Neptune을 사용한 실험 track

Neptune은 많은 실험을 수행하는 팀을 위해 구축된 MLOps용 메타데이터 저장소입니다. 모든 모델 구축 메타데이터를 로깅, 저장, 표시, 구성, 비교 및 쿼리할 수 있는 단일 공간을 제공합니다.

Ultralytics YOLO26은 Neptune과 통합되어 실험 추적을 간소화합니다. 이 통합을 통해 사용자 지정 로깅 코드를 작성할 필요 없이 훈련 지표를 자동으로 기록하고, 모델 예측을 시각화하며, 모델 아티팩트를 저장할 수 있습니다.

주요 기능

• 자동 로깅: 박스 손실, 분류 손실 및 mAP와 같은 주요 훈련 지표를 자동으로 로깅합니다.
• 이미지 시각화: 훈련 모자이크 및 검증 예측을 Neptune 대시보드에서 직접 볼 수 있습니다.
• 모델 체크포인트: 훈련된 모델 가중치를 업로드하고 버전 관리(best.pt) 훈련 종료 시 자동으로 처리됩니다.
• 하이퍼파라미터 트래킹: 실험의 완벽한 재현성을 보장하기 위해 모든 구성 매개변수를 기록합니다.
• 인터랙티브 플롯: 혼동 행렬 및 정밀도-재현율 곡선을 시각화하여 모델 성능을 분석합니다.

설치

Ultralytics와 함께 Neptune을 사용하려면 다음을 설치해야 합니다. neptune 클라이언트 패키지와 함께 ultralytics.

# Install the required packages
pip install ultralytics neptune

# Enable Neptune integration in Ultralytics settings
yolo settings neptune=True

구성

훈련을 시작하기 전에 로컬 환경을 Neptune 프로젝트에 연결해야 합니다. Neptune 대시보드에서 API 토큰과 프로젝트 이름이 필요합니다.

1. 자격 증명 가져오기

1. Neptune.ai에 로그인합니다.
2. 새 프로젝트를 생성합니다 (또는 기존 프로젝트를 선택합니다).
3. 사용자 메뉴로 이동하여 API 토큰을 가져옵니다.

2. 환경 변수 설정

자격 증명을 처리하는 가장 안전한 방법은 환경 변수를 이용하는 것입니다. Ultralytics Neptune 콜백은 YOLO project 인수를 읽고 사용하지 않습니다. NEPTUNE_PROJECT. 전체 Neptune 슬러그(예: workspace/name)를 통해 project= 훈련 명령에서; 그렇지 않으면 Neptune이 문자 그대로의 기본값을 사용하려고 시도합니다 "Ultralytics" 그리고 실행이 실패합니다.

export NEPTUNE_API_TOKEN="your_long_api_token_here" # required

$Env:NEPTUNE_API_TOKEN = "your_long_api_token_here"  # required

import os

os.environ["NEPTUNE_API_TOKEN"] = "your_long_api_token_here"
os.environ["NEPTUNE_PROJECT"] = "your_workspace/your_project"

사용법

일단 구성되면 YOLO26 모델 훈련을 시작할 수 있습니다. Neptune 통합은 자동으로 작동하며, neptune 패키지가 설치되고 설정에서 통합이 활성화되면.

훈련 예시

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Train the model
# Pass the Neptune project slug as the 'project' argument (workspace/name)
results = model.train(data="coco8.yaml", epochs=10, project="my-workspace/my-project", name="experiment-1")

# Train via CLI
# project must be the Neptune slug (workspace/name); otherwise run creation will fail
yolo train data=coco8.yaml epochs=10 project=my-workspace/my-project name=experiment-1

통합 이해

다음 다이어그램은 Ultralytics 훈련 파이프라인이 Neptune과 상호 작용하여 다양한 아티팩트와 메트릭을 기록하는 방법을 보여줍니다.

graph LR
    A[YOLO Training Loop] --> B{Neptune Callback}
    B -->|Log Scalars| C[Loss, mAP, LR]
    B -->|Log Images| D[Mosaics, Preds]
    B -->|Log Artifacts| E[Model Weights]
    B -->|Log Metadata| F[Hyperparameters]

    C --> G[Neptune Server]
    D --> G
    E --> G
    F --> G

    G --> H[Neptune Web Dashboard]

무엇이 로깅됩니까?

