Modeltraining met Ultralytics YOLO

Inleiding

Het trainen van een deep learning model bestaat uit het voeden met gegevens en het aanpassen van de parameters zodat het accurate voorspellingen kan doen. De trainingmodus in Ultralytics YOLOv8 is ontworpen voor effectieve en efficiënte training van objectdetectiemodellen, waarbij de moderne hardwaremogelijkheden volledig worden benut. Deze gids behandelt alle details die je nodig hebt om aan de slag te gaan met het trainen van je eigen modellen met de robuuste set functies van YOLOv8.

Kijken: Hoe train je een YOLOv8 model op je eigen dataset in Google Colab.

Waarom kiezen voor Ultralytics YOLO voor training?

Hier zijn enkele overtuigende redenen om te kiezen voor YOLOv8's Treinmodus:

• Efficiëntie: Haal het maximale uit je hardware, of je nu werkt met een enkele GPU of met meerdere GPU's.
• Veelzijdigheid: Train op aangepaste datasets naast direct beschikbare zoals COCO, VOC en ImageNet.
• Gebruiksvriendelijk: Eenvoudige maar krachtige CLI en Python interfaces voor een eenvoudige trainingservaring.
• Hyperparameter Flexibiliteit: Een breed scala aan aanpasbare hyperparameters om de prestaties van het model te verfijnen.

Belangrijkste kenmerken van de treinenmodus

Hieronder volgen enkele opvallende kenmerken van YOLOv8's Treinmodus:

• Automatische download van datasets: Standaard datasets zoals COCO, VOC en ImageNet worden automatisch gedownload bij het eerste gebruik.
• Ondersteuning voor meerdere GPU's: Schaal je training naadloos over meerdere GPU's om het proces te versnellen.
• Hyperparameter configuratie: De optie om hyperparameters aan te passen via YAML configuratiebestanden of CLI argumenten.
• Visualisatie en monitoring: Real-time bijhouden van trainingsgegevens en visualisatie van het leerproces voor betere inzichten.

Voorbeelden

Train YOLOv8n op de COCO8 dataset voor 100 epochs met afbeeldingsgrootte 640. Het trainingsapparaat kan worden gespecificeerd met de device argument. Als GPU geen argument doorgeeft device=0 wordt gebruikt als het beschikbaar is, anders device='cpu' worden gebruikt. Zie het onderdeel Argumenten hieronder voor een volledige lijst met trainingsargumenten.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

Multi-GPU-training

Multi-GPU training maakt efficiënter gebruik van de beschikbare hardwarebronnen mogelijk door de trainingsbelasting over meerdere GPU's te verdelen. Deze functie is beschikbaar via zowel de Python API als de opdrachtregelinterface. Om multi-GPU training in te schakelen, moet je de GPU apparaat-ID's opgeven die je wilt gebruiken.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640, device=[0, 1])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1

Apple M1 en M2 MPS-training

Met de ondersteuning voor Apple M1 en M2 chips die geïntegreerd zijn in de Ultralytics YOLO modellen, is het nu mogelijk om je modellen te trainen op apparaten die gebruik maken van het krachtige Metal Performance Shaders (MPS) framework. MPS biedt een krachtige manier om reken- en beeldbewerkingstaken uit te voeren op Apple's aangepaste silicium.

Om training op Apple M1 en M2 chips mogelijk te maken, moet je 'mps' als apparaat opgeven wanneer je het trainingsproces start. Hieronder staat een voorbeeld van hoe je dit kunt doen in Python en via de commandoregel:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640, device='mps')

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

Door gebruik te maken van de rekenkracht van de M1/M2 chips kunnen de trainingstaken efficiënter worden verwerkt. Raadpleeg voor meer gedetailleerde richtlijnen en geavanceerde configuratieopties de PyTorch MPS documentatie.

Onderbroken trainingen hervatten

Het hervatten van de training vanuit een eerder opgeslagen status is een cruciale functie bij het werken met deep learning modellen. Dit kan van pas komen in verschillende scenario's, zoals wanneer het trainingsproces onverwacht is onderbroken, of wanneer je een model wilt blijven trainen met nieuwe gegevens of voor meer epochs.

Wanneer de training wordt hervat, worden op Ultralytics YOLO de gewichten van het laatst opgeslagen model geladen en worden ook de status van de optimizer, de leersnelheidplanner en het epochnummer hersteld. Hierdoor kun je het trainingsproces naadloos voortzetten vanaf het punt waar het gebleven was.

Je kunt de training eenvoudig hervatten in Ultralytics YOLO door de resume argument naar True bij het aanroepen van de train methode en het pad naar de .pt bestand met de gedeeltelijk getrainde modelgewichten.

