다음을 사용하여 YOLO11 실험 추적 및 시각화 향상 Weights & Biases

같은 객체 감지 모델은 Ultralytics YOLO11 과 같은 객체 감지 모델은 많은 컴퓨터 비전 애플리케이션에 필수적인 요소가 되었습니다. 하지만 이러한 복잡한 모델을 훈련, 평가, 배포하는 데에는 몇 가지 어려움이 따릅니다. 주요 훈련 메트릭을 추적하고, 모델 변형을 비교하고, 모델 동작을 분석하고, 문제를 감지하려면 상당한 계측 및 실험 관리가 필요합니다.

Watch: 사용 방법 Ultralytics YOLO11 Weights and Biases

이 가이드에서는 실험 추적, 모델 체크포인트 지정 및 모델 성능 시각화를 개선하기 위한 Ultralytics YOLO11 과 Weights & Biases 의 통합을 소개합니다. 또한 Weights & Biases' 대화형 기능을 사용하여 통합 설정, 훈련, 미세 조정 및 결과 시각화에 대한 지침도 포함되어 있습니다.

Weights & Biases

Weights & Biases 는 머신 러닝 실험을 추적, 시각화, 관리하기 위해 설계된 최첨단 MLOps 플랫폼입니다. 완벽한 실험 재현성을 위한 훈련 메트릭 자동 로깅, 간소화된 데이터 분석을 위한 대화형 UI, 다양한 환경에 배포할 수 있는 효율적인 모델 관리 도구가 특징입니다.

YOLO11 교육 대상 Weights & Biases

Weights & Biases 사용하여 YOLO11 교육 프로세스에 효율성과 자동화를 도입할 수 있습니다. 이 통합 기능을 사용하면 실험을 추적하고, 모델을 비교하고, 데이터에 기반한 의사 결정을 내려 컴퓨터 비전 프로젝트를 개선할 수 있습니다.

설치

필요한 패키지를 설치하려면 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 과정과 관련된 자세한 지침과 모범 사례는 YOLO11 설치 가이드를 확인하세요. YOLO11 에 필요한 패키지를 설치하는 동안 문제가 발생하면 일반적인 문제 가이드를 참조하여 해결 방법과 팁을 확인하세요.

구성 Weights & Biases

필요한 패키지를 설치한 후 다음 단계는 Weights & Biases 환경을 설정하는 것입니다. 여기에는 Weights & Biases 계정을 생성하고 개발 환경과 W&B 플랫폼 간의 원활한 연결을 위해 필요한 API 키를 얻는 것이 포함됩니다.

먼저 워크스페이스에서 Weights & Biases 환경을 초기화합니다. 다음 명령을 실행하고 메시지의 안내에 따라 초기화할 수 있습니다.

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 인증하세요.

사용법: 교육: YOLO11 Weights & Biases

Weights & Biases 을 사용하여 YOLO11 모델 교육에 대한 사용 지침을 살펴보기 전에 Ultralytics 에서 제공하는 다양한 YOLO11 모델을 확인하세요. 이렇게 하면 프로젝트 요구 사항에 가장 적합한 모델을 선택하는 데 도움이 됩니다.

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

출력 이해하기

위의 사용 코드 스니펫을 실행하면 다음과 같은 주요 출력을 기대할 수 있습니다:

• 교육 과정의 시작을 나타내는 고유 ID가 있는 새 실행을 설정합니다.
• 레이어 수와 파라미터를 포함한 모델 구조에 대한 간결한 요약입니다.
• 각 훈련 기간 동안 박스 손실, cls 손실, dfl 손실, 정확도, 리콜, 맵 점수 등 중요한 메트릭을 정기적으로 업데이트합니다.
• 학습이 끝나면 모델의 추론 속도와 전반적인 정확도 지표를 포함한 세부 지표가 표시됩니다.
• 로컬 로그 파일 위치에 대한 정보와 함께 교육 프로세스에 대한 심층 분석 및 시각화를 위한 Weights & Biases 대시보드에 대한 링크입니다.

Weights & Biases 대시보드 보기

사용 코드 스니펫을 실행한 후 출력에 제공된 링크를 통해 Weights & Biases (W&B) 대시보드에 액세스할 수 있습니다. 이 대시보드는 YOLO11 을 통해 모델의 트레이닝 프로세스를 종합적으로 볼 수 있습니다.

Weights & Biases 대시보드의 주요 기능

• 실시간 지표 추적: 훈련 중에 손실, 정확도 및 유효성 검사 점수와 같은 메트릭을 관찰하여 모델 조정을 위한 즉각적인 인사이트를 얻을 수 있습니다. 실험이 어떻게 추적되는지 Weights & Biases 에서 확인하세요.

