Пошаговое руководство по обучению моделей YOLO11 с помощью IBM Watsonx
В настоящее время масштабируемые решения в области компьютерного зрения становятся все более распространенными и преобразуют способы обработки визуальных данных. Отличным примером является IBM Watsonx, передовая платформа ИИ и данных, которая упрощает разработку, развертывание и управление моделями ИИ. Она предлагает полный набор инструментов для всего жизненного цикла ИИ и бесшовную интеграцию с облачными сервисами IBM.
Вы можете обучать модели Ultralytics YOLO11 с использованием IBM Watsonx. Это хороший вариант для предприятий, заинтересованных в эффективном обучении моделей, тонкой настройке для конкретных задач и улучшении производительности моделей с помощью надежных инструментов и удобной настройки. В этом руководстве мы проведем вас через процесс обучения YOLO11 с помощью IBM Watsonx, охватывая все, от настройки вашей среды до оценки обученных моделей. Давайте начнем!
Что такое IBM Watsonx?
Watsonx - это облачная платформа IBM, разработанная для коммерческого использования генеративный ИИ и научные данные. Три компонента IBM Watsonx - watsonx.ai
, watsonx.data
и watsonx.governance
- объединяются для создания сквозной, надежной платформы искусственного интеллекта, которая может ускорить проекты в области ИИ, направленные на решение бизнес-задач. Она предоставляет мощные инструменты для построения, обучения и развертывание моделей машинного обучения и упрощает подключение к различным источникам данных.
Его удобный интерфейс и возможности для совместной работы упрощают процесс разработки и помогают в эффективном управлении и развертывании моделей. Будь то компьютерное зрение, прогнозная аналитика, обработка естественного языка или другие приложения ИИ, IBM Watsonx предоставляет инструменты и поддержку, необходимые для стимулирования инноваций.
Ключевые особенности IBM Watsonx
IBM Watsonx состоит из трех основных компонентов: watsonx.ai
, watsonx.data
и watsonx.governance
. Каждый компонент предлагает функции, которые отвечают различным аспектам искусственного интеллекта и управления данными. Давайте рассмотрим их подробнее.
Watsonx.ai
Watsonx.ai предоставляет мощные инструменты для разработки ИИ и предлагает доступ к пользовательским моделям, поддерживаемым IBM, моделям сторонних разработчиков, таким как Llama 3, и собственным моделям Granite от IBM. Он включает в себя Prompt Lab для экспериментов с подсказками ИИ, Tuning Studio для улучшения производительности моделей с помощью размеченных данных и Flows Engine для упрощения разработки генеративных приложений ИИ. Кроме того, он предлагает комплексные инструменты для автоматизации жизненного цикла моделей ИИ и подключения к различным API и библиотекам.
Watsonx.data
Watsonx.data поддерживает развертывания как в облаке, так и локально благодаря интеграции IBM Storage Fusion HCI. Его удобная консоль обеспечивает централизованный доступ к данным в различных средах и упрощает изучение данных с помощью общего SQL. Он оптимизирует рабочие нагрузки с помощью эффективных механизмов запросов, таких как Presto и Spark, ускоряет получение аналитической информации с помощью семантического уровня на основе ИИ, включает векторную базу данных для релевантности ИИ и поддерживает открытые форматы данных для удобного обмена аналитическими данными и данными ИИ.
Watsonx.governance
Watsonx.governance упрощает соблюдение нормативных требований, автоматически определяя изменения в нормативных актах и обеспечивая соблюдение политик. Он связывает требования с внутренними данными о рисках и предоставляет актуальные информационные бюллетени об ИИ. Платформа помогает управлять рисками с помощью оповещений и инструментов для обнаружения таких проблем, как предвзятость и дрейф. Она также автоматизирует мониторинг и документирование жизненного цикла ИИ, организует разработку ИИ с помощью инвентаризации моделей и расширяет возможности сотрудничества с помощью удобных панелей мониторинга и инструментов отчетности.
Как обучить YOLO11 с использованием IBM Watsonx
Вы можете использовать IBM Watsonx для ускорения рабочего процесса обучения вашей модели YOLO11.
