Link to this sectionRastreamento e visualização de experimentos YOLO com Weights & Biases#

Modelos de detecção de objetos como o Ultralytics YOLO26 tornaram-se parte integrante de muitas aplicações de visão computacional. No entanto, treinar, avaliar e implementar esses modelos complexos introduz vários desafios. Rastrear métricas de treinamento importantes, comparar variantes de modelos, analisar o comportamento do modelo e detectar problemas requer instrumentação e gerenciamento de experimentos significativos.

Este guia apresenta a integração do Ultralytics YOLO26 com o Weights & Biases para aprimorar o rastreamento de experimentos, o salvamento de pontos de verificação de modelos e a visualização do desempenho do modelo. Ele também inclui instruções para configurar a integração, treinar, ajustar e visualizar resultados usando os recursos interativos do Weights & Biases.

Link to this sectionWeights & Biases#

Weights & Biases é uma plataforma MLOps de ponta projetada para rastrear, visualizar e gerenciar experimentos de aprendizado de máquina. Ela apresenta registro automático de métricas de treinamento para total reprodutibilidade do experimento, uma interface interativa para análise de dados simplificada e ferramentas eficientes de gerenciamento de modelos para implementação em vários ambientes.

Link to this sectionTreinamento do YOLO26 com Weights & Biases#

Você pode usar o Weights & Biases para trazer eficiência e automação ao seu processo de treinamento do YOLO26. A integração permite rastrear experimentos, comparar modelos e tomar decisões baseadas em dados para melhorar seus projetos de visão computacional.

Link to this sectionInstalação#

Para instalar os pacotes necessários, execute:

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

Para instruções detalhadas e melhores práticas relacionadas ao processo de instalação, não deixe de conferir nosso guia de instalação do YOLO26. Se encontrar dificuldades ao instalar os pacotes necessários para o YOLO26, consulte nosso guia de problemas comuns para soluções e dicas.

Link to this sectionConfigurando o Weights & Biases#

Após instalar os pacotes necessários, o próximo passo é configurar seu ambiente Weights & Biases. Isso inclui criar uma conta no Weights & Biases e obter a chave de API necessária para uma conexão tranquila entre seu ambiente de desenvolvimento e a plataforma W&B.

Comece inicializando o ambiente Weights & Biases no seu espaço de trabalho. Você pode fazer isso executando o comando a seguir e seguindo as instruções solicitadas.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")

Navegue até a página de autorização do Weights & Biases para criar e recuperar sua chave de API. Use essa chave quando solicitado para autenticar seu ambiente com o W&B.

Link to this sectionUso: Treinando YOLO26 com Weights & Biases#

Antes de mergulhar nas instruções de uso para o treinamento de modelos YOLO26 com Weights & Biases, não deixe de conferir a variedade de modelos YOLO26 oferecidos pela Ultralytics. Isso ajudará você a escolher o modelo mais adequado para os requisitos do seu projeto.

from ultralytics import YOLO

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

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Link to this sectionArgumentos do W&B#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Link to this sectionEntendendo a saída#

Ao executar o trecho de código de uso acima, você pode esperar as seguintes saídas principais:

• A configuração de uma nova execução com seu ID exclusivo, indicando o início do processo de treinamento.
• Um resumo conciso da estrutura do modelo, incluindo o número de camadas e parâmetros.
• Atualizações regulares sobre métricas importantes, como perda de caixa (box loss), perda de classe (cls loss), perda DFL (dfl loss), precisão, revocação e pontuações mAP durante cada época de treinamento.
• Ao final do treinamento, métricas detalhadas, incluindo a velocidade de inferência do modelo e métricas gerais de precisão, são exibidas.
• Links para o painel do Weights & Biases para análise detalhada e visualização do processo de treinamento, juntamente com informações sobre os locais dos arquivos de registro locais.

Link to this sectionVisualizando o Painel do Weights & Biases#

Após executar o trecho de código de uso, você pode acessar o painel do Weights & Biases (W&B) através do link fornecido na saída. Este painel oferece uma visão abrangente do processo de treinamento do seu modelo com o YOLO26.

Link to this sectionPrincipais Recursos do Painel do Weights & Biases#

• Rastreamento de Métricas em Tempo Real: Observe métricas como perda, precisão e pontuações de validação à medida que evoluem durante o treinamento, oferecendo insights imediatos para o ajuste do modelo. Veja como os experimentos são rastreados usando o Weights & Biases.

• Otimização de Hiperparâmetros: O Weights & Biases ajuda no ajuste fino de parâmetros críticos como taxa de aprendizado, tamanho do lote e muito mais, melhorando o desempenho do YOLO26. Isso ajuda você a encontrar a configuração ideal para seu conjunto de dados e tarefa específicos.

• Análise Comparativa: A plataforma permite comparações lado a lado de diferentes execuções de treinamento, essenciais para avaliar o impacto de várias configurações de modelo e entender quais mudanças melhoram o desempenho.

