Weights & Biases를 이용한 YOLO 실험 추적 및 시각화
객체 탐지 모델인 Ultralytics YOLO26은 많은 컴퓨터 비전 애플리케이션의 필수 요소가 되었습니다. 그러나 이러한 복잡한 모델을 학습, 평가 및 배포하는 과정에서는 여러 가지 문제가 발생합니다. 주요 학습 지표를 추적하고, 모델 버전을 비교하며, 모델의 동작을 분석하고, 문제를 감지하려면 상당한 수준의 계측 및 실험 관리가 필요합니다.
Watch: How to use Ultralytics YOLO26 with Weights and Biases
본 가이드에서는 실험 추적, 모델 체크포인팅 및 모델 성능 시각화를 향상하기 위한 Ultralytics YOLO26과 Weights & Biases의 통합 방법을 소개합니다. 또한 Weights & Biases의 대화형 기능을 사용하여 통합을 설정하고, 학습, 미세 조정 및 결과를 시각화하는 지침도 포함되어 있습니다.
Weights & Biases
Weights & Biases is a cutting-edge MLOps platform designed for tracking, visualizing, and managing machine learning experiments. It features automatic logging of training metrics for full experiment reproducibility, an interactive UI for streamlined data analysis, and efficient model management tools for deploying across various environments.
Weights & Biases를 이용한 YOLO26 학습
Weights & Biases를 사용하여 YOLO26 학습 프로세스의 효율성과 자동화를 높일 수 있습니다. 이 통합을 통해 실험을 추적하고, 모델을 비교하며, 데이터 기반 의사결정을 내려 컴퓨터 비전 프로젝트를 개선할 수 있습니다.
설치
필요한 패키지를 설치하려면 다음을 실행하십시오:
# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb
# Enable W&B logging for Ultralytics
yolo settings wandb=True설치 과정에 대한 자세한 지침과 모범 사례는 YOLO26 설치 가이드를 확인하십시오. YOLO26용 패키지를 설치하는 동안 문제가 발생하면 해결 방법과 팁이 포함된 일반적인 문제 가이드를 참조하십시오.
Weights & Biases 구성하기
필요한 패키지를 설치한 후, 다음 단계는 Weights & Biases 환경을 설정하는 것입니다. 여기에는 Weights & Biases 계정을 생성하고 개발 환경과 W&B 플랫폼 간의 원활한 연결을 위한 API 키를 얻는 과정이 포함됩니다.
먼저 워크스페이스에서 Weights & Biases 환경을 초기화하십시오. 다음 명령어를 실행하고 안내되는 지침을 따르면 됩니다.
import wandb
# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")Weights & Biases 인증 페이지로 이동하여 API 키를 생성하고 검색하십시오. 메시지가 표시되면 이 키를 사용하여 W&B 환경을 인증하십시오.
사용법: Weights & Biases를 사용한 YOLO26 학습
Weights & Biases를 사용한 YOLO26 모델 학습 지침을 살펴보기 전에, Ultralytics에서 제공하는 다양한 YOLO26 모델을 확인하십시오. 이는 프로젝트 요구 사항에 가장 적합한 모델을 선택하는 데 도움이 됩니다.
from ultralytics import YOLO
# Load a YOLO model
model = YOLO("yolo26n.pt")
# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")W&B 인수(Arguments)
| 인수(Argument) | 기본값(Default) | 설명 |
|---|---|---|
| project | None | 로컬 및 W&B에 기록되는 프로젝트 이름을 지정합니다. 이를 통해 여러 실행을 하나로 그룹화할 수 있습니다. |
| name | None | 학습 실행의 이름입니다. 이는 하위 폴더를 생성하는 데 사용되는 이름과 W&B 로깅에 사용되는 이름을 결정합니다. |
Ultralytics에서 Weights & Biases 로깅을 활성화하거나 비활성화하려면 yolo settings 명령어를 사용할 수 있습니다. 기본적으로 Weights & Biases 로깅은 비활성화되어 있습니다.
# Enable Weights & Biases logging
yolo settings wandb=True
# Disable Weights & Biases logging
yolo settings wandb=False출력 이해하기
위의 사용 코드 스니펫을 실행하면 다음과 같은 주요 출력을 기대할 수 있습니다:
- 학습 프로세스의 시작을 나타내는 고유 ID가 포함된 새 실행 설정.
- 레이어 수와 파라미터 수를 포함한 모델 구조의 간략한 요약.
- Regular updates on important metrics such as box loss, cls loss, dfl loss, precision, recall, and mAP scores during each training epoch.
- 학습 종료 시 모델의 추론 속도 및 전체 정확도 지표를 포함한 세부 지표가 표시됩니다.
- 학습 프로세스의 심층 분석 및 시각화를 위한 Weights & Biases 대시보드 링크와 로컬 로그 파일 위치에 대한 정보.
Weights & Biases 대시보드 보기
사용 코드 스니펫을 실행한 후, 출력에 제공된 링크를 통해 Weights & Biases (W&B) 대시보드에 액세스할 수 있습니다. 이 대시보드는 YOLO26을 사용한 모델 학습 프로세스에 대한 포괄적인 보기를 제공합니다.
Weights & Biases 대시보드의 주요 기능
-
실시간 지표 추적: 학습 중 손실, 정확도, 검증 점수와 같은 지표가 변화하는 것을 관찰하여 모델 튜닝을 위한 즉각적인 통찰력을 얻을 수 있습니다. Weights & Biases를 사용하여 실험이 추적되는 방법 보기.