• 하이퍼파라미터 최적화: Weights & Biases 학습 속도, 배치 크기 등과 같은 중요한 매개변수를 미세 조정하여 YOLO11 성능을 향상시키는 데 도움을 줍니다. 이를 통해 특정 데이터 세트와 작업에 맞는 최적의 구성을 찾을 수 있습니다.

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

• 훈련 진행 상황 시각화: 주요 메트릭의 그래픽 표현을 통해 여러 기간에 걸친 모델의 성능을 직관적으로 파악할 수 있습니다. Weights & Biases 에서 유효성 검사 결과를 시각화하는 방법을 확인하세요.

• 리소스 모니터링: CPU, GPU, 메모리 사용량을 추적하여 교육 프로세스의 효율성을 최적화하고 워크플로우의 잠재적인 병목 현상을 파악하세요.

• 모델 아티팩트 관리: 모델 체크포인트에 액세스하고 공유하여 복잡한 프로젝트에서 팀원들과 쉽게 배포하고 협업할 수 있습니다.

• 이미지 오버레이로 추론 결과 보기: Weights & Biases 에서 대화형 오버레이를 사용하여 이미지에 대한 예측 결과를 시각화하여 실제 데이터에 대한 모델 성능을 명확하고 상세하게 확인할 수 있습니다. Weights & Biases 의 이미지 오버레이 기능에 대한 자세한 내용은 이 링크를 참조하세요. Weights & Biases ' 이미지 오버레이가 모델 추론을 시각화하는 데 어떻게 도움이 되는지 알아보세요.

이러한 기능을 사용하면 YOLO11 모델의 학습을 효과적으로 추적, 분석 및 최적화하여 물체 감지 작업의 성능과 효율성을 최대한 높일 수 있습니다.

요약

이 가이드는 Weights & Biases Ultralytics YOLO 통합을 살펴보는 데 도움이 됩니다. 이 통합을 통해 모델 훈련 및 예측 결과를 효율적으로 추적하고 시각화할 수 있는 기능을 설명합니다. W&B의 강력한 기능을 활용하면 머신 러닝 워크플로를 간소화하고, 데이터 기반 의사 결정을 내리고, 모델의 성능을 개선할 수 있습니다.

사용법에 대한 자세한 내용은 Weights & Biases 공식 문서를 참조하거나 이 통합에 대한 YOLO VISION 2023의 수믹 락싯의 프레젠테이션을 살펴보세요.

또한, MLflow 및 Comet ML과 같은 다양한 흥미로운 통합 기능에 대해 자세히 알아보려면 Ultralytics 통합 가이드 페이지를 확인하세요.

자주 묻는 질문

Weights & Biases 을 Ultralytics YOLO11 과 어떻게 통합하나요?

Weights & Biases 를 Ultralytics YOLO11 와 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 활성화하여 YOLO11 모델을 훈련하세요:

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

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

Weights & Biases 와 YOLO11 통합의 주요 기능은 무엇인가요?

주요 기능은 다음과 같습니다:

• 교육 중 실시간 지표 추적
• 하이퍼파라미터 최적화 도구
• 다양한 훈련 실행 비교 분석
• 그래프를 통한 교육 진행 상황 시각화
• 리소스 모니터링(CPU, GPU, 메모리 사용량)
• 모델 아티팩트 관리 및 공유
• 이미지 오버레이로 추론 결과 보기

이러한 기능은 실험을 추적하고, 모델을 최적화하고, YOLO11 프로젝트에서 보다 효과적으로 협업하는 데 도움이 됩니다.

YOLO11 교육에 대한 Weights & Biases 대시보드는 어떻게 볼 수 있나요?

W&B 통합으로 교육 스크립트를 실행한 후:

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

대시보드는 모델의 트레이닝 프로세스에 대한 인사이트를 제공하여 YOLO11 모델을 효과적으로 분석하고 개선할 수 있도록 해줍니다.

YOLO11 교육에 대해 Weights & Biases 로깅을 비활성화할 수 있나요?

예, 다음 명령을 사용하여 W&B 로깅을 비활성화할 수 있습니다:

yolo settings wandb=False

로깅을 다시 사용하려면 다음을 사용하세요:

yolo settings wandb=True

이를 통해 교육 스크립트를 수정하지 않고도 W&B 로깅을 사용할 시기를 제어할 수 있습니다.

Weights & Biases 모델이 YOLO11 모델을 최적화하는 데 어떻게 도움이 되나요?

Weights & Biases 다음을 통해 YOLO11 모델을 최적화하는 데 도움이 됩니다:

1. 교육 지표에 대한 자세한 시각화 제공
2. 다양한 모델 버전 간의 손쉬운 비교 지원
3. 하이퍼파라미터 튜닝을 위한 도구 제공
4. 모델 성능에 대한 공동 분석 가능
5. 모델 아티팩트 및 결과의 손쉬운 공유 촉진

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

📅1 년 전 생성됨 ✏️ 1 일 전 업데이트됨

댓글