Hieronder staat een voorbeeld van hoe je een onderbroken training kunt hervatten met Python en via de opdrachtregel:

from ultralytics import YOLO

# Load a model
model = YOLO('path/to/last.pt')  # load a partially trained model

# Resume training
results = model.train(resume=True)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

Door resume=Truede train De functie gaat verder met trainen vanaf het punt waar het was gebleven, met behulp van de status die is opgeslagen in het bestand 'path/to/last.pt'. Als de resume argument is weggelaten of ingesteld op Falsede train functie start een nieuwe trainingssessie.

Onthoud dat checkpoints standaard aan het eind van elke epoch worden opgeslagen, of met een vast interval met de optie save_period argument, dus je moet minstens 1 epoche voltooien om een trainingsrun te hervatten.

Treininstellingen

De trainingsinstellingen voor YOLO modellen omvatten verschillende hyperparameters en configuraties die tijdens het trainingsproces worden gebruikt. Deze instellingen beïnvloeden de prestaties, snelheid en nauwkeurigheid van het model. De belangrijkste trainingsinstellingen zijn batchgrootte, leersnelheid, momentum en gewichtsverval. Daarnaast kan de keuze van de optimizer, verliesfunctie en samenstelling van de trainingsdataset het trainingsproces beïnvloeden. Zorgvuldig afstemmen en experimenteren met deze instellingen is cruciaal voor het optimaliseren van de prestaties.

Augmentatie-instellingen en hyperparameters

Augmentatietechnieken zijn essentieel voor het verbeteren van de robuustheid en prestaties van YOLO modellen door variabiliteit te introduceren in de trainingsgegevens, waardoor het model beter kan generaliseren naar ongeziene gegevens. De volgende tabel beschrijft het doel en het effect van elk augmentatieargument:

Deze instellingen kunnen worden aangepast aan de specifieke eisen van de dataset en taak. Experimenteren met verschillende waarden kan helpen bij het vinden van de optimale augmentatiestrategie die leidt tot de beste modelprestaties.

Loggen

Bij het trainen van een YOLOv8 model kan het waardevol zijn om de prestaties van het model in de loop van de tijd bij te houden. Dit is waar loggen om de hoek komt kijken. Ultralytics YOLO biedt ondersteuning voor drie soorten loggers - Comet, ClearML, en TensorBoard.

Om een logger te gebruiken, selecteer je deze uit het dropdown menu in het bovenstaande codefragment en voer je deze uit. De gekozen logger wordt geïnstalleerd en geïnitialiseerd.

Comet

Comet is een platform waarmee datawetenschappers en ontwikkelaars experimenten en modellen kunnen volgen, vergelijken, verklaren en optimaliseren. Het biedt functionaliteiten zoals real-time metrieken, code diffs en hyperparameters bijhouden.

Om Comet te gebruiken:

# pip install comet_ml
import comet_ml

comet_ml.init()

Vergeet niet om je aan te melden bij je Comet account op hun website en je API-sleutel te krijgen. Deze moet je toevoegen aan je omgevingsvariabelen of je script om je experimenten te loggen.

ClearML

ClearML is een open-source platform dat het bijhouden van experimenten automatiseert en helpt bij het efficiënt delen van bronnen. Het is ontworpen om teams te helpen hun ML werk efficiënter te beheren, uit te voeren en te reproduceren.

Om ClearML te gebruiken:

# pip install clearml
import clearml

clearml.browser_login()

Na het uitvoeren van dit script moet je je aanmelden bij je ClearML account op de browser en je sessie verifiëren.

TensorBoard

TensorBoard is een visualisatietoolkit voor TensorFlow. Hiermee kun je je TensorFlow grafiek visualiseren, kwantitatieve gegevens over de uitvoering van je grafiek plotten en aanvullende gegevens tonen, zoals afbeeldingen die er doorheen gaan.

TensorBoard gebruiken in Google Colab:

load_ext tensorboard
tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

Voer de onderstaande opdracht uit om TensorBoard lokaal te gebruiken en bekijk de resultaten op http://localhost:6006/.

tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

Hiermee wordt TensorBoard geladen en naar de map geleid waar je trainingslogs zijn opgeslagen.

Na het instellen van je logger kun je doorgaan met je modeltraining. Alle trainingsgegevens worden automatisch gelogd in het door jou gekozen platform en je kunt deze logbestanden raadplegen om de prestaties van je model in de loop van de tijd te volgen, verschillende modellen te vergelijken en gebieden te identificeren die voor verbetering vatbaar zijn.

Reacties