μ½˜ν…μΈ λ‘œ κ±΄λ„ˆλ›°κΈ°

Gain Visual Insights with YOLOv8's Integration with TensorBoard

Understanding and fine-tuning computer vision models like Ultralytics' YOLOv8 becomes more straightforward when you take a closer look at their training processes. Model training visualization helps with getting insights into the model's learning patterns, performance metrics, and overall behavior. YOLOv8's integration with TensorBoard makes this process of visualization and analysis easier and enables more efficient and informed adjustments to the model.

이 κ°€μ΄λ“œμ—μ„œλŠ” YOLOv8 μ—μ„œ TensorBoardλ₯Ό μ‚¬μš©ν•˜λŠ” 방법을 λ‹€λ£Ήλ‹ˆλ‹€. λ©”νŠΈλ¦­ 좔적뢀터 λͺ¨λΈ κ·Έλž˜ν”„ 뢄석에 이λ₯΄κΈ°κΉŒμ§€ λ‹€μ–‘ν•œ μ‹œκ°ν™”μ— λŒ€ν•΄ μ•Œμ•„λ΄…λ‹ˆλ‹€. μ΄λŸ¬ν•œ λ„κ΅¬λŠ” YOLOv8 λͺ¨λΈμ˜ μ„±λŠ₯을 더 잘 μ΄ν•΄ν•˜λŠ” 데 도움이 λ©λ‹ˆλ‹€.

ν…μ„œλ³΄λ“œ

ν…μ„œλ³΄λ“œ κ°œμš”

TensorFlow 의 μ‹œκ°ν™” 도ꡬ ν‚€νŠΈμΈ TensorBoardλŠ” λ¨Έμ‹  λŸ¬λ‹ μ‹€ν—˜μ— ν•„μˆ˜μ μž…λ‹ˆλ‹€. TensorBoardλŠ” λ¨Έμ‹  λŸ¬λ‹ λͺ¨λΈμ„ λͺ¨λ‹ˆν„°λ§ν•˜λŠ” 데 ν•„μˆ˜μ μΈ λ‹€μ–‘ν•œ μ‹œκ°ν™” 도ꡬλ₯Ό μ œκ³΅ν•©λ‹ˆλ‹€. μ΄λŸ¬ν•œ λ„κ΅¬μ—λŠ” 손싀 및 정확도와 같은 μ£Όμš” λ©”νŠΈλ¦­ 좔적, λͺ¨λΈ κ·Έλž˜ν”„ μ‹œκ°ν™”, μ‹œκ°„ 경과에 λ”°λ₯Έ νžˆμŠ€ν† κ·Έλž¨ 보기( weights and biases )κ°€ ν¬ν•¨λ©λ‹ˆλ‹€. λ˜ν•œ μž„λ² λ”©μ„ 저차원 곡간에 νˆ¬μ˜ν•˜κ³  λ©€ν‹°λ―Έλ””μ–΄ 데이터λ₯Ό ν‘œμ‹œν•˜λŠ” κΈ°λŠ₯도 μ œκ³΅ν•©λ‹ˆλ‹€.

YOLOv8 ν…μ„œλ³΄λ“œλ‘œ κ΅μœ‘ν•˜κΈ°

YOLOv8 λͺ¨λΈμ„ ν›ˆλ ¨ν•˜λŠ” λ™μ•ˆ TensorBoardλ₯Ό μ‚¬μš©ν•˜λŠ” 것은 κ°„λ‹¨ν•˜λ©° μƒλ‹Ήν•œ 이점을 μ œκ³΅ν•©λ‹ˆλ‹€.

