Link to this sectionЭффективная настройка гиперпараметров с помощью Ray Tune и YOLO26#

Настройка гиперпараметров жизненно важна для достижения максимальной производительности модели за счет обнаружения оптимального набора гиперпараметров. Это включает в себя выполнение пробных запусков с различными гиперпараметрами и оценку производительности каждого из них.

Link to this sectionУскорь настройку с Ultralytics YOLO26 и Ray Tune#

Ultralytics YOLO26 включает Ray Tune для настройки гиперпараметров, оптимизируя процесс подбора параметров модели YOLO26. С помощью Ray Tune ты можешь использовать передовые стратегии поиска, параллелизм и раннюю остановку, чтобы ускорить процесс настройки.

Link to this sectionRay Tune#

Ray Tune — это библиотека для настройки гиперпараметров, разработанная для эффективности и гибкости. Она поддерживает различные стратегии поиска, параллелизм и методы ранней остановки, а также легко интегрируется с популярными фреймворками машинного обучения, включая Ultralytics YOLO26.

Link to this sectionИнтеграция с Weights & Biases#

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

Link to this sectionУстановка#

Чтобы установить необходимые пакеты, выполни:

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

# Optionally install W&B for logging
pip install wandb

Link to this sectionИспользование#

from ultralytics import YOLO

# Load a YOLO26n model
model = YOLO("yolo26n.pt")

# Start tuning hyperparameters for YOLO26n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

Link to this sectionПараметры метода tune()#

Метод tune() в YOLO26 предоставляет простой в использовании интерфейс для настройки гиперпараметров с помощью Ray Tune. Он принимает несколько аргументов, которые позволяют тебе настроить процесс подбора параметров. Ниже приведено подробное описание каждого параметра:

Настраивая эти параметры, ты можешь доработать процесс оптимизации гиперпараметров под свои конкретные нужды и доступные вычислительные ресурсы.

Link to this sectionОписание пространства поиска по умолчанию#

В следующей таблице перечислены параметры пространства поиска по умолчанию для настройки гиперпараметров в YOLO26 с помощью Ray Tune. Каждый параметр имеет определенный диапазон значений, заданный tune.uniform().

Link to this sectionПример пользовательского пространства поиска#

В этом примере мы демонстрируем, как использовать пользовательское пространство поиска для настройки гиперпараметров с помощью Ray Tune и YOLO26. Предоставляя свое пространство поиска, ты можешь сосредоточить процесс настройки на конкретных интересующих тебя гиперпараметрах.

from ray import tune

from ultralytics import YOLO

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

# Run Ray Tune on the model
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 предобученными весами "yolo26n.pt". Затем мы вызываем метод tune(), указывая конфигурацию набора данных с помощью "coco8.yaml". Мы задаем пользовательское пространство поиска для начальной скорости обучения lr0, используя словарь с ключом "lr0" и значением tune.uniform(1e-5, 1e-2). Наконец, мы передаем дополнительные аргументы обучения, такие как количество эпох, непосредственно в метод tune как epochs=50.

Link to this sectionПример алгоритма поиска#

Ты можешь выбрать стратегию поиска Ray Tune по имени. Для алгоритмов поиска, основанных на строках, Ultralytics автоматически будет использовать метрику оптимизации по умолчанию для текущей задачи и mode="max". Если search_alg не указан, Ray Tune использует стратегию случайного поиска по умолчанию, BasicVariantGenerator.

from ultralytics import YOLO

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

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

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

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

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

# Define a searcher
searcher = OptunaSearch(
    metric="metrics/mAP50-95(B)",
    mode="max",
)

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

Link to this sectionВозобновление прерванного сеанса настройки гиперпараметров с помощью Ray Tune#

Ты можешь возобновить прерванный сеанс Ray Tune, передав resume=True. При необходимости ты можешь передать имя каталога name, используемое Ray Tune в runs/{task}, чтобы возобновить работу. В противном случае будет возобновлен последний прерванный сеанс. Тебе не нужно снова предоставлять iterations и space, но нужно повторно указать остальные аргументы обучения, включая data и epochs.

from ultralytics import YOLO

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

# Resume previous run
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Resume Ray Tune run with name 'tune_exp_2'
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

Link to this sectionОбработка результатов Ray Tune#

После проведения эксперимента по настройке гиперпараметров с помощью Ray Tune ты, возможно, захочешь выполнить различные анализы полученных результатов. Это руководство поможет тебе ознакомиться с общими рабочими процессами обработки и анализа таких результатов.

