레이 튠을 통한 효율적인 하이퍼파라미터 튜닝 및 YOLOv8

하이퍼파라미터 튜닝은 최적의 하이퍼파라미터 세트를 발견하여 최고의 모델 성능을 달성하는 데 필수적입니다. 여기에는 다양한 하이퍼파라미터로 테스트를 실행하고 각 테스트의 성능을 평가하는 작업이 포함됩니다.

Ultralytics YOLOv8 및 레이 튠으로 튜닝을 가속화하세요.

Ultralytics YOLOv8 는 하이퍼파라미터 튜닝을 위한 레이 튠을 통합하여 YOLOv8 모델 하이퍼파라미터의 최적화를 간소화합니다. 레이 튠을 사용하면 고급 검색 전략, 병렬 처리, 조기 중지를 활용하여 튜닝 프로세스를 신속하게 진행할 수 있습니다.

레이 튠

레이 튠은 효율성과 유연성을 위해 설계된 하이퍼파라미터 튜닝 라이브러리입니다. 다양한 검색 전략, 병렬 처리, 조기 중지 전략을 지원하며 Ultralytics YOLOv8 을 비롯한 인기 있는 머신 러닝 프레임워크와 원활하게 통합됩니다.

다음과의 통합 Weights & Biases

YOLOv8 와 선택적으로 통합하여 Weights & Biases 와 선택적으로 통합할 수도 있습니다.

설치

필요한 패키지를 설치하려면 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 YOLOv8n model
model = YOLO('yolov8n.pt')

# Start tuning hyperparameters for YOLOv8n training on the COCO8 dataset
result_grid = model.tune(data='coco8.yaml', use_ray=True)

tune() 메서드 매개변수

그리고 tune() 메서드( YOLOv8 )는 레이 튜닝을 통한 하이퍼파라미터 튜닝을 위한 사용하기 쉬운 인터페이스를 제공합니다. 튜닝 프로세스를 사용자 지정할 수 있는 여러 인수를 사용할 수 있습니다. 아래는 각 파라미터에 대한 자세한 설명입니다:

이러한 파라미터를 사용자 지정하면 특정 요구 사항과 사용 가능한 컴퓨팅 리소스에 맞게 하이퍼파라미터 최적화 프로세스를 미세 조정할 수 있습니다.

기본 검색 공간 설명

다음 표에는 Ray Tune을 사용한 하이퍼파라미터 튜닝을 위한 기본 검색 공간 매개변수( YOLOv8 )가 나와 있습니다. 각 매개변수에는 다음과 같이 정의된 특정 값 범위가 있습니다. tune.uniform().

사용자 지정 검색 공간 예제

이 예에서는 레이 튠과 YOLOv8 을 사용하여 하이퍼파라미터 튜닝을 위한 사용자 지정 검색 공간을 사용하는 방법을 보여줍니다. 사용자 지정 검색 공간을 제공하면 관심 있는 특정 하이퍼파라미터에 튜닝 프로세스를 집중할 수 있습니다.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolov8n.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 "yolov8n.pt" 사전 학습된 가중치를 사용하여 YOLO 모델을 생성합니다. 그런 다음 tune() 메서드에 "coco8.yaml"로 데이터 세트 구성을 지정합니다. 초기 학습률에 대한 사용자 정의 검색 공간을 제공합니다. lr0 키 "lr0"과 값 tune.uniform(1e-5, 1e-1). 마지막으로, 에포크 수와 같은 추가 훈련 인수를 다음과 같이 튠 메서드에 직접 전달합니다. epochs=50.

레이 튠 결과 처리

레이 튜닝으로 하이퍼파라미터 튜닝 실험을 실행한 후에는 얻은 결과에 대해 다양한 분석을 수행해야 할 수 있습니다. 이 가이드에서는 이러한 결과를 처리하고 분석하는 일반적인 워크플로를 안내합니다.

디렉토리에서 튜닝 실험 결과 로드

튜닝 실험을 실행한 후 tuner.fit()를 사용하면 디렉토리에서 결과를 로드할 수 있습니다. 이 기능은 특히 초기 교육 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 평가판 수준 분석

개별 평가판 하이퍼파라미터 구성 및 마지막으로 보고된 지표에 액세스합니다.

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

평가판에 대해 보고된 지표의 전체 기록 플로팅하기

각 평가판에 대해 보고된 지표의 기록을 플로팅하여 시간이 지남에 따라 지표가 어떻게 변화했는지 확인할 수 있습니다.

import matplotlib.pyplot as plt

for result in 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 Ultralytics 을 사용하여 레이 튠으로 실행한 실험의 결과를 분석하는 일반적인 워크플로우를 다루었습니다. 주요 단계에는 디렉토리에서 실험 결과를 로드하고, 기본 실험 수준 및 시험 수준 분석을 수행하고, 메트릭을 플로팅하는 것이 포함됩니다.

레이튠의 결과 분석 문서 페이지에서 하이퍼파라미터 튜닝 실험을 최대한 활용하기 위한 자세한 내용을 살펴보세요.

댓글