μ„€μΉ˜

ν•„μš”ν•œ νŒ¨ν‚€μ§€λ₯Ό μ„€μΉ˜ν•˜λ €λ©΄ μ‹€ν–‰ν•©λ‹ˆλ‹€:

μ„€μΉ˜

# Install the required package for YOLOv8 and Tensorboard
pip install ultralytics

ν…μ„œλ³΄λ“œλŠ” YOLOv8 에 νŽΈλ¦¬ν•˜κ²Œ 사전 μ„€μΉ˜λ˜μ–΄ μžˆμœΌλ―€λ‘œ μ‹œκ°ν™” λͺ©μ μœΌλ‘œ μΆ”κ°€ 섀정이 ν•„μš”ν•˜μ§€ μ•ŠμŠ΅λ‹ˆλ‹€.

μ„€μΉ˜ κ³Όμ •κ³Ό κ΄€λ ¨λœ μžμ„Έν•œ 지침과 λͺ¨λ²” μ‚¬λ‘€λŠ” YOLOv8 μ„€μΉ˜ κ°€μ΄λ“œλ₯Ό ν™•μΈν•˜μ„Έμš”. YOLOv8 에 ν•„μš”ν•œ νŒ¨ν‚€μ§€λ₯Ό μ„€μΉ˜ν•˜λŠ” λ™μ•ˆ λ¬Έμ œκ°€ λ°œμƒν•˜λ©΄ 일반적인 문제 κ°€μ΄λ“œλ₯Ό μ°Έμ‘°ν•˜μ—¬ ν•΄κ²° 방법과 νŒμ„ ν™•μΈν•˜μ„Έμš”.

Google Colab용 TensorBoard κ΅¬μ„±ν•˜κΈ°

Google Colab을 μ‚¬μš©ν•  λ•ŒλŠ” ꡐ윑 μ½”λ“œλ₯Ό μ‹œμž‘ν•˜κΈ° 전에 TensorBoardλ₯Ό μ„€μ •ν•˜λŠ” 것이 μ€‘μš”ν•©λ‹ˆλ‹€:

Google Colab용 TensorBoard κ΅¬μ„±ν•˜κΈ°

%load_ext tensorboard
%tensorboard --logdir path/to/runs

μ‚¬μš©λ²•

μ‚¬μš© 지침을 μ‚΄νŽ΄λ³΄κΈ° 전에 Ultralytics μ—μ„œ μ œκ³΅ν•˜λŠ” λ‹€μ–‘ν•œ YOLOv8 λͺ¨λΈμ„ ν™•μΈν•˜μ„Έμš”. ν”„λ‘œμ νŠΈ μš”κ΅¬ 사항에 κ°€μž₯ μ ν•©ν•œ λͺ¨λΈμ„ μ„ νƒν•˜λŠ” 데 도움이 될 κ²ƒμž…λ‹ˆλ‹€.

