Começar

Obtém informações visuais com a integração do YOLO26 com o TensorBoard

Compreender e ajustar modelos de visão computacional, como o Ultralytics YOLO26, fica mais simples quando você analisa de perto os processos de treinamento. A visualização do treinamento de modelos ajuda a entender os padrões de aprendizado, as métricas de desempenho e o comportamento geral do modelo. A integração do YOLO26 com o TensorBoard facilita a visualização e a análise, além de permitir ajustes mais eficientes e bem fundamentados no modelo.

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, kit de ferramentas de visualização do TensorFlow, é amplamente usado em experimentos de aprendizado de máquina. O TensorBoard oferece várias ferramentas de visualização para monitorar modelos de aprendizado de máquina. Essas ferramentas incluem o acompanhamento de métricas importantes, como perda e precisão, a visualização de grafos de modelos e a exibição de histogramas de pesos e vieses ao longo do tempo. Ele também permite projetar incorporações em espaços de menor dimensão e exibir dados multimídia.

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:

Instalação
# 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, configure o TensorBoard antes de iniciar o código de treinamento:

Configurar o TensorBoard para o Google Colab
%load_ext tensorboard
%tensorboard --logdir path/to/runs

Uso#

Ativar ou desativar o TensorBoard

Por predefinição, o registo do TensorBoard está desativado. Podes ativar ou desativar o registo com o comando yolo settings.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False
Uso
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/

Esta saída indica que o TensorBoard está monitorando ativamente sua sessão de treinamento do YOLO26. Você pode acessar o painel do TensorBoard em localhost:6006 para ver as métricas de treinamento e o desempenho do modelo em tempo real. No Google Colab, o TensorBoard é exibido na mesma célula em que você executou 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#

Esta seção explica os principais recursos e componentes do TensorBoard no contexto do treinamento do YOLO26. As três seções principais do TensorBoard são Séries temporais, Escalares e Grafos.

Séries temporais#

O recurso Séries temporais do TensorBoard oferece uma perspectiva dinâmica e detalhada de várias métricas de treinamento dos modelos YOLO26 ao longo do tempo. Ele se concentra na evolução e nas tendências das métricas durante as épocas de treinamento. Veja um exemplo do que você pode esperar.

Visualização das métricas de treino em séries temporais do TensorBoard

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 no TensorBoard são usados para traçar e analisar métricas simples, como perda e precisão, durante o treinamento dos modelos YOLO26. Eles oferecem uma visão clara e concisa de como essas métricas evoluem a cada época de treinamento, fornecendo insights sobre a eficácia e a estabilidade do aprendizado do modelo. Veja um exemplo do que você pode esperar.

Painel de escalares do TensorBoard mostrando métricas de treinamento do YOLO

Principais recursos dos escalares no TensorBoard#

  • Tags de taxa de aprendizado (lr): essas tags mostram as variações da taxa de aprendizado em diferentes segmentos (por exemplo, lr/pg0, lr/pg1, lr/pg2). Isso ajuda você a entender o impacto dos ajustes da taxa de aprendizado no processo de treinamento.

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

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

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

    • metrics/precision(B): a precisão das detecções, ou seja, a fração de previsões positivas que estão corretas.

    • metrics/recall(B): importante para modelos em que deixar de detectar algo tem um custo alto, a revocação 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 e mostra como as operações e os dados fluem dentro do modelo. Ela ajuda a entender a estrutura do modelo, verificar se todas as camadas estão conectadas corretamente e identificar possíveis gargalos no fluxo de dados. Veja um exemplo do que você pode esperar.

Visualização do grafo computacional do TensorBoard para o modelo YOLO

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.

Perguntas frequentes#

  • O uso do TensorBoard com o YOLO26 oferece várias ferramentas de visualização essenciais para o treinamento eficiente do modelo:

    • Acompanhamento de métricas em tempo real: Acompanhe ao vivo métricas importantes, como perda, precisão, precisão e revocação.
    • Visualização do grafo do modelo: Entenda e depure a arquitetura do modelo visualizando os grafos computacionais.

