Ajuste de hiperparâmetros eficiente com Ray Tune e YOLO26#

O ajuste de hiperparâmetros é vital para alcançar o desempenho máximo do modelo, descobrindo o conjunto ideal de hiperparâmetros. Isso envolve executar tentativas com diferentes hiperparâmetros e avaliar o desempenho de cada uma.

Acelere o ajuste com Ultralytics YOLO26 e Ray Tune#

Ultralytics YOLO26 incorpora o Ray Tune para a sintonia de hiperparâmetros, otimizando a otimização dos hiperparâmetros do modelo YOLO26. Com o Ray Tune, podes utilizar estratégias de busca avançadas, paralelismo e paragem antecipada para agilizar o processo de sintonia.

Ray Tune#

O Ray Tune é uma biblioteca de sintonia de hiperparâmetros concebida para eficiência e flexibilidade. Suporta várias estratégias de busca, paralelismo e estratégias de paragem antecipada, integrando-se perfeitamente com os frameworks de machine learning mais populares, incluindo o Ultralytics YOLO26.

Integração com Weights & Biases#

O YOLO26 também permite a integração opcional com o Weights & Biases para monitorizar o processo de sintonia.

Instalação#

Para instalar os pacotes necessários, execute:

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]"

# Optionally install and enable W&B for per-trial logging
pip install wandb
yolo settings wandb=True

Uso#

from ultralytics import YOLO

# Load a YOLO26n model
model = YOLO("yolo26n.pt")

# Start tuning hyperparameters for YOLO26n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

Parâmetros do método tune()#

O método tune() no YOLO26 fornece uma interface fácil de usar para a sintonia de hiperparâmetros com o Ray Tune. Aceita vários argumentos que te permitem personalizar o processo de sintonia. Abaixo encontras uma explicação detalhada de cada parâmetro:

Ao personalizar esses parâmetros, podes ajustar o processo de otimização de hiperparâmetros para atender às tuas necessidades específicas e aos recursos computacionais disponíveis.

Descrição do Espaço de Busca Padrão#

A tabela seguinte lista os parâmetros predefinidos do espaço de busca para a sintonia de hiperparâmetros no YOLO26 com o Ray Tune. Cada parâmetro tem um intervalo de valores específico definido por tune.uniform().

Exemplo de Espaço de Busca Personalizado#

Neste exemplo, demonstramos como usar um espaço de busca personalizado para ajuste de hiperparâmetros com Ray Tune e YOLO26. Ao fornecer um espaço de busca personalizado, podes concentrar o processo de ajuste em hiperparâmetros específicos de interesse.

from ray import tune

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-2)},
    epochs=50,
    use_ray=True,
)

No exemplo de código acima, criamos um modelo YOLO com os pesos pré-treinados "yolo26n.pt". Em seguida, chamamos o método tune(), especificando a configuração do conjunto de dados com "coco8.yaml". Fornecemos um espaço de busca personalizado para a taxa de aprendizagem inicial lr0 usando um dicionário com a chave "lr0" e o valor tune.uniform(1e-5, 1e-2). Por fim, passamos argumentos de treino adicionais, como o número de épocas diretamente para o método de sintonia como epochs=50.

Exemplo de Algoritmo de Busca#

Podes selecionar uma estratégia de busca do Ray Tune por nome. Para algoritmos de busca baseados em strings, o Ultralytics utilizará automaticamente a métrica de otimização predefinida da tarefa atual e mode="max". Se search_alg não for fornecido, o Ray Tune utiliza a sua estratégia de busca aleatória predefinida, BasicVariantGenerator.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg="optuna",
    use_ray=True,
)

Se precisares de personalizar o amostrador do pesquisador ou substituir a sua métrica e modo de otimização, passa um objeto de pesquisa do Ray Tune instanciado em vez de uma string.

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Define a searcher
searcher = OptunaSearch(
    metric="metrics/mAP50-95(B)",
    mode="max",
)

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg=searcher,
    use_ray=True,
)

Retomando uma Sessão de Ajuste de Hiperparâmetros Interrompida com o Ray Tune#

Podes retomar uma sessão do Ray Tune interrompida passando resume=True. Podes opcionalmente passar o diretório name utilizado pelo Ray Tune em runs/{task} para retomar. Caso contrário, será retomada a última sessão interrompida. Não precisas de fornecer iterations e space novamente, mas tens de fornecer o resto dos argumentos de treino novamente, incluindo data e epochs.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.pt")

# Resume previous run
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Resume Ray Tune run with name 'tune_exp_2'
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

Processando Resultados do Ray Tune#

Após executar um experimento de ajuste de hiperparâmetros com o Ray Tune, podes querer realizar várias análises nos resultados obtidos. Este guia vai orientar-te através de fluxos de trabalho comuns para processar e analisar esses resultados.

Carregando Resultados de Experimentos do Tune a partir de um Diretório#

Após executar a experiência de sintonia com tuner.fit(), podes carregar os resultados a partir de um diretório. Isto é útil, especialmente se estiveres a realizar a análise após o script de treino inicial ter terminado.

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

Análise Básica ao Nível do Experimento#

Obtém uma visão geral de como os testes se comportaram. Podes verificar rapidamente se ocorreram erros durante os testes.

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

Análise Básica ao Nível do Teste#

Acede às configurações individuais de hiperparâmetros de cada teste e às últimas métricas reportadas.

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

Plotar todo o histórico de métricas reportadas para um teste#

Podes plotar o histórico de métricas reportadas para cada teste para ver como as métricas evoluíram ao longo do tempo.

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

Resumo#

Neste guia, cobrimos fluxos de trabalho comuns para analisar os resultados de experimentos executados com Ray Tune usando Ultralytics. Os passos principais incluem carregar os resultados do experimento de um diretório, realizar análises básicas ao nível do experimento e do teste, e plotar métricas.

Explora mais consultando a página de documentação Analyze Results do Ray Tune para aproveitares ao máximo as tuas experiências de sintonia de hiperparâmetros.

FAQ#