μ‚¬μš©λ²•

```python

μ—μ„œ ultralytics κ°€μ Έμ˜€κΈ° YOLO

# 사전 ν•™μŠ΅λœ λͺ¨λΈ λ‘œλ“œ model = YOLO('yolov8n.pt')

# λͺ¨λΈ ν›ˆλ ¨ν•˜κΈ° results = model.train(data='coco8.yaml', epochs=100, imgsz=640) ```

μœ„μ˜ μ‚¬μš© μ½”λ“œ μŠ€λ‹ˆνŽ«μ„ μ‹€ν–‰ν•˜λ©΄ λ‹€μŒκ³Ό 같은 좜λ ₯을 κΈ°λŒ€ν•  수 μžˆμŠ΅λ‹ˆλ‹€:

TensorBoard: Start with 'tensorboard --logdir path_to_your_tensorboard_logs', view at http://localhost:6006/

이 좜λ ₯은 TensorBoardκ°€ 이제 YOLOv8 ꡐ윑 μ„Έμ…˜μ„ 적극적으둜 λͺ¨λ‹ˆν„°λ§ν•˜κ³  μžˆμŒμ„ λ‚˜νƒ€λƒ…λ‹ˆλ‹€. 제곡된 URL(http://localhost:6006/)을 λ°©λ¬Έν•˜μ—¬ TensorBoard λŒ€μ‹œλ³΄λ“œμ— μ•‘μ„ΈμŠ€ν•˜μ—¬ μ‹€μ‹œκ°„ ν•™μŠ΅ λ©”νŠΈλ¦­ 및 λͺ¨λΈ μ„±λŠ₯을 확인할 수 μžˆμŠ΅λ‹ˆλ‹€. Google Colabμ—μ„œ μž‘μ—…ν•˜λŠ” μ‚¬μš©μžμ˜ 경우 TensorBoard ꡬ성 λͺ…령을 μ‹€ν–‰ν•œ λ™μΌν•œ 셀에 TensorBoardκ°€ ν‘œμ‹œλ©λ‹ˆλ‹€.

λͺ¨λΈ ν›ˆλ ¨ ν”„λ‘œμ„ΈμŠ€μ™€ κ΄€λ ¨λœ μžμ„Έν•œ λ‚΄μš©μ€ λͺ¨λΈ ν›ˆλ ¨ κ°€μ΄λ“œ(YOLOv8 )λ₯Ό μ°Έμ‘°ν•˜μ„Έμš”. λ‘œκΉ…, 체크포인트, ν”Œλ‘œνŒ… 및 파일 관리에 λŒ€ν•΄ μžμ„Ένžˆ μ•Œμ•„λ³΄λ €λ©΄ 섀정에 λŒ€ν•œ μ‚¬μš© κ°€μ΄λ“œλ₯Ό μ°Έμ‘°ν•˜μ„Έμš”.

YOLOv8 κ΅μœ‘μ„ μœ„ν•œ TensorBoard μ΄ν•΄ν•˜κΈ°

Now, let's focus on understanding the various features and components of TensorBoard in the context of YOLOv8 training. The three key sections of the TensorBoard are Time Series, Scalars, and Graphs.

μ‹œκ³„μ—΄

