Obtém informações visuais com a integração do YOLO26 com o TensorBoard#

Compreender e ajustar os modelos de visão computacional, como o YOLO26 da Ultralytics, torna-se mais simples quando analisas atentamente os respetivos processos de treino. A visualização do treino do modelo ajuda a compreender 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 ao modelo de forma mais eficiente e informada.

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

TensorBoard#

O TensorBoard, o conjunto de ferramentas de visualização do TensorFlow, é essencial para a experimentação em aprendizagem automática. O TensorBoard inclui várias ferramentas de visualização, fundamentais para monitorizar modelos de aprendizagem automática. Estas ferramentas permitem acompanhar métricas importantes, como a perda e a precisão, visualizar grafos do modelo e consultar histogramas dos pesos e dos enviesamentos ao longo do tempo. Também permite projetar embeddings em espaços de dimensão inferior e apresentar dados multimédia.

Treino do YOLO26 com o TensorBoard#

Usar o TensorBoard durante o treino de modelos YOLO26 é simples e oferece vantagens significativas.

Instalação#

Para instalar o pacote necessário, executa:

# Install YOLO26 and TensorBoard
pip install ultralytics tensorboard

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

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

Uso#

Antes de consultares as instruções de utilização, não te esqueças de ver a variedade de modelos YOLO26 disponibilizados pelo Ultralytics. Isto vai ajudar-te 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

# Carregar um modelo pré-treinado
model = YOLO("yolo26n.pt")

# Treinar o modelo
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

TensorBoard: Start with 'tensorboard --logdir runs/detect/train', view at http://localhost:6006/

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

Para mais informações sobre o processo de treino do modelo, consulta o nosso guia de treino do modelo YOLO26. Se quiseres saber mais sobre registos, pontos de controlo, gráficos e gestão de ficheiros, lê o nosso guia de utilização da configuração.

Compreender o TensorBoard no treino do YOLO26#

Agora, vamos analisar as 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 das várias métricas de treino dos modelos YOLO26 ao longo do tempo. Centra-se na evolução e nas tendências das métricas ao longo das épocas de treino. Eis um exemplo do que podes esperar.

Principais funcionalidades das séries temporais no TensorBoard#

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

• Cartões de métricas detalhados: as Séries temporais dividem as métricas em categorias como métricas da taxa de aprendizagem (lr), de treino (train) e de validação (val), cada uma apresentada num cartão individual.

• 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 permitem analisar cada métrica em profundidade. Por exemplo, são apresentados diferentes segmentos da taxa de aprendizagem, permitindo compreender como os ajustes na taxa de aprendizagem afetam a curva de aprendizagem do modelo.

Importância das séries temporais no treino do YOLO26#

A secção Séries temporais é essencial para analisar em profundidade o 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, essencial para ajustar o modelo e melhorar o seu desempenho.

Escalares#

Os escalares do TensorBoard são fundamentais para representar graficamente e analisar métricas simples, como a perda e a precisão, durante o treino dos modelos YOLO26. Oferecem uma visão clara e concisa da evolução destas métricas a cada época de treino, permitindo compreender a eficácia e a estabilidade da aprendizagem do modelo. Eis um exemplo do que podes esperar.

Principais recursos dos escalares no TensorBoard#

• Tags de taxa de aprendizado (lr): Essas tags mostram as variações na taxa de aprendizado entre diferentes segmentos (por exemplo, lr/pg0, lr/pg1, lr/pg2). Isso nos ajuda a entender o impacto dos ajustes na taxa de aprendizado durante o processo de treinamento.

• Tags de métricas: Os escalares incluem indicadores de desempenho como:

  • metrics/mAP50(B): Média da precisão média a 50% de interseção sobre união (IoU), essencial para avaliar a precisão da detecção de objetos.

  • metrics/mAP50-95(B): Precisão média média calculada em uma faixa de limiares de IoU, oferecendo uma avaliação mais abrangente da precisão.

  • metrics/precision(B): Indica a proporção de observações positivas previstas corretamente, essencial para entender a precisão das previsões.

  • metrics/recall(B): Importante para modelos nos quais deixar de detectar um objeto é significativo, essa métrica mede a capacidade de detectar todas as instâncias relevantes.

  • Para saber mais sobre as diferentes métricas, leia nosso guia sobre métricas de desempenho.

• Tags de treinamento e validação (train, val): Essas tags exibem métricas específicas dos conjuntos de dados de treinamento e validação, permitindo uma análise comparativa do desempenho do modelo em diferentes conjuntos de dados.

Importância do monitoramento de escalares#

Observar as métricas escalares é essencial para ajustar o modelo YOLO26. Variações nessas métricas, como picos ou padrões irregulares nos gráficos de perda, podem destacar possíveis problemas, como sobreajuste, subajuste ou configurações inadequadas da taxa de aprendizado. Ao monitorar esses escalares de perto, você pode tomar decisões embasadas para otimizar o processo de treinamento, garantindo que o modelo aprenda com eficiência e alcance o desempenho desejado.

Diferença entre escalares e séries temporais#

Embora tanto os escalares quanto as séries temporais no TensorBoard sejam usados para acompanhar métricas, eles têm finalidades um pouco diferentes. Os escalares se concentram em representar métricas simples, como perda e precisão, como valores escalares. Eles oferecem uma visão geral de como essas métricas mudam a cada época de treinamento. Já a seção de séries temporais do TensorBoard oferece uma visualização mais detalhada da evolução de várias métricas. Ela é especialmente útil para monitorar a progressão e as tendências das métricas ao longo do tempo, permitindo analisar mais a fundo os detalhes do processo de treinamento.

Grafos#

A seção 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 entender a estrutura do modelo, garantir que todas as camadas estejam conectadas corretamente e identificar possíveis gargalos no fluxo de dados. Veja um exemplo do que você pode esperar.

Os grafos são especialmente úteis para depurar o modelo, sobretudo em arquiteturas complexas típicas de modelos de aprendizado profundo, como o YOLO26. Eles ajudam a verificar as conexões entre as camadas e o design geral do modelo.

Resumo#

Este guia tem como objetivo ajudar você a usar o TensorBoard com o YOLO26 para visualizar e analisar o treinamento de modelos de aprendizado de máquina. Ele explica como os principais recursos do TensorBoard podem fornecer insights sobre as métricas de treinamento e o desempenho do modelo durante as sessões de treinamento do YOLO26.

Para explorar esses recursos com mais detalhes e conhecer estratégias para usá-los com eficiência, consulte a documentação oficial do TensorBoard e o repositório no GitHub do TensorFlow.

Quer saber mais sobre as várias integrações da Ultralytics? Confira a página do guia de integrações da Ultralytics para descobrir que outros recursos interessantes estão disponíveis!

Perguntas frequentes#