-
하이퍼파라미터 최적화: Weights & Biases는 학습률, 배치 크기 등과 같은 핵심 파라미터를 미세 조정하여 YOLO26의 성능을 향상하는 데 도움을 줍니다. 이는 특정 데이터셋과 작업에 최적의 구성을 찾는 데 도움이 됩니다.
-
비교 분석: 이 플랫폼은 다양한 모델 구성의 영향을 평가하고 어떤 변경 사항이 성능을 향상하는지 이해하는 데 필수적인 여러 학습 실행 간의 비교 분석을 지원합니다.
-
학습 진행 상황 시각화: 주요 지표의 그래픽 표현을 통해 에폭 전반에 걸친 모델 성능을 직관적으로 이해할 수 있습니다. Weights & Biases가 검증 결과를 시각화하는 데 어떻게 도움이 되는지 보기.
-
리소스 모니터링: CPU, GPU 및 메모리 사용량을 추적하여 학습 프로세스의 효율성을 최적화하고 워크플로의 잠재적인 병목 현상을 식별할 수 있습니다.
-
모델 아티팩트 관리: 모델 체크포인트에 액세스하고 공유하여 복잡한 프로젝트에서 팀원들과의 배포 및 협업을 원활하게 합니다.
-
이미지 오버레이를 사용한 추론 결과 보기: Weights & Biases의 대화형 오버레이를 사용하여 이미지에 대한 예측 결과를 시각화함으로써 실제 데이터에 대한 모델 성능을 명확하고 상세하게 확인할 수 있습니다. 자세한 내용은 Weights & Biases의 이미지 오버레이 기능을 참조하십시오.
이러한 기능을 사용하여 YOLO26 모델의 학습을 효과적으로 추적, 분석 및 최적화함으로써 객체 탐지 작업에서 최상의 성능과 효율성을 보장할 수 있습니다.
요약
본 가이드에서는 Weights & Biases와 Ultralytics YOLO 통합 방법을 살펴보았습니다. 이 통합이 모델 학습 및 예측 결과를 효율적으로 추적하고 시각화하는 능력을 보여줍니다. W&B의 강력한 기능을 활용하면 머신 러닝 워크플로를 간소화하고, 데이터 기반 의사결정을 내리며, 모델 성능을 향상할 수 있습니다.
사용법에 대한 자세한 내용은 Weights & Biases 공식 문서를 방문하거나 이 통합에 관한 YOLO VISION 2023의 Soumik Rakshit 발표 자료를 확인하십시오.
Also, be sure to check out the Ultralytics integration guide page, to learn more about different exciting integrations like MLflow and Comet ML.
FAQ
Weights & Biases와 Ultralytics YOLO26을 어떻게 통합합니까?
Weights & Biases와 Ultralytics YOLO26을 통합하려면:
-
필요한 패키지를 설치하십시오:
pip install -U ultralytics wandb yolo settings wandb=True -
Weights & Biases 계정에 로그인하십시오:
import wandb wandb.login(key="YOUR_API_KEY") -
W&B 로깅이 활성화된 상태에서 YOLO26 모델을 학습하십시오:
from ultralytics import YOLO model = YOLO("yolo26n.pt") model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")
이렇게 하면 지표, 하이퍼파라미터 및 모델 아티팩트가 W&B 프로젝트에 자동으로 로깅됩니다.
YOLO26과 Weights & Biases 통합의 주요 기능은 무엇입니까?
주요 기능은 다음과 같습니다:
- 학습 중 실시간 지표 추적
- 하이퍼파라미터 최적화 도구
- 서로 다른 학습 실행 간의 비교 분석
- 그래프를 통한 학습 진행 상황 시각화
- 리소스 모니터링 (CPU, GPU, 메모리 사용량)
- 모델 아티팩트 관리 및 공유
- 이미지 오버레이를 사용하여 추론 결과 보기
이러한 기능은 실험 추적, 모델 최적화 및 YOLO26 프로젝트 협업을 보다 효과적으로 수행하는 데 도움이 됩니다.
YOLO26 학습을 위한 Weights & Biases 대시보드는 어떻게 볼 수 있습니까?
W&B 통합으로 학습 스크립트를 실행한 후:
- 콘솔 출력에서 W&B 대시보드 링크가 제공됩니다.
- 링크를 클릭하거나 wandb.ai로 이동하여 계정에 로그인하십시오.
- 프로젝트로 이동하여 상세 지표, 시각화 및 모델 성능 데이터를 확인하십시오.
대시보드는 모델의 학습 프로세스에 대한 통찰력을 제공하여 YOLO26 모델을 효과적으로 분석하고 개선할 수 있게 합니다.
YOLO26 학습에 대해 Weights & Biases 로깅을 비활성화할 수 있습니까?
네, 다음 명령어를 사용하여 W&B 로깅을 비활성화할 수 있습니다:
yolo settings wandb=False로깅을 다시 활성화하려면 다음을 사용하십시오:
yolo settings wandb=True이를 통해 학습 스크립트를 수정하지 않고도 W&B 로깅 사용 시점을 제어할 수 있습니다.
Weights & Biases는 YOLO26 모델 최적화에 어떻게 도움이 됩니까?
Weights & Biases는 다음과 같은 방식으로 YOLO26 모델 최적화를 돕습니다:
- 학습 지표에 대한 상세한 시각화 제공
- 서로 다른 모델 버전 간의 손쉬운 비교 지원
- 하이퍼파라미터 튜닝을 위한 도구 제공
- 모델 성능에 대한 협업 분석 허용
- 모델 아티팩트 및 결과의 간편한 공유 지원
이러한 기능은 연구자와 개발자가 더 빠르게 반복하고 데이터 기반 의사결정을 내려 YOLO26 모델을 개선하는 데 도움을 줍니다.