Salta para o conte√ļdo

Obt√©m informa√ß√Ķes visuais com a integra√ß√£o do YOLOv8com o TensorBoard

Compreender e afinar modelos de vis√£o por computador, como Ultralytics' YOLOv8, torna-se mais simples quando olhas mais de perto para os seus processos de forma√ß√£o. A visualiza√ß√£o do treino do modelo ajuda-te a obter informa√ß√Ķes sobre os padr√Ķes de aprendizagem do modelo, as m√©tricas de desempenho e o comportamento geral. YOLOv8 A integra√ß√£o do TensorBoard torna este processo de visualiza√ß√£o e an√°lise mais f√°cil e permite ajustes mais eficientes e informados ao modelo.

Este guia explica como utilizar o TensorBoard com YOLOv8. Vais aprender sobre v√°rias visualiza√ß√Ķes, desde o acompanhamento de m√©tricas at√© √† an√°lise de gr√°ficos de modelos. Estas ferramentas v√£o ajudar-te a compreender melhor o desempenho do teu modelo YOLOv8 .

TensorBoard

Vis√£o geral do Tensorboard

O TensorBoard, o conjunto de ferramentas de visualização do TensorFlow, é essencial para a experimentação da aprendizagem automática. O TensorBoard inclui uma série de ferramentas de visualização, cruciais para monitorizar modelos de aprendizagem automática. Estas ferramentas incluem o acompanhamento de métricas importantes como a perda e a precisão, a visualização de gráficos de modelos e a visualização de histogramas de weights and biases ao longo do tempo. Fornece também capacidades para projetar embeddings em espaços de dimensão inferior e apresentar dados multimédia.

YOLOv8 Treinar com o TensorBoard

Utilizar o TensorBoard para treinar modelos YOLOv8 é simples e oferece vantagens significativas.

Instalação

Para instalar o pacote necess√°rio, executa:

Instalação

# Install the required package for YOLOv8 and Tensorboard
pip install ultralytics

O TensorBoard está convenientemente pré-instalado com YOLOv8, eliminando a necessidade de configuração adicional para efeitos de visualização.

Para obter instru√ß√Ķes detalhadas e melhores pr√°ticas relacionadas com o processo de instala√ß√£o, consulta o nosso guia de instala√ß√£oYOLOv8 . Durante a instala√ß√£o dos pacotes necess√°rios para YOLOv8, se tiveres alguma dificuldade, consulta o nosso guia de Problemas comuns para obteres solu√ß√Ķes e sugest√Ķes.

Configurar o TensorBoard para o Google Collab

Quando utilizas o Google Colab, é importante configurar o TensorBoard antes de iniciares o teu código de treino:

Configura o TensorBoard para o Google Collab

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

Utilização

Antes de mergulhar nas instru√ß√Ķes de utiliza√ß√£o, n√£o te esque√ßas de verificar a gama de modelosYOLOv8 oferecidos por Ultralytics. Isto ajudar-te-√° a escolher o modelo mais adequado √†s necessidades do teu projeto.

