Weights & Biases를 사용한 YOLO 실험 추적 및 시각화

객체 감지 모델인 Ultralytics YOLO11은 많은 컴퓨터 비전 애플리케이션에 필수적인 요소가 되었습니다. 그러나 이러한 복잡한 모델을 학습, 평가 및 배포하는 데에는 여러 가지 어려움이 따릅니다. 주요 학습 메트릭 추적, 모델 변형 비교, 모델 동작 분석 및 문제점 감지에는 상당한 계측 및 실험 관리가 필요합니다.

참고: Weights and Biases로 Ultralytics YOLO11을 사용하는 방법

이 가이드에서는 향상된 실험 추적, 모델 체크포인트, 모델 성능 시각화를 위해 Ultralytics YOLO11과 Weights & Biases의 통합을 보여줍니다. 또한 Weights & Biases의 대화형 기능을 사용하여 통합 설정, 학습, 미세 조정 및 결과 시각화에 대한 지침도 포함되어 있습니다.

Weights & Biases

Weights & Biases는 머신 러닝 실험을 추적, 시각화 및 관리하기 위해 설계된 최첨단 MLOps 플랫폼입니다. 전체 실험 재현성을 위한 훈련 메트릭의 자동 로깅, 간소화된 데이터 분석을 위한 대화형 UI, 다양한 환경에 배포하기 위한 효율적인 모델 관리 도구가 특징입니다.

Weights & Biases를 사용한 YOLO11 학습

Weights & Biases를 사용하여 YOLO11 훈련 프로세스에 효율성과 자동화를 가져올 수 있습니다. 통합을 통해 실험을 추적하고, 모델을 비교하고, 데이터 기반 의사 결정을 내려 컴퓨터 비전 프로젝트를 개선할 수 있습니다.

설치

필수 패키지를 설치하려면 다음을 실행합니다:

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

설치 프로세스와 관련된 자세한 지침 및 모범 사례는 YOLO11 설치 가이드를 참조하십시오. YOLO11에 필요한 패키지를 설치하는 동안 어려움이 발생하면 일반적인 문제 가이드에서 해결 방법과 팁을 참조하십시오.

Weights & Biases 구성

필요한 패키지를 설치한 후 다음 단계는 Weights & Biases 환경을 설정하는 것입니다. 여기에는 Weights & Biases 계정 생성과 개발 환경과 W&B 플랫폼 간의 원활한 연결을 위한 필요한 API 키 얻기가 포함됩니다.

작업 공간에서 Weights & Biases 환경을 초기화하는 것으로 시작합니다. 다음 명령을 실행하고 표시되는 지침을 따르면 됩니다.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")

# Initialize your Weights & Biases environment
wandb login YOUR_API_KEY

Weights & Biases 인증 페이지로 이동하여 API 키를 생성하고 검색합니다. 이 키를 사용하여 W&B로 환경을 인증합니다.

사용법: Weights & Biases를 사용한 YOLO11 학습

Weights & Biases를 사용한 YOLO11 모델 학습에 대한 사용 지침을 살펴보기 전에 Ultralytics에서 제공하는 다양한 YOLO11 모델을 확인하십시오. 이를 통해 프로젝트 요구 사항에 가장 적합한 모델을 선택하는 데 도움이 될 것입니다.

from ultralytics import YOLO

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

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

# Train a YOLO11 model with Weights & Biases
yolo train data=coco8.yaml epochs=5 project=ultralytics name=yolo11n

W&B 인수

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

결과 이해하기

위의 사용 코드 스니펫을 실행하면 다음과 같은 주요 출력을 예상할 수 있습니다.

• 새로운 실행의 설정과 고유 ID는 학습 프로세스의 시작을 나타냅니다.
• 레이어 및 파라미터 수를 포함한 모델 구조에 대한 간결한 요약입니다.
• 각 학습 epoch 동안 box loss, cls loss, dfl loss, 정밀도, 재현율 및 mAP 점수와 같은 중요한 지표에 대한 정기적인 업데이트.
• 학습이 끝나면 모델의 추론 속도 및 전체 정확도 지표를 포함한 자세한 지표가 표시됩니다.
• 심층 분석 및 학습 프로세스 시각화를 위한 Weights & Biases 대시보드 링크와 로컬 로그 파일 위치에 대한 정보가 제공됩니다.

Weights & Biases 대시보드 보기

사용 코드 스니펫을 실행한 후 출력에 제공된 링크를 통해 Weights & Biases (W&B) 대시보드에 액세스할 수 있습니다. 이 대시보드는 YOLO11을 사용한 모델 학습 프로세스에 대한 포괄적인 보기를 제공합니다.

Weights & Biases 대시보드의 주요 기능

• 실시간 지표 추적: 손실, 정확도 및 유효성 검사 점수와 같은 지표가 학습 중에 어떻게 변화하는지 관찰하여 모델 튜닝에 대한 즉각적인 통찰력을 제공합니다. Weights & Biases를 사용하여 실험이 어떻게 추적되는지 확인하세요.

• 하이퍼파라미터 최적화: Weights & Biases는 학습률, 배치 크기 등과 같은 중요한 파라미터를 미세 조정하여 YOLO11의 성능을 향상시키는 데 도움을 줍니다. 이를 통해 특정 데이터 세트 및 작업에 대한 최적의 구성을 찾을 수 있습니다.

