Obtenha insights visuais com a integração do YOLO26 com o TensorBoard#

Compreender e ajustar modelos de visão computacional, como o YOLO26 da Ultralytics, torna-se mais simples quando analisas detalhadamente os respetivos processos de treino. A visualização do treino do modelo ajuda a obter insights sobre os padrões de aprendizagem, as métricas de desempenho e o comportamento geral do modelo. A integração do YOLO26 com o TensorBoard simplifica este processo de visualização e análise e permite fazer ajustes mais eficientes e fundamentados no modelo.

Este guia explica como usar o TensorBoard com o YOLO26. Vais aprender sobre várias visualizações, desde o acompanhamento de métricas até à análise de grafos do modelo. Estas ferramentas vão ajudar-te a compreender melhor o desempenho do teu modelo YOLO26.

TensorBoard#

O TensorBoard, kit de ferramentas de visualização do TensorFlow, é essencial para a experimentação em machine learning. O TensorBoard inclui várias ferramentas de visualização essenciais para monitorizar modelos de machine learning. Estas ferramentas incluem o acompanhamento de métricas importantes, como perda e precisão, a visualização de grafos do modelo e a apresentação de histogramas de pesos e vieses ao longo do tempo. Também oferece funcionalidades para projetar embeddings em espaços de menor dimensão e apresentar dados multimédia.

Treino do YOLO26 com o TensorBoard#

Usar o TensorBoard durante o treino de modelos YOLO26 é simples e oferece benefícios significativos.

Instalação#

Para instalar o pacote necessário, executa:

# Install YOLO26 and TensorBoard
pip install ultralytics tensorboard

O TensorBoard é uma dependência opcional. Após a instalação, ativa o callback uma vez com yolo settings tensorboard=True; a configuração mantém-se nas execuções de treino futuras.

Para obteres instruções detalhadas e boas práticas relacionadas com o processo de instalação, consulta o nosso guia de instalação do YOLO26. Se encontrares dificuldades ao instalar os pacotes necessários para o YOLO26, consulta o nosso guia de problemas comuns para obteres soluções e sugestões.

Configurar o TensorBoard para o Google Colab#

Ao usar o Google Colab, é importante configurar o TensorBoard antes de iniciar o código de treino:

%load_ext tensorboard
%tensorboard --logdir path/to/runs

Utilização#

Antes de começares a consultar as instruções de utilização, vê a gama de modelos YOLO26 disponibilizados pela Ultralytics. Isto ajudar-te-á a escolher o modelo mais adequado aos requisitos do teu projeto.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

from ultralytics import YOLO

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

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

Ao executares o fragmento de código de utilização acima, podes esperar o seguinte resultado:

TensorBoard: Start with 'tensorboard --logdir path_to_your_tensorboard_logs', view at localhost:6006

Este resultado indica que o TensorBoard está agora a monitorizar ativamente a tua sessão de treino do YOLO26. Podes aceder ao painel do TensorBoard em localhost:6006 para veres métricas de treino em tempo real e o desempenho do modelo. Para quem trabalha no Google Colab, o TensorBoard será apresentado na mesma célula onde executaste os comandos de configuração do TensorBoard.

Para obteres mais informações relacionadas com o processo de treino do modelo, consulta o nosso guia de treino de modelos YOLO26. Se quiseres saber mais sobre registos, checkpoints, gráficos e gestão de ficheiros, lê o nosso guia de utilização sobre configuração.

Compreender o teu TensorBoard para o treino do YOLO26#

Agora, vamos concentrar-nos na compreensão das várias funcionalidades e componentes do TensorBoard no contexto do treino do YOLO26. As três secções principais do TensorBoard são Séries temporais, Escalares e Grafos.

Séries temporais#

A funcionalidade Séries temporais do TensorBoard oferece uma perspetiva dinâmica e detalhada de várias métricas de treino ao longo do tempo para modelos YOLO26. Centra-se na evolução e nas tendências das métricas ao longo das épocas de treino. Eis um exemplo do que podes esperar ver.

Principais funcionalidades das séries temporais no TensorBoard#

• Filtrar etiquetas e fixar cartões: esta funcionalidade permite filtrar métricas específicas e fixar cartões para uma comparação e um acesso rápidos. É particularmente útil para te concentrares em aspetos específicos do processo de treino.

• Cartões de métricas detalhados: as Séries temporais dividem as métricas em diferentes categorias, como métricas de taxa de aprendizagem (lr), de treino (train) e de validação (val), cada uma representada por cartões individuais.

• Apresentação gráfica: cada cartão da secção Séries temporais mostra um gráfico detalhado de uma métrica específica ao longo do treino. Esta representação visual ajuda a identificar tendências, padrões ou anomalias no processo de treino.