ν…μ„œλ³΄λ“œμ˜ μ‹œκ³„μ—΄ κΈ°λŠ₯은 YOLOv8 λͺ¨λΈμ— λŒ€ν•œ μ‹œκ°„ 경과에 λ”°λ₯Έ λ‹€μ–‘ν•œ ν•™μŠ΅ λ©”νŠΈλ¦­μ— λŒ€ν•œ 역동적이고 μƒμ„Έν•œ 관점을 μ œκ³΅ν•©λ‹ˆλ‹€. 이 κΈ°λŠ₯은 ν›ˆλ ¨ 기간에 걸친 λ©”νŠΈλ¦­μ˜ 진행 상황과 좔세에 쀑점을 λ‘‘λ‹ˆλ‹€. λ‹€μŒμ€ μ˜ˆμƒν•  수 μžˆλŠ” κ²ƒμ˜ μ˜ˆμ‹œμž…λ‹ˆλ‹€.

이미지

ν…μ„œλ³΄λ“œμ—μ„œ μ‹œκ³„μ—΄μ˜ μ£Όμš” κΈ°λŠ₯

  • νƒœκ·Έ 및 κ³ μ •λœ μΉ΄λ“œ 필터링: 이 κΈ°λŠ₯을 톡해 μ‚¬μš©μžλŠ” νŠΉμ • μ§€ν‘œλ₯Ό ν•„ν„°λ§ν•˜κ³  μΉ΄λ“œλ₯Ό κ³ μ •ν•˜μ—¬ λΉ λ₯΄κ²Œ λΉ„κ΅ν•˜κ³  μ•‘μ„ΈμŠ€ν•  수 μžˆμŠ΅λ‹ˆλ‹€. ꡐ윑 κ³Όμ •μ˜ νŠΉμ • 츑면에 집쀑할 λ•Œ 특히 μœ μš©ν•©λ‹ˆλ‹€.

  • μ„ΈλΆ€ λ©”νŠΈλ¦­ μΉ΄λ“œ: μ‹œκ³„μ—΄μ€ λ©”νŠΈλ¦­μ„ ν•™μŠ΅λ₯ (lr), νŠΈλ ˆμ΄λ‹(train), μœ νš¨μ„± 검사(val) λ©”νŠΈλ¦­κ³Ό 같은 λ‹€μ–‘ν•œ μΉ΄ν…Œκ³ λ¦¬λ‘œ λ‚˜λˆ„λ©°, 각각 κ°œλ³„ μΉ΄λ“œλ‘œ ν‘œμ‹œλ©λ‹ˆλ‹€.

  • κ·Έλž˜ν”½ λ””μŠ€ν”Œλ ˆμ΄: μ‹œκ³„μ—΄ μ„Ήμ…˜μ˜ 각 μΉ΄λ“œλŠ” νŠΈλ ˆμ΄λ‹ κ³Όμ •μ—μ„œ νŠΉμ • μ§€ν‘œμ— λŒ€ν•œ μžμ„Έν•œ κ·Έλž˜ν”„λ₯Ό λ³΄μ—¬μ€λ‹ˆλ‹€. 이 μ‹œκ°μ  ν‘œν˜„μ€ ν›ˆλ ¨ κ³Όμ •μ˜ μΆ”μ„Έ, νŒ¨ν„΄ λ˜λŠ” 이상 징후λ₯Ό μ‹λ³„ν•˜λŠ” 데 도움이 λ©λ‹ˆλ‹€.

  • 심측 뢄석: μ‹œκ³„μ—΄μ€ 각 λ©”νŠΈλ¦­μ— λŒ€ν•œ 심측 뢄석을 μ œκ³΅ν•©λ‹ˆλ‹€. 예λ₯Ό λ“€μ–΄, λ‹€μ–‘ν•œ ν•™μŠ΅λ₯  μ„Έκ·Έλ¨ΌνŠΈκ°€ ν‘œμ‹œλ˜μ–΄ ν•™μŠ΅λ₯  쑰정이 λͺ¨λΈμ˜ ν•™μŠ΅ 곑선에 μ–΄λ–€ 영ν–₯을 λ―ΈμΉ˜λŠ”μ§€μ— λŒ€ν•œ μΈμ‚¬μ΄νŠΈλ₯Ό μ œκ³΅ν•©λ‹ˆλ‹€.

YOLOv8 κ΅μœ‘μ—μ„œ μ‹œκ³„μ—΄μ˜ μ€‘μš”μ„±

The Time Series section is essential for a thorough analysis of the YOLOv8 model's training progress. It lets you track the metrics in real time to promptly identify and solve issues. It also offers a detailed view of each metrics progression, which is crucial for fine-tuning the model and enhancing its performance.