• 비교 분석: 이 플랫폼을 사용하면 다양한 모델 구성의 영향을 평가하고 어떤 변경 사항이 성능을 향상시키는지 파악하는 데 필수적인 여러 훈련 실행을 나란히 비교할 수 있습니다.

• 학습 진행 상황 시각화: 주요 지표의 그래픽 표현은 epoch에 따른 모델 성능에 대한 직관적인 이해를 제공합니다. Weights & Biases가 유효성 검사 결과를 시각화하는 데 어떻게 도움이 되는지 확인하세요.

• 리소스 모니터링: CPU, GPU 및 메모리 사용량을 추적하여 학습 프로세스의 효율성을 최적화하고 워크플로의 잠재적인 병목 현상을 식별합니다.

• 모델 아티팩트 관리: 모델 체크포인트를 액세스하고 공유하여 복잡한 프로젝트에서 팀원과의 쉬운 배포 및 협업을 촉진합니다.

• 이미지 오버레이를 사용한 추론 결과 보기: Weights & Biases의 인터랙티브 오버레이를 사용하여 이미지에 대한 예측 결과를 시각화하여 실제 데이터에 대한 모델 성능을 명확하고 자세하게 볼 수 있습니다. 자세한 내용은 Weights & Biases의 이미지 오버레이 기능을 참조하십시오.

이러한 기능을 사용하면 YOLO11 모델의 학습을 효과적으로 추적, 분석 및 최적화하여 객체 감지 작업에 대한 최상의 성능과 효율성을 보장할 수 있습니다.

요약

본 가이드에서는 Ultralytics YOLO와 Weights & Biases의 통합에 대해 살펴보았습니다. 이 통합은 모델 학습 및 예측 결과를 효율적으로 추적하고 시각화하는 기능을 보여줍니다. W&B의 강력한 기능을 활용하여 머신 러닝 워크플로를 간소화하고, 데이터 기반 의사 결정을 내리고, 모델 성능을 향상시킬 수 있습니다.

사용법에 대한 자세한 내용은 Weights & Biases 공식 문서를 방문하거나 YOLO VISION 2023에서 Soumik Rakshit의 발표를 통해 이 통합에 대해 알아보십시오.

또한 Ultralytics 통합 가이드 페이지를 확인하여 MLflow 및 Comet ML과 같은 다양한 흥미로운 통합에 대해 자세히 알아보십시오.

FAQ

Ultralytics YOLO11과 Weights & Biases를 어떻게 통합하나요?

Ultralytics YOLO11과 Weights & Biases를 통합하려면:

1. 필요한 패키지를 설치합니다:

   pip install -U ultralytics wandb
   yolo settings wandb=True
   

2. Weights & Biases 계정에 로그인합니다:

   import wandb
   
   wandb.login(key="YOUR_API_KEY")
   

3. W&B 로깅을 활성화한 상태로 YOLO11 모델을 학습합니다:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
   

이렇게 하면 지표, 하이퍼파라미터 및 모델 아티팩트가 W&B 프로젝트에 자동으로 기록됩니다.

YOLO11과 Weights & Biases 통합의 주요 기능은 무엇인가요?

주요 기능은 다음과 같습니다.

• 학습 중 실시간 메트릭 추적
• 하이퍼파라미터 최적화 도구
• 다양한 학습 실행에 대한 비교 분석
• 그래프를 통한 학습 진행 상황 시각화
• 리소스 모니터링 (CPU, GPU, 메모리 사용량)
• 모델 결과물 관리 및 공유
• 이미지 오버레이를 사용한 추론 결과 보기

이러한 기능은 실험 추적, 모델 최적화, YOLO11 프로젝트에서 보다 효과적인 협업을 지원합니다.

YOLO11 학습에 대한 Weights & Biases 대시보드를 어떻게 볼 수 있나요?

W&B 통합으로 학습 스크립트를 실행한 후:

1. W&B 대시보드 링크가 콘솔 출력에 제공됩니다.
2. 링크를 클릭하거나 wandb.ai로 이동하여 계정에 로그인합니다.
3. 프로젝트로 이동하여 자세한 메트릭, 시각화 및 모델 성능 데이터를 확인합니다.

대시보드는 모델의 학습 과정에 대한 통찰력을 제공하여 YOLO11 모델을 효과적으로 분석하고 개선할 수 있도록 합니다.

YOLO11 학습에 대한 Weights & Biases 로깅을 비활성화할 수 있나요?

예, 다음 명령을 사용하여 W&B 로깅을 비활성화할 수 있습니다.

yolo settings wandb=False

로깅을 다시 활성화하려면 다음을 사용하십시오:

yolo settings wandb=True

이를 통해 학습 스크립트를 수정하지 않고도 W&B 로깅을 사용할 시점을 제어할 수 있습니다.

Weights & Biases는 YOLO11 모델 최적화에 어떻게 도움이 되나요?

Weights & Biases는 다음을 통해 YOLO11 모델을 최적화하는 데 도움을 줍니다.

1. 학습 메트릭에 대한 자세한 시각화 제공
2. 서로 다른 모델 버전 간의 쉬운 비교 활성화
3. 하이퍼파라미터 튜닝을 위한 도구 제공
4. 모델 성능에 대한 협업 분석 허용
5. 모델 결과물 및 결과의 쉬운 공유 촉진

이러한 기능은 연구원과 개발자가 더 빠르게 반복하고 데이터 기반 의사 결정을 내려 YOLO11 모델을 개선하는 데 도움이 됩니다.

📅 1년 전에 생성됨 ✏️ 4개월 전에 업데이트됨

댓글