훈련 명령을 실행하면 Neptune 통합은 실행에서 다음 데이터 구조를 자동으로 캡처합니다.

1. 구성/하이퍼파라미터: 모든 훈련 인수(에포크, lr0, 옵티마이저 등)는 구성 섹션 아래에 기록됩니다.
2. 구성/모델: 모델 아키텍처 및 정의.
3. 메트릭:
   • Train: box_loss, cls_loss, dfl_loss, lr (학습률).
   • 메트릭: precision, recall, mAP50, mAP50-95.
4. 이미지:
   • Mosaic: 데이터 증강을 보여주는 훈련 배치.
   • Validation: 검증 데이터에 대한 실제 레이블 및 모델 예측.
   • Plots: 혼동 행렬, 정밀도-재현율 곡선.
5. 가중치: 최종 훈련된 모델(best.pt)이 다음으로 업로드됩니다. weights Neptune 실행의 폴더.

고급 사용법

실행 구성

표준 Ultralytics project 및 name 인수를 사용하여 Neptune에서 실행을 구성할 수 있습니다.

• project: Neptune 프로젝트 슬러그여야 합니다. workspace/name; 이는 콜백이 다음으로 전달하는 것입니다. neptune.init_run.
• name: 특정 실행의 식별자 역할을 합니다.

사용자 지정 로깅

자동 로깅 외에 추가 사용자 지정 메트릭을 로깅해야 하는 경우 Neptune 실행 인스턴스에 액세스할 수 있습니다. Ultralytics 통합은 실행 수명 주기를 내부적으로 처리하므로 특정 실행 객체에 액세스하려면 트레이너 로직을 수정하거나 사용자 지정 콜백을 생성해야 합니다.

FAQ

Neptune 로깅을 비활성화하려면 어떻게 해야 합니까?

설치했지만 neptune 특정 세션 또는 전역적으로 로깅을 비활성화하려면 YOLO 설정을 수정할 수 있습니다.

# Disable Neptune integration
yolo settings neptune=False

이미지가 업로드되지 않습니다. 무엇이 문제입니까?

네트워크가 Neptune 서버에 대한 연결을 허용하는지 확인하십시오. 또한 이미지 로깅은 일반적으로 특정 간격(예: 에포크 종료 또는 훈련 종료)으로 발생합니다. 다음을 사용하여 훈련을 일찍 중단하면 Ctrl+C, 혼동 행렬 또는 최적 모델 가중치와 같은 일부 최종 아티팩트가 업로드되지 않을 수 있습니다.

특정 Neptune 실행 ID에 로깅할 수 있습니까?

현재 통합은 각 훈련 세션에 대해 자동으로 새 실행을 생성합니다. 기존 실행에 로깅을 재개하려면 일반적으로 python 코드에서 Neptune 초기화를 수동으로 처리해야 하며, 이는 자동 통합의 범위를 벗어납니다. 그러나 Ultralytics는 로컬에서 훈련 재개를 지원하며, 이는 Neptune에 새 실행을 생성하여 재개된 에포크를 track합니다.

Neptune에서 모델 가중치를 어디에서 찾을 수 있습니까?

Neptune 대시보드에서 다음으로 이동하십시오. 아티팩트 또는 모든 메타데이터 섹션. 다음을 찾을 수 있습니다. weights 파일이 포함된 폴더를 찾을 수 있습니다. best.pt 배포를 위해 다운로드할 수 있는 파일.

5; 1 전에 생성됨 ✏️ 4 전에 업데이트됨

댓글