슀칼라

ν…μ„œλ³΄λ“œμ˜ μŠ€μΉΌλΌλŠ” YOLOv8 λͺ¨λΈμ„ ν•™μŠ΅ν•˜λŠ” λ™μ•ˆ 손싀 및 정확도와 같은 κ°„λ‹¨ν•œ λ©”νŠΈλ¦­μ„ ν”Œλ‘œνŒ…ν•˜κ³  λΆ„μ„ν•˜λŠ” 데 맀우 μ€‘μš”ν•©λ‹ˆλ‹€. μ΄λŸ¬ν•œ λ©”νŠΈλ¦­μ΄ 각 ν›ˆλ ¨ 기간에 따라 μ–΄λ–»κ²Œ λ³€ν™”ν•˜λŠ”μ§€λ₯Ό λͺ…ν™•ν•˜κ³  κ°„κ²°ν•˜κ²Œ λ³΄μ—¬μ€ŒμœΌλ‘œμ¨ λͺ¨λΈμ˜ ν•™μŠ΅ νš¨κ³Όμ™€ μ•ˆμ •μ„±μ— λŒ€ν•œ μΈμ‚¬μ΄νŠΈλ₯Ό μ œκ³΅ν•©λ‹ˆλ‹€. λ‹€μŒμ€ μ˜ˆμƒλ˜λŠ” 결과의 μ˜ˆμ‹œμž…λ‹ˆλ‹€.

이미지

ν…μ„œλ³΄λ“œμ—μ„œ 슀칼라의 μ£Όμš” κΈ°λŠ₯

  • ν•™μŠ΅λ₯ (lr) νƒœκ·Έ: μ΄λŸ¬ν•œ νƒœκ·ΈλŠ” μ—¬λŸ¬ μ„Έκ·Έλ¨ΌνŠΈμ— 걸쳐 ν•™μŠ΅λ₯ μ˜ λ³€ν™”λ₯Ό λ³΄μ—¬μ€λ‹ˆλ‹€(예 pg0, pg1, pg2). 이λ₯Ό 톡해 ν•™μŠ΅ 속도 쑰정이 ꡐ윑 과정에 λ―ΈμΉ˜λŠ” 영ν–₯을 νŒŒμ•…ν•  수 μžˆμŠ΅λ‹ˆλ‹€.

  • λ©”νŠΈλ¦­ νƒœκ·Έ: μŠ€μΉΌλΌμ—λŠ” λ‹€μŒκ³Ό 같은 μ„±κ³Ό μ§€ν‘œκ°€ ν¬ν•¨λ©λ‹ˆλ‹€:

    • mAP50 (B): 객체 감지 정확도λ₯Ό ν‰κ°€ν•˜λŠ” 데 μ€‘μš”ν•œ 50% ꡐ차점(IoU)μ—μ„œμ˜ 평균 평균 μ •λ°€λ„μž…λ‹ˆλ‹€.

    • mAP50-95 (B): 평균 평균 정밀도: λ‹€μ–‘ν•œ IoU μž„κ³„κ°’μ— λŒ€ν•΄ κ³„μ‚°λœ 평균 μ •λ°€λ„λ‘œ, 정확도λ₯Ό 보닀 ν¬κ΄„μ μœΌλ‘œ 평가할 수 μžˆμŠ΅λ‹ˆλ‹€.

    • Precision (B): 예츑 정확도λ₯Ό μ΄ν•΄ν•˜λŠ” 데 핡심이 λ˜λŠ” μ˜¬λ°”λ₯΄κ²Œ 예츑된 μ–‘μ„± κ΄€μΈ‘μ˜ λΉ„μœ¨μ„ λ‚˜νƒ€λƒ…λ‹ˆλ‹€.

    • Recall (B): 탐지 λˆ„λ½μ΄ μ€‘μš”ν•œ λͺ¨λΈμ— μ€‘μš”ν•œ 이 λ©”νŠΈλ¦­μ€ λͺ¨λ“  κ΄€λ ¨ μΈμŠ€ν„΄μŠ€λ₯Ό νƒμ§€ν•˜λŠ” κΈ°λŠ₯을 μΈ‘μ •ν•©λ‹ˆλ‹€.

    • λ‹€μ–‘ν•œ μ§€ν‘œμ— λŒ€ν•΄ μžμ„Ένžˆ μ•Œμ•„λ³΄λ €λ©΄ μ„±λŠ₯ μ§€ν‘œμ— λŒ€ν•œ κ°€μ΄λ“œλ₯Ό μ°Έμ‘°ν•˜μ„Έμš”.