Предварительные требования
Вам потребуется учетная запись IBM Cloud для создания проекта watsonx.ai, а также учетная запись Kaggle для загрузки набора данных.
Шаг 1. Настройте свою среду
Сначала вам нужно настроить учетную запись IBM, чтобы использовать Jupyter Notebook. Войдите в watsonx.ai с помощью своей учетной записи IBM Cloud.
Затем создайте проект watsonx.ai и Jupyter Notebook.
После этого откроется среда блокнота, в которую вы сможете загрузить свой набор данных. Вы можете использовать код из этого руководства для решения простой задачи обучения модели обнаружения объектов.
Шаг 2. Установите и импортируйте соответствующие библиотеки
Далее вы можете установить и импортировать необходимые библиотеки python.
Установка
# Install the required packages
pip install torch torchvision torchaudio
pip install opencv-contrib-python-headless
pip install ultralytics==8.0.196
Подробные инструкции и рекомендации, касающиеся процесса установки, см. в нашем руководстве по установке Ultralytics. Если во время установки необходимых пакетов для YOLO11 у вас возникнут какие-либо трудности, обратитесь к нашему руководству по распространенным проблемам для получения решений и советов.
Затем вы можете импортировать необходимые пакеты.
Импортируйте соответствующие библиотеки
# Import ultralytics
import ultralytics
ultralytics.checks()
# Import packages to retrieve and display image files
Шаг 3. Загрузите данные
В этом руководстве мы будем использовать набор данных о морском мусоре, доступный на Kaggle. С помощью этого набора данных мы будем обучать пользовательскую модель YOLO11 для обнаружения и классификации мусора и биологических объектов на подводных изображениях.
Мы можем загрузить набор данных непосредственно в блокнот с помощью Kaggle API. Сначала создайте бесплатную учетную запись Kaggle. После создания учетной записи вам нужно будет сгенерировать ключ API. Инструкции по созданию ключа можно найти в документации Kaggle API в разделе "API credentials".
Скопируйте и вставьте свое имя пользователя Kaggle и ключ API в следующий код. Затем запустите код, чтобы установить API и загрузить набор данных в Watsonx.
Установка
# Install kaggle
pip install kaggle
После установки Kaggle мы можем загрузить набор данных в Watsonx.
Загрузка данных
# Replace "username" string with your username
os.environ["KAGGLE_USERNAME"] = "username"
# Replace "apiKey" string with your key
os.environ["KAGGLE_KEY"] = "apiKey"
# Load dataset
os.system("kaggle datasets download atiqishrak/trash-dataset-icra19 --unzip")
# Store working directory path as work_dir
work_dir = os.getcwd()
# Print work_dir path
print(os.getcwd())
# Print work_dir contents
print(os.listdir(f"{work_dir}"))
# Print trash_ICRA19 subdirectory contents
print(os.listdir(f"{work_dir}/trash_ICRA19"))
После загрузки набора данных мы распечатали и сохранили наш рабочий каталог. Мы также распечатали содержимое нашего рабочего каталога, чтобы убедиться, что набор данных "trash_ICRA19" был загружен правильно.
Если вы видите "trash_ICRA19" среди содержимого каталога, значит, он успешно загружен. Вы должны увидеть три файла/папки: a config.yaml
файл, a videos_for_testing
каталог и a dataset
каталог. Мы проигнорируем videos_for_testing
каталог, поэтому можете смело его удалить.
Мы будем использовать config.yaml
файл и содержимое каталога набора данных для обучения нашей обнаружения объектов модель. Вот пример изображения из нашего набора данных о морском мусоре.