Utilização

```python

de ultralytics importas YOLO

# Carrega um modelo pré-treinado model = YOLO('yolov8n.pt')

# Treina o modelo resultados = model.train(dados='coco128.yaml', epochs=100, imgsz=640) ```

Ao executar o trecho de código de utilização acima, podes esperar o seguinte resultado:

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

Esta saída indica que o TensorBoard está agora a monitorizar ativamente a tua sessão de formação YOLOv8 . Podes aceder ao painel de controlo do TensorBoard visitando o URL fornecido (http://localhost:6006/) para veres as métricas de formação em tempo real e o desempenho do modelo. Para os utilizadores que trabalham no Google Colab, o TensorBoard será apresentado na mesma célula em que executaste os comandos de configuração do TensorBoard.

Para mais informa√ß√Ķes relacionadas com o processo de forma√ß√£o de modelos, consulta o nosso guiaYOLOv8 Model Training. Se estiveres interessado em saber mais sobre o registo, os pontos de controlo, a plotagem e a gest√£o de ficheiros, l√™ o nosso guia de utiliza√ß√£o sobre configura√ß√£o.

Compreender o teu TensorBoard para YOLOv8 Training

Agora, vamos concentrar-nos em compreender as v√°rias funcionalidades e componentes do TensorBoard no contexto da forma√ß√£o YOLOv8 . As tr√™s sec√ß√Ķes principais do TensorBoard s√£o Time Series, Scalars e Graphs.

Séries temporais

A funcionalidade Time Series no TensorBoard oferece uma perspetiva din√Ęmica e detalhada de v√°rias m√©tricas de forma√ß√£o ao longo do tempo para os modelos YOLOv8 . Concentra-se na progress√£o e nas tend√™ncias das m√©tricas ao longo das √©pocas de treino. Aqui est√° um exemplo do que podes esperar ver.

imagem

Principais características das séries cronológicas no TensorBoard

  • Filtra etiquetas e cart√Ķes fixados: Esta funcionalidade permite aos utilizadores filtrar m√©tricas espec√≠ficas e fixar cart√Ķes para uma compara√ß√£o e acesso r√°pidos. √Č particularmente √ļtil para se concentrar em aspectos espec√≠ficos do processo de forma√ß√£o.

  • Cart√Ķes detalhados de m√©tricas: O Time Series divide as m√©tricas em diferentes categorias, como as m√©tricas de taxa de aprendizagem (lr), treinamento (train) e valida√ß√£o (val), cada uma representada por cart√Ķes individuais.

  • Visualiza√ß√£o de gr√°ficos: Cada cart√£o da sec√ß√£o S√©rie Temporal apresenta um gr√°fico detalhado de uma m√©trica espec√≠fica ao longo da forma√ß√£o. Esta representa√ß√£o visual ajuda a identificar tend√™ncias, padr√Ķes ou anomalias no processo de forma√ß√£o.

  • An√°lise aprofundada: As s√©ries temporais fornecem uma an√°lise aprofundada de cada m√©trica. Por exemplo, s√£o apresentados diferentes segmentos de taxa de aprendizagem, oferecendo informa√ß√Ķes sobre como os ajustes na taxa de aprendizagem afectam a curva de aprendizagem do modelo.

Import√Ęncia das s√©ries cronol√≥gicas em YOLOv8 Training

A secção Séries temporais é essencial para uma análise completa do progresso do treino do modelo YOLOv8 . Permite-te acompanhar as métricas em tempo real para identificar e resolver problemas rapidamente. Oferece também uma visão detalhada da progressão de cada métrica, o que é crucial para afinar o modelo e melhorar o seu desempenho.

Cicatrizes

Os scalars no TensorBoard s√£o cruciais para tra√ßar e analisar m√©tricas simples, como perda e precis√£o, durante o treinamento de modelos YOLOv8 . Eles oferecem uma vis√£o clara e concisa de como essas m√©tricas evoluem a cada √©poca de treinamento, fornecendo informa√ß√Ķes sobre a efic√°cia e a estabilidade do aprendizado do modelo. Aqui est√° um exemplo do que podes esperar ver.

imagem

Características principais dos escalares no TensorBoard

  • Etiquetas da taxa de aprendizagem (lr): Estas etiquetas mostram as varia√ß√Ķes na taxa de aprendizagem em diferentes segmentos (por exemplo, pg0, pg1, pg2). Isto ajuda-nos a compreender o impacto dos ajustamentos da taxa de aprendizagem no processo de forma√ß√£o.