  • ꡐ윑 및 μœ νš¨μ„± 검사 νƒœκ·Έ(train, val): μ΄λŸ¬ν•œ νƒœκ·ΈλŠ” ν•™μŠ΅ 및 검증 데이터 μ„ΈνŠΈμ— λŒ€ν•œ λ©”νŠΈλ¦­μ„ ν‘œμ‹œν•˜μ—¬ λ‹€μ–‘ν•œ 데이터 μ„ΈνŠΈμ—μ„œ λͺ¨λΈ μ„±λŠ₯을 비ꡐ 뢄석할 수 μžˆλ„λ‘ ν•©λ‹ˆλ‹€.

슀칼라 λͺ¨λ‹ˆν„°λ§μ˜ μ€‘μš”μ„±

슀칼라 λ©”νŠΈλ¦­μ„ κ΄€μ°°ν•˜λŠ” 것은 YOLOv8 λͺ¨λΈμ„ λ―Έμ„Έ μ‘°μ •ν•˜λŠ” 데 맀우 μ€‘μš”ν•©λ‹ˆλ‹€. 손싀 κ·Έλž˜ν”„μ˜ 급증 λ˜λŠ” λΆˆκ·œμΉ™ν•œ νŒ¨ν„΄κ³Ό 같은 μ΄λŸ¬ν•œ λ©”νŠΈλ¦­μ˜ λ³€ν™”λŠ” 과적합, κ³Όμ†Œμ ν•© λ˜λŠ” λΆ€μ μ ˆν•œ ν•™μŠ΅ 속도 μ„€μ •κ³Ό 같은 잠재적인 문제λ₯Ό λΆ€κ°μ‹œν‚¬ 수 μžˆμŠ΅λ‹ˆλ‹€. μ΄λŸ¬ν•œ 슀칼라λ₯Ό λ©΄λ°€νžˆ λͺ¨λ‹ˆν„°λ§ν•˜λ©΄ ν•™μŠ΅ ν”„λ‘œμ„ΈμŠ€λ₯Ό μ΅œμ ν™”ν•˜μ—¬ λͺ¨λΈμ΄ 효과적으둜 ν•™μŠ΅ν•˜κ³  μ›ν•˜λŠ” μ„±λŠ₯을 달성할 수 μžˆλ„λ‘ 정보에 μž…κ°ν•œ 결정을 내릴 수 μžˆμŠ΅λ‹ˆλ‹€.

μŠ€μΉΌλΌμ™€ μ‹œκ³„μ—΄μ˜ 차이점

TensorBoard의 μŠ€μΉΌλΌμ™€ μ‹œκ³„μ—΄μ€ λͺ¨λ‘ λ©”νŠΈλ¦­μ„ μΆ”μ ν•˜λŠ” 데 μ‚¬μš©λ˜μ§€λ§Œ, μ•½κ°„ λ‹€λ₯Έ μš©λ„λ‘œ μ‚¬μš©λ©λ‹ˆλ‹€. μŠ€μΉΌλΌλŠ” 손싀 및 정확도와 같은 κ°„λ‹¨ν•œ λ©”νŠΈλ¦­μ„ 슀칼라 κ°’μœΌλ‘œ ν‘œμ‹œν•˜λŠ” 데 쀑점을 λ‘‘λ‹ˆλ‹€. 각 ν›ˆλ ¨ 기간에 따라 μ΄λŸ¬ν•œ λ©”νŠΈλ¦­μ΄ μ–΄λ–»κ²Œ λ³€ν™”ν•˜λŠ”μ§€μ— λŒ€ν•œ 개랡적인 κ°œμš”λ₯Ό μ œκ³΅ν•©λ‹ˆλ‹€. 반면, ν…μ„œλ³΄λ“œμ˜ μ‹œκ³„μ—΄ μ„Ήμ…˜μ—μ„œλŠ” λ‹€μ–‘ν•œ λ©”νŠΈλ¦­μ— λŒ€ν•œ 보닀 μžμ„Έν•œ νƒ€μž„λΌμΈ 보기λ₯Ό μ œκ³΅ν•©λ‹ˆλ‹€. μ‹œκ°„ 경과에 λ”°λ₯Έ λ©”νŠΈλ¦­μ˜ 진행 상황과 μΆ”μ„Έλ₯Ό λͺ¨λ‹ˆν„°λ§ν•˜λŠ” 데 특히 μœ μš©ν•˜λ©°, ν›ˆλ ¨ κ³Όμ •μ˜ μ„ΈλΆ€ 사항을 더 μžμ„Ένžˆ μ‚΄νŽ΄λ³Ό 수 μžˆμŠ΅λ‹ˆλ‹€.

κ·Έλž˜ν”„