Шаг 4. Предварительно обработайте данные
К счастью, все метки в наборе данных о морском мусоре уже отформатированы как .txt файлы YOLO. Однако нам необходимо изменить структуру каталогов изображений и меток, чтобы помочь нашей модели обрабатывать изображения и метки. Сейчас структура нашего загруженного набора данных выглядит следующим образом:
Но, модели YOLO по умолчанию требуют отдельные изображения и метки в подкаталогах внутри разделения train/val/test. Нам нужно реорганизовать каталог в следующую структуру:
Чтобы реорганизовать каталог набора данных, мы можем запустить следующий скрипт:
Предварительная обработка данных
# Function to reorganize dir
def organize_files(directory):
for subdir in ["train", "test", "val"]:
subdir_path = os.path.join(directory, subdir)
if not os.path.exists(subdir_path):
continue
images_dir = os.path.join(subdir_path, "images")
labels_dir = os.path.join(subdir_path, "labels")
# Create image and label subdirs if non-existent
os.makedirs(images_dir, exist_ok=True)
os.makedirs(labels_dir, exist_ok=True)
# Move images and labels to respective subdirs
for filename in os.listdir(subdir_path):
if filename.endswith(".txt"):
shutil.move(os.path.join(subdir_path, filename), os.path.join(labels_dir, filename))
elif filename.endswith(".jpg") or filename.endswith(".png") or filename.endswith(".jpeg"):
shutil.move(os.path.join(subdir_path, filename), os.path.join(images_dir, filename))
# Delete .xml files
elif filename.endswith(".xml"):
os.remove(os.path.join(subdir_path, filename))
if __name__ == "__main__":
directory = f"{work_dir}/trash_ICRA19/dataset"
organize_files(directory)
Далее нам нужно изменить .yaml файл для набора данных. Это настройка, которую мы будем использовать в нашем .yaml файле. Номера ID классов начинаются с 0:
path: /path/to/dataset/directory # root directory for dataset
train: train/images # train images subdirectory
val: train/images # validation images subdirectory
test: test/images # test images subdirectory
# Classes
names:
0: plastic
1: bio
2: rov
Выполните следующий скрипт, чтобы удалить текущее содержимое из config.yaml
и замените его содержимым, отражающим структуру каталогов нашего нового набора данных. Обязательно замените часть work_dir пути к корневому каталогу в строке 4 на путь к вашему собственному рабочему каталогу, полученный ранее. Оставьте определения подкаталогов train, val и test. Кроме того, не изменяйте {work_dir} в строке 23 кода.
Редактирование .yaml файла
# Contents of new config.yaml file
def update_yaml_file(file_path):
data = {
"path": "work_dir/trash_ICRA19/dataset",
"train": "train/images",
"val": "train/images",
"test": "test/images",
"names": {0: "plastic", 1: "bio", 2: "rov"},
}
# Ensures the "names" list appears after the sub/directories
names_data = data.pop("names")
with open(file_path, "w") as yaml_file:
yaml.dump(data, yaml_file)
yaml_file.write("\n")
yaml.dump({"names": names_data}, yaml_file)
if __name__ == "__main__":
file_path = f"{work_dir}/trash_ICRA19/config.yaml" # .yaml file path
update_yaml_file(file_path)
print(f"{file_path} updated successfully.")
Шаг 5. Обучите модель YOLO11
Запустите следующий код командной строки, чтобы точно настроить предварительно обученную модель YOLO11 по умолчанию.
Обучение модели YOLO11
!yolo task=detect mode=train data={work_dir}/trash_ICRA19/config.yaml model=yolo11n.pt epochs=2 batch=32 lr0=.04 plots=True
Вот более подробный взгляд на параметры в команде обучения модели:
- task: Определяет задачу компьютерного зрения, для которой вы используете указанную модель YOLO и набор данных.
- mode: Обозначает цель, для которой вы загружаете указанную модель и данные. Поскольку мы обучаем модель, он установлен на "train". Позже, когда мы будем проверять производительность нашей модели, мы установим его на "predict".
- epochs: Это ограничивает количество раз, когда YOLO11 будет проходить через весь наш набор данных.
- batch: Численное значение определяет размеры пакетов обучения. Пакеты - это количество изображений, которые модель обрабатывает перед обновлением своих параметров.
- lr0: Указывает начальную скорость обучения модели.
- plots: Указывает YOLO генерировать и сохранять графики обучения и оценки метрик нашей модели.
Для детального понимания процесса обучения модели и лучших практик, обратитесь к руководству по обучению модели YOLO11. Это руководство поможет вам получить максимальную отдачу от ваших экспериментов и убедиться, что вы эффективно используете YOLO11.
