati per la visualizzazione. Il valore predefinito è 100.

100
only_mean bool

Flag per indicare se deve essere tracciata solo la curva media. Il valore predefinito è Vero.

False
Nota

La funzione sfrutta la funzione "_custom_table" per generare la visualizzazione vera e propria.

Codice sorgente in ultralytics/utils/callbacks/wb.py
def _plot_curve(
    x,
    y,
    names=None,
    id="precision-recall",
    title="Precision Recall Curve",
    x_title="Recall",
    y_title="Precision",
    num_x=100,
    only_mean=False,
):
    """
    Log a metric curve visualization.

    This function generates a metric curve based on input data and logs the visualization to wandb.
    The curve can represent aggregated data (mean) or individual class data, depending on the 'only_mean' flag.

    Args:
        x (np.ndarray): Data points for the x-axis with length N.
        y (np.ndarray): Corresponding data points for the y-axis with shape CxN, where C is the number of classes.
        names (list, optional): Names of the classes corresponding to the y-axis data; length C. Defaults to [].
        id (str, optional): Unique identifier for the logged data in wandb. Defaults to 'precision-recall'.
        title (str, optional): Title for the visualization plot. Defaults to 'Precision Recall Curve'.
        x_title (str, optional): Label for the x-axis. Defaults to 'Recall'.
        y_title (str, optional): Label for the y-axis. Defaults to 'Precision'.
        num_x (int, optional): Number of interpolated data points for visualization. Defaults to 100.
        only_mean (bool, optional): Flag to indicate if only the mean curve should be plotted. Defaults to True.

    Note:
        The function leverages the '_custom_table' function to generate the actual visualization.
    """
    # Create new x
    if names is None:
        names = []
    x_new = np.linspace(x[0], x[-1], num_x).round(5)

    # Create arrays for logging
    x_log = x_new.tolist()
    y_log = np.interp(x_new, x, np.mean(y, axis=0)).round(3).tolist()

    if only_mean:
        table = wb.Table(data=list(zip(x_log, y_log)), columns=[x_title, y_title])
        wb.run.log({title: wb.plot.line(table, x_title, y_title, title=title)})
    else:
        classes = ["mean"] * len(x_log)
        for i, yi in enumerate(y):
            x_log.extend(x_new)  # add new x
            y_log.extend(np.interp(x_new, x, yi))  # interpolate y to new x
            classes.extend([names[i]] * len(x_new))  # add class names
        wb.log({id: _custom_table(x_log, y_log, classes, title, x_title, y_title)}, commit=False)



ultralytics.utils.callbacks.wb._log_plots(plots, step)

Registra le trame dal dizionario di input se non sono già state registrate al passo specificato.

Codice sorgente in ultralytics/utils/callbacks/wb.py
def _log_plots(plots, step):
    """Logs plots from the input dictionary if they haven't been logged already at the specified step."""
    for name, params in plots.items():
        timestamp = params["timestamp"]
        if _processed_plots.get(name) != timestamp:
            wb.run.log({name.stem: wb.Image(str(name))}, step=step)
            _processed_plots[name] = timestamp



ultralytics.utils.callbacks.wb.on_pretrain_routine_start(trainer)

Iniziare e avviare il progetto se il modulo è presente.

Codice sorgente in ultralytics/utils/callbacks/wb.py
def on_pretrain_routine_start(trainer):
    """Initiate and start project if module is present."""
    wb.run or wb.init(project=trainer.args.project or "YOLOv8", name=trainer.args.name, config=vars(trainer.args))



ultralytics.utils.callbacks.wb.on_fit_epoch_end(trainer)

Registra le metriche di allenamento e le informazioni sul modello alla fine di un'epoca.

Codice sorgente in ultralytics/utils/callbacks/wb.py
def on_fit_epoch_end(trainer):
    """Logs training metrics and model information at the end of an epoch."""
    wb.run.log(trainer.metrics, step=trainer.epoch + 1)
    _log_plots(trainer.plots, step=trainer.epoch + 1)
    _log_plots(trainer.validator.plots, step=trainer.epoch + 1)
    if trainer.epoch == 0:
        wb.run.log(model_info_for_loggers(trainer), step=trainer.epoch + 1)



ultralytics.utils.callbacks.wb.on_train_epoch_end(trainer)

Registra le metriche e salva le immagini alla fine di ogni periodo di allenamento.

Codice sorgente in ultralytics/utils/callbacks/wb.py
def on_train_epoch_end(trainer):
    """Log metrics and save images at the end of each training epoch."""
    wb.run.log(trainer.label_loss_items(trainer.tloss, prefix="train"), step=trainer.epoch + 1)
    wb.run.log(trainer.lr, step=trainer.epoch + 1)
    if trainer.epoch == 1:
        _log_plots(trainer.plots, step=trainer.epoch + 1)



ultralytics.utils.callbacks.wb.on_train_end(trainer)

Salva il modello migliore come artefatto al termine della formazione.

Codice sorgente in ultralytics/utils/callbacks/wb.py
def on_train_end(trainer):
    """Save the best model as an artifact at end of training."""
    _log_plots(trainer.validator.plots, step=trainer.epoch + 1)
    _log_plots(trainer.plots, step=trainer.epoch + 1)
    art = wb.Artifact(type="model", name=f"run_{wb.run.id}_model")
    if trainer.best.exists():
        art.add_file(trainer.best)
        wb.run.log_artifact(art, aliases=["best"])
    for curve_name, curve_values in zip(trainer.validator.metrics.curves, trainer.validator.metrics.curves_results):
        x, y, x_title, y_title = curve_values
        _plot_curve(
            x,
            y,
            names=list(trainer.validator.metrics.names.values()),
            id=f"curves/{curve_name}",
            title=curve_name,
            x_title=x_title,
            y_title=y_title,
        )
    wb.run.finish()  # required or run continues on dashboard





Creato 2023-11-12, Aggiornato 2023-11-25
Autori: glenn-jocher (3), Laughing-q (1)