• Visualização do Progresso de Treinamento: Representações gráficas das principais métricas fornecem uma compreensão intuitiva do desempenho do modelo ao longo das épocas. Veja como o Weights & Biases ajuda você a visualizar os resultados da validação.

• Monitoramento de Recursos: Acompanhe o uso de CPU, GPU e memória para otimizar a eficiência do processo de treinamento e identificar possíveis gargalos em seu fluxo de trabalho.

• Gerenciamento de Artefatos de Modelo: Acesse e compartilhe pontos de verificação de modelos, facilitando a implementação e a colaboração com membros da equipe em projetos complexos.

• Visualizando Resultados de Inferência com Sobreposição de Imagem: Visualize os resultados de predição em imagens usando sobreposições interativas no Weights & Biases, fornecendo uma visão clara e detalhada do desempenho do modelo em dados do mundo real. Para informações mais detalhadas, veja as capacidades de sobreposição de imagem do Weights & Biases.

Ao usar esses recursos, você pode rastrear, analisar e otimizar efetivamente o treinamento do seu modelo YOLO26, garantindo o melhor desempenho e eficiência possíveis para suas tarefas de detecção de objetos.

Link to this sectionResumo#

Este guia ajudou você a explorar a integração do Ultralytics YOLO com o Weights & Biases. Ele ilustra a capacidade dessa integração de rastrear e visualizar eficientemente os resultados de treinamento e predição do modelo. Ao aproveitar os recursos poderosos do W&B, você pode otimizar seu fluxo de trabalho de aprendizado de máquina, tomar decisões baseadas em dados e melhorar o desempenho do seu modelo.

Para mais detalhes sobre o uso, visite a documentação oficial do Weights & Biases ou explore a apresentação de Soumik Rakshit do YOLO VISION 2023 sobre esta integração.

Além disso, não deixe de conferir a página do guia de integração do Ultralytics para saber mais sobre diferentes integrações interessantes como MLflow e Comet ML.

Link to this sectionFAQ#

Link to this sectionComo posso integrar o Weights & Biases com o Ultralytics YOLO26?#

Para integrar o Weights & Biases com o Ultralytics YOLO26:

1. Instale os pacotes necessários:

   pip install -U ultralytics wandb
   yolo settings wandb=True

2. Faça login na sua conta do Weights & Biases:

   import wandb
   
   wandb.login(key="YOUR_API_KEY")

3. Treine seu modelo YOLO26 com o registro do W&B ativado:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Isso registrará automaticamente métricas, hiperparâmetros e artefatos de modelo em seu projeto W&B.

Link to this sectionQuais são os principais recursos da integração do Weights & Biases com o YOLO26?#

Os principais recursos incluem:

• Rastreamento de métricas em tempo real durante o treinamento
• Ferramentas de otimização de hiperparâmetros
• Análise comparativa de diferentes execuções de treinamento
• Visualização do progresso de treinamento através de gráficos
• Monitoramento de recursos (uso de CPU, GPU, memória)
• Gerenciamento e compartilhamento de artefatos de modelo
• Visualização de resultados de inferência com sobreposições de imagem

Esses recursos ajudam a rastrear experimentos, otimizar modelos e colaborar de forma mais eficaz em projetos YOLO26.

Link to this sectionComo posso visualizar o painel do Weights & Biases para meu treinamento YOLO26?#

Após executar seu script de treinamento com a integração do W&B:

1. Um link para seu painel do W&B será fornecido na saída do console.
2. Clique no link ou vá para wandb.ai e faça login na sua conta.
3. Navegue até seu projeto para visualizar métricas detalhadas, visualizações e dados de desempenho do modelo.

O painel oferece insights sobre o processo de treinamento do seu modelo, permitindo que você analise e melhore seus modelos YOLO26 de forma eficaz.

Link to this sectionPosso desativar o registro do Weights & Biases para o treinamento do YOLO26?#

Sim, você pode desativar o registro do W&B usando o seguinte comando:

yolo settings wandb=False

Para reativar o registro, use:

yolo settings wandb=True

Isso permite que você controle quando deseja usar o registro do W&B sem modificar seus scripts de treinamento.

Link to this sectionComo o Weights & Biases ajuda na otimização dos modelos YOLO26?#

O Weights & Biases ajuda a otimizar modelos YOLO26 ao:

1. Fornecer visualizações detalhadas das métricas de treinamento
2. Possibilitar a comparação fácil entre diferentes versões de modelos
3. Oferecer ferramentas para ajuste de hiperparâmetros
4. Permitir a análise colaborativa do desempenho do modelo
5. Facilitar o compartilhamento fácil de artefatos e resultados de modelos

Esses recursos ajudam pesquisadores e desenvolvedores a iterar mais rapidamente e tomar decisões baseadas em dados para melhorar seus modelos YOLO26.