Ray Tune 및 YOLO11을 사용한 효율적인 하이퍼파라미터 튜닝

하이퍼파라미터 튜닝은 최적의 하이퍼파라미터 세트를 찾아 모델 성능을 극대화하는 데 매우 중요합니다. 여기에는 다양한 하이퍼파라미터로 실험을 실행하고 각 실험의 성능을 평가하는 과정이 포함됩니다.

Ultralytics YOLO11 및 Ray Tune을 사용한 튜닝 가속화

Ultralytics YOLO11은(는) 하이퍼파라미터 튜닝을 위해 Ray Tune을 통합하여 YOLO11 모델 하이퍼파라미터의 최적화를 간소화합니다. Ray Tune을 사용하면 고급 검색 전략, 병렬 처리 및 조기 중지를 활용하여 튜닝 프로세스를 가속화할 수 있습니다.

Ray Tune

Ray Tune은 효율성과 유연성을 위해 설계된 하이퍼파라미터 튜닝 라이브러리입니다. 다양한 검색 전략, 병렬 처리 및 조기 중단 전략을 지원하며 Ultralytics YOLO11을 포함한 널리 사용되는 머신 러닝 프레임워크와 원활하게 통합됩니다.

Weights & Biases 연동

YOLO11은 또한 튜닝 프로세스 모니터링을 위해 Weights & Biases와의 선택적 통합을 허용합니다.

설치

필수 패키지를 설치하려면 다음을 실행합니다:

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]"

# Optionally install W&B for logging
pip install wandb

사용법

from ultralytics import YOLO

# Load a YOLO11n model
model = YOLO("yolo11n.pt")

# Start tuning hyperparameters for YOLO11n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() 메서드 매개변수

에 지정되어 있습니다. tune() YOLO11의 메서드는 Ray Tune을 사용하여 하이퍼파라미터 튜닝을 위한 사용하기 쉬운 인터페이스를 제공합니다. 튜닝 프로세스를 사용자 정의할 수 있는 여러 인수를 허용합니다. 다음은 각 매개변수에 대한 자세한 설명입니다.

이러한 파라미터를 사용자 정의하면 특정 요구 사항 및 사용 가능한 컴퓨팅 리소스에 맞게 하이퍼파라미터 최적화 프로세스를 미세 조정할 수 있습니다.

기본 검색 공간 설명

다음 표에는 Ray Tune을 사용한 YOLO11의 하이퍼파라미터 튜닝을 위한 기본 검색 공간 파라미터가 나열되어 있습니다. 각 파라미터는 다음으로 정의된 특정 값 범위를 갖습니다. tune.uniform().

맞춤형 검색 공간 예시

이 예제에서는 Ray Tune 및 YOLO11을 사용하여 하이퍼파라미터 튜닝을 위한 사용자 정의 검색 공간을 사용하는 방법을 보여줍니다. 사용자 정의 검색 공간을 제공하면 관심 있는 특정 하이퍼파라미터에 튜닝 프로세스를 집중할 수 있습니다.

from ray import tune

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo11n.pt")

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-1)},
    epochs=50,
    use_ray=True,
)

위의 코드 스니펫에서는 "yolo11n.pt" 사전 훈련된 가중치로 YOLO 모델을 만듭니다. 그런 다음, tune() "coco8.yaml"로 데이터 세트 구성을 지정하는 메서드입니다. 초기 학습률에 대한 사용자 정의 검색 공간을 제공합니다. lr0 "lr0" 키와 값을 가진 사전을 사용 tune.uniform(1e-5, 1e-1). 마지막으로, 에포크 수와 같은 추가 훈련 인수를 tune 메서드에 직접 전달합니다. epochs=50.

Ray Tune을 사용하여 중단된 하이퍼파라미터 튜닝 세션 재개

다음을 전달하여 중단된 Ray Tune 세션을 재개할 수 있습니다. resume=True선택적으로 디렉토리를 전달할 수 있습니다. name Ray Tune에서 사용 runs/{task} 재개합니다. 그렇지 않으면 마지막으로 중단된 세션이 재개됩니다. 다음을 제공할 필요가 없습니다. iterations 및 space 다시 시도하되, 다음을 포함하여 나머지 학습 인수를 다시 제공해야 합니다. data 및 epochs.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo11n.pt")

# Resume previous run
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Resume Ray Tune run with name 'tune_exp_2'
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

Ray Tune 결과 처리

Ray Tune으로 하이퍼파라미터 튜닝 실험을 실행한 후 얻은 결과에 대해 다양한 분석을 수행할 수 있습니다. 이 가이드에서는 이러한 결과를 처리하고 분석하기 위한 일반적인 워크플로를 안내합니다.