Шаг 6. Протестируйте модель
Теперь мы можем запустить вывод, чтобы проверить производительность нашей точно настроенной модели:
Протестируйте модель YOLO11
!yolo task=detect mode=predict source={work_dir}/trash_ICRA19/dataset/test/images model={work_dir}/runs/detect/train/weights/best.pt conf=0.5 iou=.5 save=True save_txt=True
Этот краткий скрипт генерирует прогнозируемые метки для каждого изображения в нашем тестовом наборе, а также новые выходные файлы изображений, которые накладывают прогнозируемые ограничивающие рамки поверх исходного изображения.
Предсказанные .txt метки для каждого изображения сохраняются с помощью аргумента save_txt=True
, а выходные изображения с наложенными ограничивающими рамками создаются с помощью аргумента save=True
.
Параметр conf=0.5
сообщает модели, что нужно игнорировать все прогнозы с уровнем достоверности менее 50%.
Наконец, iou=.5
указывает модели игнорировать рамки в том же классе с перекрытием 50% или более. Это помогает уменьшить количество потенциальных дублирующихся рамок, созданных для одного и того же объекта.
мы можем загрузить изображения с прогнозируемыми наложенными ограничивающими рамками, чтобы увидеть, как наша модель работает на нескольких изображениях.
Отображение прогнозов
# Show the first ten images from the preceding prediction task
for pred_dir in glob.glob(f"{work_dir}/runs/detect/predict/*.jpg")[:10]:
img = Image.open(pred_dir)
display(img)
Приведенный выше код отображает десять изображений из тестового набора с их прогнозируемыми ограничивающими рамками, сопровождаемыми метками с названиями классов и уровнями достоверности.
Шаг 7: Оценка модели
Мы можем создать визуализации точности и полноты модели для каждого класса. Эти визуализации сохраняются в домашнем каталоге, в папке train. Оценка точности отображается в P_curve.png:
График показывает экспоненциальный рост точности по мере увеличения уровня достоверности прогнозов модели. Однако точность модели еще не выровнялась на определенном уровне достоверности после двух эпох.
График полноты (R_curve.png) отображает обратную тенденцию:
В отличие от точности, полнота движется в противоположном направлении, показывая большую полноту с более низкими показателями достоверности и более низкую полноту с более высокими показателями достоверности. Это подходящий пример компромисса между точностью и полнотой для моделей классификации.
Шаг 8: Расчет Intersection Over Union
Вы можете измерить точность прогноза, рассчитав IoU между прогнозируемой ограничивающей рамкой и основной ограничивающей рамкой для одного и того же объекта. Ознакомьтесь с учебником IBM по обучению YOLO11 для получения более подробной информации.
Обзор
Мы изучили ключевые функции IBM Watsonx и то, как обучить модель YOLO11 с помощью IBM Watsonx. Мы также увидели, как IBM Watsonx может улучшить ваши рабочие процессы AI с помощью передовых инструментов для построения моделей, управления данными и соответствия требованиям.
Для получения более подробной информации об использовании посетите официальную документацию IBM Watsonx.
Также, обязательно ознакомьтесь со страницей руководства по интеграции Ultralytics, чтобы узнать больше о различных интересных интеграциях.
Часто задаваемые вопросы
Как обучить модель YOLO11 с использованием IBM Watsonx?
Чтобы обучить модель YOLO11 с помощью IBM Watsonx, выполните следующие действия:
- Настройте свою среду: Создайте учетную запись IBM Cloud и настройте проект Watsonx.ai. Используйте Jupyter Notebook для своей среды кодирования.
- Установите библиотеки: Установите необходимые библиотеки, такие как
torch
,opencv
иultralytics
. - Загрузите данные: Используйте Kaggle API для загрузки набора данных в Watsonx.
- Предварительная обработка данных: Организуйте свой набор данных в требуемую структуру каталогов и обновите
.yaml
файл конфигурации. - Обучение модели: Используйте интерфейс командной строки YOLO для обучения вашей модели с определенными параметрами, такими как
epochs
,batch size
иlearning rate
. - Тестирование и оценка: Запустите вывод, чтобы протестировать модель и оценить ее производительность, используя такие метрики, как точность и полнота.
Для получения подробных инструкций обратитесь к нашему руководству по обучению модели YOLO11.
Каковы ключевые особенности IBM Watsonx для обучения моделей ИИ?