  • Etiquetas de m√©tricas: Os escalares incluem indicadores de desempenho, tais como:

    • mAP50 (B): Precis√£o m√©dia a 50% de Intersec√ß√£o sobre a Uni√£o (IoU), crucial para avaliar a precis√£o da dete√ß√£o de objectos.

    • mAP50-95 (B): Precis√£o m√©dia calculada sobre uma gama de limiares de IoU, oferecendo uma avalia√ß√£o mais abrangente da exatid√£o.

    • Precision (B): Indica o r√°cio de observa√ß√Ķes positivas corretamente previstas, fundamental para compreender a precis√£o da previs√£o.

    • Recall (B): Importante para os modelos em que a falta de uma dete√ß√£o √© significativa, esta m√©trica mede a capacidade de detetar todas as inst√Ęncias relevantes.

    • Para saber mais sobre as diferentes m√©tricas, l√™ o nosso guia sobre m√©tricas de desempenho.

  • Etiquetas de forma√ß√£o e valida√ß√£o (train, val): Estas etiquetas apresentam m√©tricas espec√≠ficas para os conjuntos de dados de treino e valida√ß√£o, permitindo uma an√°lise comparativa do desempenho do modelo em diferentes conjuntos de dados.

Import√Ęncia da monitoriza√ß√£o dos escalares

A observa√ß√£o de m√©tricas escalares √© crucial para o ajuste fino do modelo YOLOv8 . Varia√ß√Ķes nessas m√©tricas, como picos ou padr√Ķes irregulares nos gr√°ficos de perda, podem destacar poss√≠veis problemas, como sobreajuste, subajuste ou configura√ß√Ķes inadequadas da taxa de aprendizado. Ao monitorizar de perto estas escalas, podes tomar decis√Ķes informadas para otimizar o processo de forma√ß√£o, assegurando que o modelo aprende eficazmente e atinge o desempenho desejado.

Diferença entre escalares e séries temporais

Embora tanto as escalas como as s√©ries temporais no TensorBoard sejam utilizadas para rastrear m√©tricas, servem objectivos ligeiramente diferentes. Os escalares concentram-se em tra√ßar m√©tricas simples, como perda e precis√£o, como valores escalares. Fornece uma vis√£o geral de alto n√≠vel de como essas m√©tricas mudam com cada √©poca de treinamento. Por outro lado, a sec√ß√£o de s√©ries temporais do TensorBoard oferece uma vista de linha temporal mais detalhada de v√°rias m√©tricas. √Č particularmente √ļtil para monitorizar a progress√£o e as tend√™ncias das m√©tricas ao longo do tempo, proporcionando um mergulho mais profundo nas especificidades do processo de treino.

Gr√°ficos

A sec√ß√£o Gr√°ficos do TensorBoard visualiza o gr√°fico computacional do modelo YOLOv8 , mostrando como as opera√ß√Ķes e os dados fluem dentro do modelo. √Č uma ferramenta poderosa para entender a estrutura do modelo, garantindo que todas as camadas estejam conectadas corretamente e para identificar poss√≠veis gargalos no fluxo de dados. Aqui est√° um exemplo do que podes esperar ver.

imagem

Os gr√°ficos s√£o particularmente √ļteis para depurar o modelo, especialmente em arquitecturas complexas t√≠picas de modelos de aprendizagem profunda como YOLOv8. Ajuda a verificar as liga√ß√Ķes entre camadas e o design geral do modelo.

Resumo

Este guia tem como objetivo ajudar-te a utilizar o TensorBoard com YOLOv8 para visualiza√ß√£o e an√°lise do treino de modelos de aprendizagem autom√°tica. Concentra-se em explicar como as principais funcionalidades do TensorBoard podem fornecer informa√ß√Ķes sobre as m√©tricas de forma√ß√£o e o desempenho do modelo durante YOLOv8 sess√Ķes de forma√ß√£o.

Para uma exploração mais detalhada destas funcionalidades e estratégias de utilização eficazes, podes consultar a documentação oficial do TensorBoard em TensorFlowe o seu repositório GitHub.

Queres saber mais sobre as v√°rias integra√ß√Ķes de Ultralytics? Consulta a p√°gina do guia de integra√ß√Ķes deUltralytics para veres que outras capacidades interessantes est√£o √† espera de serem descobertas!



Criado em 2024-01-01, Atualizado em 2024-03-03
Autores: glenn-jocher (1), abirami-vina (1)

Coment√°rios