디렉터리에서 Tune 실험 결과 로드 중

튜닝 실험을 실행한 후 tuner.fit(), 디렉터리에서 결과를 로드할 수 있습니다. 이는 특히 초기 훈련 스크립트가 종료된 후 분석을 수행하는 경우에 유용합니다.

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

기본 실험 수준 분석

평가판이 어떻게 수행되었는지에 대한 개요를 확인하세요. 평가판 중에 오류가 있었는지 빠르게 확인할 수 있습니다.

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

기본 시험 수준 분석

개별 평가판 하이퍼파라미터 구성 및 마지막으로 보고된 메트릭에 액세스합니다.

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

평가판에 대해 보고된 메트릭의 전체 기록 플로팅

각 평가판에 대해 보고된 메트릭의 기록을 플롯하여 메트릭이 시간이 지남에 따라 어떻게 진화했는지 확인할 수 있습니다.

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

요약

이 문서에서는 Ultralytics를 사용하여 Ray Tune으로 실행한 실험 결과를 분석하기 위한 일반적인 워크플로우를 다루었습니다. 주요 단계에는 디렉토리에서 실험 결과 로드, 기본 실험 수준 및 시험 수준 분석 수행, 메트릭 플로팅이 포함됩니다.

Ray Tune의 결과 분석 문서 페이지를 통해 하이퍼파라미터 튜닝 실험을 최대한 활용하는 방법을 알아보십시오.

FAQ

Ray Tune을 사용하여 YOLO11 모델의 하이퍼파라미터를 어떻게 조정하나요?

Ray Tune을 사용하여 Ultralytics YOLO11 모델의 하이퍼파라미터를 조정하려면 다음 단계를 따르십시오.

1. 필요한 패키지를 설치합니다:

   pip install -U ultralytics "ray[tune]"
   pip install wandb # optional for logging
   

2. YOLO11 모델을 로드하고 튜닝을 시작합니다:

   from ultralytics import YOLO
   
   # Load a YOLO11 model
   model = YOLO("yolo11n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

이는 Ray Tune의 고급 검색 전략과 병렬 처리를 활용하여 모델의 하이퍼파라미터를 효율적으로 최적화합니다. 자세한 내용은 Ray Tune 설명서를 확인하세요.

Ray Tune을 사용한 YOLO11 튜닝을 위한 기본 하이퍼파라미터는 무엇인가요?

Ultralytics YOLO11은 Ray Tune을 사용한 튜닝을 위해 다음과 같은 기본 하이퍼파라미터를 사용합니다.

이러한 하이퍼파라미터는 특정 요구 사항에 맞게 사용자 정의할 수 있습니다. 전체 목록 및 자세한 내용은 하이퍼파라미터 튜닝 가이드를 참조하십시오.

Weights & Biases를 YOLO11 모델 튜닝과 어떻게 통합할 수 있습니까?

Weights & Biases(W&B)를 Ultralytics YOLO11 튜닝 프로세스와 통합하려면:

1. W&B 설치:

   pip install wandb
   

2. 튜닝 스크립트 수정:

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo11n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

이 설정을 통해 튜닝 프로세스를 모니터링하고, 하이퍼파라미터 구성을 추적하며, W&B에서 결과를 시각화할 수 있습니다.

YOLO11을 사용한 하이퍼파라미터 최적화에 Ray Tune을 사용해야 하는 이유는 무엇인가요?

Ray Tune은 하이퍼파라미터 최적화를 위한 다양한 이점을 제공합니다.

• 고급 검색 전략: 효율적인 파라미터 검색을 위해 베이지안 최적화 및 HyperOpt와 같은 알고리즘을 활용합니다.
• 병렬 처리: 여러 평가판의 병렬 실행을 지원하여 튜닝 프로세스 속도를 크게 향상시킵니다.
• 조기 중단: ASHA와 같은 전략을 사용하여 성능이 낮은 평가판을 조기에 종료하여 컴퓨팅 리소스를 절약합니다.

Ray Tune은 Ultralytics YOLO11과 원활하게 통합되어 하이퍼파라미터를 효과적으로 튜닝할 수 있는 사용하기 쉬운 인터페이스를 제공합니다. 시작하려면 하이퍼파라미터 튜닝 가이드를 확인하십시오.

YOLO11 하이퍼파라미터 튜닝을 위한 사용자 정의 검색 공간을 어떻게 정의할 수 있습니까?

Ray Tune으로 YOLO11 하이퍼파라미터 튜닝을 위한 사용자 정의 검색 공간을 정의하려면:

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-1), "momentum": tune.uniform(0.6, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

이것은 튜닝 과정에서 탐색할 초기 학습률 및 모멘텀과 같은 하이퍼파라미터의 범위를 사용자 정의합니다. 고급 구성은 사용자 정의 검색 공간 예제 섹션을 참조하십시오.

📅 1년 전에 생성됨 ✏️ 3개월 전에 업데이트됨

댓글