IBM Watsonx предлагает несколько ключевых функций для обучения моделей ИИ:
- Watsonx.ai: Предоставляет инструменты для разработки ИИ, включая доступ к пользовательским моделям, поддерживаемым IBM, и моделям сторонних производителей, таким как Llama 3. Он включает в себя Prompt Lab, Tuning Studio и Flows Engine для комплексного управления жизненным циклом ИИ.
- Watsonx.data: Поддерживает облачные и локальные развертывания, предлагая централизованный доступ к данным, эффективные механизмы запросов, такие как Presto и Spark, и семантический уровень на основе ИИ.
- Watsonx.governance: Автоматизирует соответствие требованиям, управляет рисками с помощью оповещений и предоставляет инструменты для обнаружения таких проблем, как предвзятость и дрейф. Он также включает в себя панели мониторинга и инструменты отчетности для совместной работы.
Для получения дополнительной информации посетите официальную документацию IBM Watsonx.
Почему стоит использовать IBM Watsonx для обучения моделей Ultralytics YOLO11?
IBM Watsonx — отличный выбор для обучения моделей Ultralytics YOLO11 благодаря своему комплексному набору инструментов, которые оптимизируют жизненный цикл ИИ. Ключевые преимущества включают в себя:
- Масштабируемость: Легко масштабируйте обучение своей модели с помощью сервисов IBM Cloud.
- Интеграция: Легко интегрируйтесь с различными источниками данных и API.
- Удобный интерфейс: Упрощает процесс разработки благодаря интуитивно понятному интерфейсу для совместной работы.
- Расширенные инструменты: Доступ к мощным инструментам, таким как Prompt Lab, Tuning Studio и Flows Engine, для повышения производительности модели.
Узнайте больше об Ultralytics YOLO11 и о том, как обучать модели с использованием IBM Watsonx, в нашем руководстве по интеграции.
Как подготовить мой набор данных для обучения YOLO11 на IBM Watsonx?
Чтобы предварительно обработать набор данных для обучения YOLO11 на IBM Watsonx:
- Организуйте каталоги: Убедитесь, что ваш набор данных соответствует структуре каталогов YOLO с отдельными подкаталогами для изображений и меток в рамках разделения train/val/test.
- Обновите .yaml файл: Измените
.yaml
файл конфигурации, чтобы отразить новую структуру каталогов и названия классов. - Запустите скрипт предварительной обработки: Используйте скрипт python для реорганизации набора данных и обновления
.yaml
файла соответствующим образом.
Вот пример скрипта для организации вашего набора данных:
import os
import shutil
def organize_files(directory):
for subdir in ["train", "test", "val"]:
subdir_path = os.path.join(directory, subdir)
if not os.path.exists(subdir_path):
continue
images_dir = os.path.join(subdir_path, "images")
labels_dir = os.path.join(subdir_path, "labels")
os.makedirs(images_dir, exist_ok=True)
os.makedirs(labels_dir, exist_ok=True)
for filename in os.listdir(subdir_path):
if filename.endswith(".txt"):
shutil.move(os.path.join(subdir_path, filename), os.path.join(labels_dir, filename))
elif filename.endswith(".jpg") or filename.endswith(".png") or filename.endswith(".jpeg"):
shutil.move(os.path.join(subdir_path, filename), os.path.join(images_dir, filename))
if __name__ == "__main__":
directory = f"{work_dir}/trash_ICRA19/dataset"
organize_files(directory)
Для получения более подробной информации обратитесь к нашему руководству по предварительной обработке данных.
Каковы предварительные условия для обучения модели YOLO11 на IBM Watsonx?
Прежде чем начать обучение модели YOLO11 на IBM Watsonx, убедитесь, что у вас есть следующие предварительные условия:
- Учетная запись IBM Cloud: Создайте учетную запись в IBM Cloud для доступа к Watsonx.ai.
- Учетная запись Kaggle: Для загрузки наборов данных вам потребуется учетная запись Kaggle и ключ API.
- Jupyter Notebook: Настройте среду Jupyter Notebook в Watsonx.ai для кодирования и обучения модели.
Для получения дополнительной информации о настройке среды посетите наше руководство по установке Ultralytics.