Эффективная настройка гиперпараметров с помощью Ray Tune и YOLO26#

Настройка гиперпараметров крайне важна для достижения максимальной производительности модели: для этого необходимо найти оптимальный набор гиперпараметров. Процесс включает запуск испытаний с разными гиперпараметрами и оценку результатов каждого испытания.

Ускорь настройку с помощью Ultralytics YOLO26 и Ray Tune#

Ultralytics YOLO26 использует Ray Tune для настройки гиперпараметров, упрощая оптимизацию гиперпараметров модели YOLO26. С помощью Ray Tune ты можешь использовать передовые стратегии поиска, параллельное выполнение и досрочную остановку, чтобы ускорить процесс настройки.

Ray Tune#

Ray Tune — это библиотека для настройки гиперпараметров, разработанная с учетом эффективности и гибкости. Она поддерживает различные стратегии поиска, параллельное выполнение и досрочную остановку, а также легко интегрируется с популярными платформами машинного обучения, включая Ultralytics YOLO26.

Интеграция с Weights & Biases#

YOLO26 также поддерживает необязательную интеграцию с Weights & Biases для мониторинга процесса настройки.

Установка#

Чтобы установить необходимые пакеты, выполни команду:

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]" optuna

# Optionally install and enable W&B for per-trial logging
pip install wandb
yolo settings wandb=True

Использование#

from ultralytics import YOLO

# Загрузить модель YOLO26n
model = YOLO("yolo26n.pt")

# Начать настройку гиперпараметров для обучения YOLO26n на наборе данных COCO8
result_grid = model.tune(data="coco8.yaml", use_ray=True)

Параметры метода tune()#

Метод tune() в YOLO26 предоставляет удобный интерфейс для настройки гиперпараметров с помощью Ray Tune. Он принимает несколько аргументов, позволяющих настроить процесс. Ниже подробно описан каждый параметр:

Настраивая эти параметры, ты можешь адаптировать процесс оптимизации гиперпараметров под свои задачи и доступные вычислительные ресурсы.

Описание пространства поиска по умолчанию#

В следующей таблице перечислены параметры пространства поиска по умолчанию для настройки гиперпараметров YOLO26 с помощью Ray Tune. Для каждого параметра задан определенный диапазон значений tune.uniform(), кроме close_mosaic, в котором используется tune.randint().

Пример пользовательского пространства поиска#

В этом примере показано, как задать пользовательское пространство поиска для настройки гиперпараметров с помощью Ray Tune и YOLO26. Пользовательское пространство поиска позволяет сосредоточить настройку на нужных гиперпараметрах.

from ray import tune

from ultralytics import YOLO

# Определение модели YOLO
model = YOLO("yolo26n.pt")

# Запустить Ray Tune для модели
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-2)},
    epochs=50,
    use_ray=True,
)

В приведенном выше фрагменте кода мы создаем модель YOLO с предварительно обученными весами «yolo26n.pt». Затем вызываем метод tune(), указывая конфигурацию набора данных «coco8.yaml». Мы задаем пользовательское пространство поиска для начального темпа обучения lr0 с помощью словаря, в котором ключ — «lr0», а значение — tune.uniform(1e-5, 1e-2). Наконец, мы передаем дополнительные аргументы обучения, например количество эпох, непосредственно в метод настройки в виде epochs=50.

Пример алгоритма поиска#

Стратегию поиска Ray Tune можно выбрать по имени. Для алгоритмов поиска, заданных строкой, Ultralytics автоматически использует метрику оптимизации по умолчанию для текущей задачи и mode="max". Если search_alg не указан, Ultralytics использует многомерный TPE Optuna с параллельно-ориентированными рекомендациями.

from ultralytics import YOLO

# Определение модели YOLO
model = YOLO("yolo26n.pt")

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg="optuna",
    use_ray=True,
)

Если тебе нужно настроить сэмплер поискового алгоритма или переопределить его метрику и режим оптимизации, передай экземпляр объекта поискового алгоритма Ray Tune вместо строки.

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

# Определение модели YOLO
model = YOLO("yolo26n.pt")

# Определить поисковый алгоритм
searcher = OptunaSearch(
    metric="metrics/mAP50-95(B)",
    mode="max",
)

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg=searcher,
    use_ray=True,
)

Возобновление прерванной настройки гиперпараметров с помощью Ray Tune#

Чтобы возобновить прерванный сеанс Ray Tune, передай resume=True. При необходимости можно передать каталог name, используемый Ray Tune в runs/{task}, чтобы возобновить сеанс. Иначе будет возобновлен последний прерванный сеанс. Повторно указывать iterations и space не нужно, но остальные аргументы обучения, включая data и epochs, необходимо передать снова.

from ultralytics import YOLO

# Определение модели YOLO
model = YOLO("yolo26n.pt")

# Возобновление предыдущего запуска
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Возобновить запуск Ray Tune с именем 'tune_exp_2'
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

Обработка результатов Ray Tune#

После эксперимента по настройке гиперпараметров с помощью Ray Tune ты можешь выполнить различные виды анализа полученных результатов. В этом руководстве рассматриваются распространенные сценарии обработки и анализа результатов.

Загрузка результатов эксперимента Tune из каталога#

model.tune(use_ray=True) возвращает объект Ray ResultGrid и сохраняет эксперимент в runs/{task}/tune или в переданном тобой каталоге name. Чтобы загрузить результаты после завершения исходного скрипта, возобнови сеанс: это восстановит сохраненные испытания и вернет тот же ResultGrid:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result_grid = model.tune(data="coco8.yaml", epochs=50, use_ray=True, resume=True)

Базовый анализ на уровне эксперимента#

Получи обзор результатов испытаний. Ты можешь быстро проверить, возникали ли ошибки во время испытаний.

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

Базовый анализ на уровне испытаний#

Просмотри конфигурации гиперпараметров отдельных испытаний и последние опубликованные метрики.

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

Построение графика полной истории метрик, полученных в ходе испытания#

Ты можешь построить график истории метрик для каждого испытания, чтобы увидеть, как метрики менялись со временем.

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["metrics/mAP50-95(B)"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("mAP50-95")
plt.legend()
plt.show()

Итоги#

В этом руководстве мы рассмотрели распространенные сценарии анализа результатов экспериментов, проведенных с помощью Ray Tune и Ultralytics. Основные шаги: загрузить результаты эксперимента из каталога, выполнить базовый анализ на уровне эксперимента и испытаний, а также построить графики метрик.

Чтобы узнать больше о настройке гиперпараметров, изучи страницу документации Ray Tune «Анализ результатов».

Часто задаваемые вопросы#