    Essas ferramentas permitem que você faça ajustes embasados para melhorar o desempenho do modelo YOLO26. Para saber mais sobre os recursos do TensorBoard, confira o guia do TensorBoard do TensorFlow.

  • Para monitorar as métricas de treinamento ao treinar um modelo YOLO26 com o TensorBoard, siga estas etapas:

    1. Instale o TensorBoard e o YOLO26: Execute pip install ultralytics tensorboard.
    2. Ative o registro de dados no TensorBoard: Execute yolo settings tensorboard=True. Durante o treinamento, o YOLO26 grava as métricas no diretório da execução.
    3. Inicie o TensorBoard: Inicie o TensorBoard com tensorboard --logdir path/to/runs, apontando para o diretório da execução de treinamento (por exemplo, runs/detect/train).

    O painel do TensorBoard, acessível em localhost:6006, fornece insights em tempo real sobre várias métricas de treinamento. Para saber mais sobre as configurações de treinamento, consulte nosso guia de configuração do YOLO26.

  • Ao treinar modelos YOLO26, o TensorBoard permite visualizar diversas métricas importantes, incluindo:

    • Perda (treinamento e validação): Indica o desempenho do modelo durante o treinamento e a validação.
    • Precisão/Precisão/Revocação: métricas de desempenho importantes para avaliar a precisão da detecção.
    • Taxa de aprendizado: Acompanhe as mudanças na taxa de aprendizado para entender seu impacto na dinâmica do treinamento.
    • mAP (precisão média média): Para uma avaliação abrangente da precisão da detecção de objetos em vários limiares de IoU.

    Essas visualizações são essenciais para acompanhar o desempenho do modelo e fazer as otimizações necessárias. Para saber mais sobre essas métricas, consulte nosso guia de métricas de desempenho.

  • Sim, você pode usar o TensorBoard em um ambiente do Google Colab para treinar modelos YOLO26. Veja uma configuração rápida:

    Configurar o TensorBoard para o Google Colab
    %load_ext tensorboard
    %tensorboard --logdir path/to/runs

    Em seguida, execute o script de treinamento do YOLO26:

    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)

    O TensorBoard visualizará o progresso do treinamento no Colab, fornecendo insights em tempo real sobre métricas como perda e precisão.

Comentários6

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

  1. HoseinHashemiGitHub

    I found enabling tensorboard from within the YOLO training script more comfortable reducing CLI commands.

    from ultralytics import settings
    settings.update({"tensorboard": True})
    1. Glenn JocherUltralytics

      Yes, that’s supported—settings.update({"tensorboard": True}) is a nice way to enable logging from Python (it persists in your Ultralytics settings across runs), and you can disable it later with settings.update({"tensorboard": False}); details on where logs are written and how to view them are in the TensorBoard integration guide (feel free to drop any follow-up questions here so the team can see them).

    1. Glenn JocherUltralytics(editado)

      @ruslanraupoff to forward TensorBoard from Docker, map the port using -p 6006:6006 when running your container and start TensorBoard with tensorboard --logdir /path/to/runs. Yes, you can use YOLO CLI for training; enable TensorBoard logging once with yolo settings tensorboard=True and the logs are saved in the run directory under runs/ for TensorBoard visualization. See our Docker Quickstart for setup details.

      1
    1. Glenn JocherUltralytics(editado)

      @lauravchrobak hi there!

      Thank you for pointing that out. It seems like the code snippet got truncated. Here's the complete usage example for integrating YOLO26 with TensorBoard. First enable the setting once:

      yolo settings tensorboard=True
      from ultralytics import YOLO
      
      # Load a pre-trained model
      model = YOLO("yolo26n.pt")
      
      # Train the model
      results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

      After starting the training code, start TensorBoard on the run directory printed in the log to visualize the training metrics:

      tensorboard --logdir runs/detect/train

      You can then access the TensorBoard dashboard at http://localhost:6006/ to monitor your training progress in real-time.

      For more detailed guidance, you can visit our TensorBoard integration documentation.

      If you encounter any issues, please ensure you are using the latest version of the Ultralytics package. If the problem persists, providing a minimum reproducible example would be very helpful. You can find more information on how to create one here.

      Happy training! 🚀