Link to this sectionЗагрузка результатов эксперимента Tune из каталога#

После запуска эксперимента по настройке с помощью tuner.fit() ты можешь загрузить результаты из директории. Это полезно, особенно если ты проводишь анализ после того, как завершил работу исходный скрипт обучения.

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

Link to this sectionБазовый анализ на уровне эксперимента#

Получи обзор того, как прошли испытания. Ты можешь быстро проверить, были ли ошибки во время выполнения испытаний.

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

Link to this sectionБазовый анализ на уровне испытания#

Получи доступ к конфигурациям гиперпараметров отдельных испытаний и последним зарегистрированным метрикам.

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

Link to this sectionПостроение графика всей истории зарегистрированных метрик для испытания#

Ты можешь построить график истории зарегистрированных метрик для каждого испытания, чтобы увидеть, как метрики менялись с течением времени.

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

Link to this sectionРезюме#

В этом руководстве мы рассмотрели общие рабочие процессы для анализа результатов экспериментов, запущенных с помощью Ray Tune и Ultralytics. Основные шаги включают загрузку результатов эксперимента из директории, выполнение базового анализа на уровне эксперимента и испытания, а также построение графиков метрик.

Узнай больше, посетив страницу документации Ray Tune Analyze Results, чтобы получить максимум от своих экспериментов по настройке гиперпараметров.

Link to this sectionFAQ#

Link to this sectionКак настроить гиперпараметры моей модели YOLO26 с помощью Ray Tune?#

Чтобы настроить гиперпараметры твоей модели Ultralytics YOLO26 с помощью Ray Tune, выполни следующие шаги:

1. Установи необходимые пакеты:

   pip install -U ultralytics "ray[tune]"
   pip install wandb # optional for logging

2. Загрузи свою модель YOLO26 и начни настройку:

   from ultralytics import YOLO
   
   # Load a YOLO26 model
   model = YOLO("yolo26n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)

Это использует передовые стратегии поиска и параллелизм Ray Tune для эффективной оптимизации гиперпараметров твоей модели. Для получения дополнительной информации ознакомься с документацией Ray Tune.

Link to this sectionКакие гиперпараметры по умолчанию используются для настройки YOLO26 с помощью Ray Tune?#

Ultralytics YOLO26 использует следующие гиперпараметры по умолчанию для настройки с помощью Ray Tune:

Эти гиперпараметры можно настроить под твои специфические нужды. Полный список и подробности см. в руководстве Hyperparameter Tuning.

Link to this sectionКак я могу интегрировать Weights & Biases с настройкой моей модели YOLO26?#

Чтобы интегрировать Weights & Biases (W&B) в процесс настройки твоей модели Ultralytics YOLO26:

1. Установи W&B:

   pip install wandb

2. Измени свой скрипт настройки:

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo26n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)

Эта настройка позволит тебе контролировать процесс оптимизации, отслеживать конфигурации гиперпараметров и визуализировать результаты в W&B.

Link to this sectionПочему мне стоит использовать Ray Tune для оптимизации гиперпараметров с YOLO26?#

Ray Tune предлагает многочисленные преимущества для оптимизации гиперпараметров:

• Передовые стратегии поиска: использует алгоритмы, такие как Bayesian Optimization и HyperOpt, для эффективного поиска параметров.
• Параллелизм: поддерживает параллельное выполнение нескольких испытаний, значительно ускоряя процесс настройки.
• Ранняя остановка: применяет стратегии, такие как ASHA, для досрочного завершения неэффективных испытаний, экономя вычислительные ресурсы.

Ray Tune легко интегрируется с Ultralytics YOLO26, предоставляя простой интерфейс для эффективной настройки гиперпараметров. Чтобы начать, ознакомься с руководством Hyperparameter Tuning.

Link to this sectionКак я могу определить собственное пространство поиска для настройки гиперпараметров YOLO26?#

Чтобы определить собственное пространство поиска для настройки гиперпараметров YOLO26 с помощью Ray Tune:

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-2), "momentum": tune.uniform(0.7, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

Это позволяет настроить диапазон гиперпараметров, таких как начальная скорость обучения и момент, которые будут исследованы в процессе настройки. Для продвинутых конфигураций обратись к разделу Custom Search Space Example.