• Análise aprofundada: as Séries temporais fornecem uma análise aprofundada de cada métrica. Por exemplo, são apresentados diferentes segmentos da taxa de aprendizagem, oferecendo insights sobre o impacto dos ajustes na taxa de aprendizagem na curva de aprendizagem do modelo.

Importância das séries temporais no treino do YOLO26#

A secção Séries temporais é essencial para uma análise completa do progresso do treino do modelo YOLO26. Permite acompanhar as métricas em tempo real para identificar e resolver problemas rapidamente. Também oferece uma visão detalhada da evolução de cada métrica, o que é crucial para ajustar o modelo e melhorar o seu desempenho.

Escalares#

Os escalares no TensorBoard são cruciais para representar graficamente e analisar métricas simples, como perda e precisão, durante o treino de modelos YOLO26. Oferecem uma visão clara e concisa da evolução destas métricas a cada época de treino, fornecendo insights sobre a eficácia e a estabilidade da aprendizagem do modelo. Eis um exemplo do que podes esperar ver.

Principais funcionalidades dos escalares no TensorBoard#

• Etiquetas da taxa de aprendizagem (lr): estas etiquetas mostram as variações da taxa de aprendizagem em diferentes segmentos (por exemplo, pg0, pg1, pg2). Isto ajuda a compreender o impacto dos ajustes da taxa de aprendizagem no processo de treino.

• Etiquetas de métricas: os escalares incluem indicadores de desempenho, como:

  • mAP50 (B): Precisão média a 50% de interseção sobre união (IoU), crucial para avaliar a precisão da deteção de objetos.

  • mAP50-95 (B): Precisão média calculada num intervalo de limiares de IoU, oferecendo uma avaliação mais abrangente da precisão.

  • Precision (B): indica a proporção de observações positivas previstas corretamente, essencial para compreender a precisão das previsões.

  • Recall (B): importante para modelos nos quais não detetar um objeto é significativo, esta métrica mede a capacidade de detetar todas as instâncias relevantes.

  • Para saberes mais sobre as diferentes métricas, lê o nosso guia sobre métricas de desempenho.

• Etiquetas de treino e validação (train, val): estas etiquetas apresentam métricas específicas dos conjuntos de dados de treino e validação, permitindo uma análise comparativa do desempenho do modelo em diferentes conjuntos de dados.

Importância da monitorização dos escalares#

Observar as métricas escalares é crucial para ajustar o modelo YOLO26. Variações nestas métricas, como picos ou padrões irregulares nos gráficos de perda, podem revelar possíveis problemas, como sobreajuste, subajuste ou configurações inadequadas da taxa de aprendizagem. Ao monitorizares atentamente estes escalares, podes tomar decisões fundamentadas para otimizar o processo de treino, garantindo que o modelo aprende de forma eficaz e alcança o desempenho pretendido.

Diferença entre escalares e séries temporais#

Embora os escalares e as Séries temporais do TensorBoard sejam usados para acompanhar métricas, têm finalidades ligeiramente diferentes. Os escalares concentram-se na representação gráfica de métricas simples, como perda e precisão, enquanto valores escalares. Oferecem uma visão geral de alto nível de como estas métricas mudam a cada época de treino. Por sua vez, a secção de séries temporais do TensorBoard oferece uma vista cronológica mais detalhada de várias métricas. É particularmente útil para monitorizar a evolução e as tendências das métricas ao longo do tempo, proporcionando uma análise mais aprofundada dos detalhes do processo de treino.

Grafos#

A secção Grafos do TensorBoard visualiza o grafo computacional do modelo YOLO26, mostrando como as operações e os dados fluem dentro do modelo. É uma ferramenta poderosa para compreender a estrutura do modelo, garantir que todas as camadas estão corretamente ligadas e identificar possíveis estrangulamentos no fluxo de dados. Eis um exemplo do que podes esperar ver.

Os grafos são particularmente úteis para depurar o modelo, especialmente em arquiteturas complexas típicas de modelos de deep learning, como o YOLO26. Ajudam a verificar as ligações entre camadas e o design geral do modelo.

Resumo#

Este guia pretende ajudar-te a usar o TensorBoard com o YOLO26 para visualizar e analisar o treino de modelos de machine learning. Centra-se em explicar como as principais funcionalidades do TensorBoard podem fornecer insights sobre as métricas de treino e o desempenho do modelo durante as sessões de treino do YOLO26.

Para uma análise mais detalhada destas funcionalidades e de estratégias para uma utilização eficaz, consulta a documentação oficial do TensorBoard do TensorFlow e o respetivo repositório do GitHub.

Queres saber mais sobre as várias integrações da Ultralytics? Consulta a página do guia de integrações da Ultralytics para descobrires que outras funcionalidades interessantes estão à tua espera!

Perguntas frequentes#