다음을 사용하여 YOLOv8 실험 추적 및 시각화 향상 Weights & Biases

같은 객체 감지 모델은 Ultralytics YOLOv8 과 같은 객체 감지 모델은 많은 컴퓨터 비전 애플리케이션에 필수적인 요소가 되었습니다. 그러나 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.

이 가이드에서는 실험 추적, 모델 체크포인트 지정 및 모델 성능 시각화를 개선하기 위한 Ultralytics YOLOv8 과 Weights & Biases' 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 지표의 자동 로깅, 간소화된 데이터 분석을 위한 대화형 UI, 다양한 환경에 배포할 수 있는 효율적인 모델 관리 도구가 특징입니다.

YOLOv8 교육 대상 Weights & Biases

Weights & Biases 을 사용하여 YOLOv8 교육 프로세스에 효율성과 자동화를 도입할 수 있습니다.

설치

필요한 패키지를 설치하려면 실행합니다:

# Install the required packages for YOLOv8 and Weights & Biases
pip install --upgrade ultralytics==8.0.186 wandb

설치 과정과 관련된 자세한 지침과 모범 사례는 YOLOv8 설치 가이드를 확인하세요. YOLOv8 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.

# Initialize your Weights & Biases environment
import wandb
wandb.login()

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

사용법: 교육: YOLOv8 Weights & Biases

Weights & Biases 을 사용하여 YOLOv8 모델 교육에 대한 사용 지침을 살펴보기 전에 Ultralytics 에서 제공하는 다양한 YOLOv8 모델을 확인하세요. 이렇게 하면 프로젝트 요구 사항에 가장 적합한 모델을 선택하는 데 도움이 됩니다.

import wandb
from ultralytics import YOLO
from wandb.integration.ultralytics import add_wandb_callback

# Step 1: Initialize a Weights & Biases run
wandb.init(project="ultralytics", job_type="training")

# Step 2: Define the YOLOv8 Model and Dataset
model_name = "yolov8n"
dataset_name = "coco8.yaml"
model = YOLO(f"{model_name}.pt")

# Step 3: Add W&B Callback for Ultralytics
add_wandb_callback(model, enable_model_checkpointing=True)

# Step 4: Train and Fine-Tune the Model
model.train(project="ultralytics", data=dataset_name, epochs=5, imgsz=640)

# Step 5: Validate the Model
model.val()

# Step 6: Perform Inference and Log Results
model(["path/to/image1", "path/to/image2"])

# Step 7: Finalize the W&B Run
wandb.finish()

강령 이해

위의 사용 코드 스니펫에 표시된 단계를 이해해 보겠습니다.

• 1단계: Weights & Biases 실행을 초기화합니다: 프로젝트 이름과 작업 유형을 지정하여 Weights & Biases 실행을 초기화하여 시작합니다. 이 실행은 모델의 학습 및 유효성 검사 프로세스를 추적하고 관리합니다.

• 2단계: YOLOv8 모델 및 데이터 집합을 정의합니다: 사용하려는 모델 변형과 데이터 집합을 지정합니다. 그러면 지정된 모델 파일로 YOLO 모델이 초기화됩니다.

• 3단계: Ultralytics 에 대한 Weights & Biases 콜백을 추가합니다: 이 단계는 트레이닝 메트릭과 유효성 검사 결과를 Weights & Biases 에 자동으로 기록하여 모델의 성능을 자세히 볼 수 있도록 하기 때문에 매우 중요합니다.

• 4단계: 모델 훈련 및 미세 조정하기: 지정된 데이터 세트, 에포크 수, 이미지 크기로 모델 학습을 시작합니다. 훈련 프로세스에는 각 에포크가 끝날 때마다 메트릭 및 예측 로깅이 포함되어 있어 모델의 학습 진행 상황을 종합적으로 파악할 수 있습니다.

• 5단계: 모델 검증하기: 학습이 끝나면 모델의 유효성을 검사합니다. 이 단계는 보이지 않는 데이터에 대한 모델의 성능을 평가하고 일반화 가능성을 보장하는 데 매우 중요합니다.

• 6단계: 추론 수행 및 결과 기록하기: 모델은 지정된 이미지에 대해 예측을 수행합니다. 이러한 예측은 시각적 오버레이 및 인사이트와 함께 대화형 탐색을 위해 W&B 테이블에 자동으로 기록됩니다.

• 7단계: W&B 실행을 마무리합니다: 이 단계에서는 데이터 로깅을 종료하고 모델 학습 및 검증 프로세스의 최종 상태를 W&B 대시보드에 저장합니다.

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 YOLOv8 을 통해 모델의 트레이닝 프로세스를 종합적으로 볼 수 있습니다.

Weights & Biases 대시보드의 주요 기능

• 실시간 지표 추적: 학습 중에 손실, 정확도, 유효성 검사 점수와 같은 메트릭을 관찰하여 모델 튜닝을 위한 즉각적인 인사이트를 얻을 수 있습니다.

  Weights & Biases 를 사용하여 실험이 어떻게 추적되는지 살펴보세요.

• 하이퍼파라미터 최적화: Weights & Biases 는 학습 속도, 배치 크기 등과 같은 중요 파라미터를 미세 조정하여 YOLOv8 의 성능을 향상시키는 데 도움이 됩니다.

• 비교 분석: 이 플랫폼에서는 다양한 모델 구성의 영향을 평가하는 데 필수적인 여러 훈련 실행을 나란히 비교할 수 있습니다.

• 훈련 진행 상황 시각화: 주요 메트릭의 그래픽 표현을 통해 여러 시대에 걸친 모델의 성능을 직관적으로 파악할 수 있습니다.

  Weights & Biases 에서 유효성 검사 결과를 시각화하는 방법을 살펴보세요.

• 리소스 모니터링: CPU, GPU, 메모리 사용량을 추적하여 교육 과정의 효율성을 최적화하세요.

• 모델 아티팩트 관리: 모델 체크포인트에 액세스하고 공유하여 손쉽게 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 살펴보세요.

이러한 기능을 사용하면 YOLOv8 모델의 교육을 효과적으로 추적, 분석 및 최적화하여 최상의 성능과 효율성을 보장할 수 있습니다.

요약

이 가이드는 Ultralytics' YOLOv8 와 Weights & Biases 의 통합을 살펴보는 데 도움이 됩니다. 이 통합을 통해 모델 학습 및 예측 결과를 효율적으로 추적하고 시각화할 수 있는 기능을 설명합니다.

사용법에 대한 자세한 내용은 Weights & Biases' 공식 문서를 참조하세요.

또한 Ultralytics 통합 가이드 페이지에서 다양한 흥미로운 통합 기능에 대해 자세히 알아보세요.

댓글