ν…μ„œλ³΄λ“œμ˜ κ·Έλž˜ν”„ μ„Ήμ…˜μ€ YOLOv8 λͺ¨λΈμ˜ 계산 κ·Έλž˜ν”„λ₯Ό μ‹œκ°ν™”ν•˜μ—¬ λͺ¨λΈ λ‚΄μ—μ„œ μ—°μ‚°κ³Ό 데이터 흐름이 μ–΄λ–»κ²Œ μ΄λ£¨μ–΄μ§€λŠ”μ§€ λ³΄μ—¬μ€λ‹ˆλ‹€. μ΄λŠ” λͺ¨λΈμ˜ ꡬ쑰λ₯Ό μ΄ν•΄ν•˜κ³ , λͺ¨λ“  계측이 μ˜¬λ°”λ₯΄κ²Œ μ—°κ²°λ˜μ–΄ μžˆλŠ”μ§€ ν™•μΈν•˜λ©°, 데이터 νλ¦„μ˜ 잠재적인 병λͺ© ν˜„μƒμ„ νŒŒμ•…ν•  수 μžˆλŠ” κ°•λ ₯ν•œ λ„κ΅¬μž…λ‹ˆλ‹€. λ‹€μŒμ€ μ˜ˆμƒν•  수 μžˆλŠ” μ˜ˆμ‹œμž…λ‹ˆλ‹€.

이미지

κ·Έλž˜ν”„λŠ” 특히 YOLOv8 κ³Ό 같은 λ”₯λŸ¬λ‹ λͺ¨λΈμ—μ„œ ν”νžˆ λ³Ό 수 μžˆλŠ” λ³΅μž‘ν•œ μ•„ν‚€ν…μ²˜μ—μ„œ λͺ¨λΈμ„ λ””λ²„κΉ…ν•˜λŠ” 데 특히 μœ μš©ν•©λ‹ˆλ‹€. κ·Έλž˜ν”„λŠ” λ ˆμ΄μ–΄ μ—°κ²°κ³Ό λͺ¨λΈμ˜ μ „λ°˜μ μΈ 섀계λ₯Ό κ²€μ¦ν•˜λŠ” 데 도움이 λ©λ‹ˆλ‹€.

μš”μ•½

이 κ°€μ΄λ“œλŠ” λ¨Έμ‹  λŸ¬λ‹ λͺ¨λΈ ν›ˆλ ¨μ˜ μ‹œκ°ν™” 및 뢄석을 μœ„ν•΄ YOLOv8 와 ν•¨κ»˜ TensorBoardλ₯Ό μ‚¬μš©ν•˜λŠ” 데 도움이 λ˜λŠ” 것을 λͺ©ν‘œλ‘œ ν•©λ‹ˆλ‹€. 이 κ°€μ΄λ“œλŠ” YOLOv8 νŠΈλ ˆμ΄λ‹ μ„Έμ…˜ 쀑에 μ£Όμš” TensorBoard κΈ°λŠ₯이 νŠΈλ ˆμ΄λ‹ λ©”νŠΈλ¦­ 및 λͺ¨λΈ μ„±λŠ₯에 λŒ€ν•œ μΈμ‚¬μ΄νŠΈλ₯Ό μ œκ³΅ν•˜λŠ” 방법을 μ„€λͺ…ν•˜λŠ” 데 쀑점을 λ‘‘λ‹ˆλ‹€.

For a more detailed exploration of these features and effective utilization strategies, you can refer to TensorFlow's official TensorBoard documentation and their GitHub repository.

Ultralytics 의 λ‹€μ–‘ν•œ 톡합 κΈ°λŠ₯에 λŒ€ν•΄ 더 μžμ„Ένžˆ μ•Œκ³  μ‹ΆμœΌμ‹ κ°€μš”? Ultralytics 톡합 κ°€μ΄λ“œ νŽ˜μ΄μ§€μ—μ„œ 또 μ–΄λ–€ ν₯미둜운 κΈ°λŠ₯이 기닀리고 μžˆλŠ”μ§€ 확인해 λ³΄μ„Έμš”!



Created 2024-01-01, Updated 2024-06-02
Authors: glenn-jocher (5), abirami-vina (1)

λŒ“κΈ€