Визуализируй данные с помощью интеграции YOLO26 с TensorBoard#

Разобраться в моделях компьютерного зрения, например Ultralytics YOLO26, и точно настроить их проще, если подробнее изучить процесс обучения. Визуализация обучения моделей помогает понять особенности их обучения, метрики производительности и общее поведение. Интеграция YOLO26 с TensorBoard упрощает визуализацию и анализ, позволяя эффективнее и обоснованнее корректировать модель.

В этом руководстве рассказывается, как использовать TensorBoard с YOLO26. Ты узнаешь о разных способах визуализации: от отслеживания метрик до анализа графов модели. Эти инструменты помогут лучше понять производительность твоей модели YOLO26.

TensorBoard#

TensorBoard — инструмент визуализации для TensorFlow, широко используемый в экспериментах по машинному обучению. Он предлагает различные средства визуализации для мониторинга моделей машинного обучения: отслеживание ключевых метрик, таких как функция потерь и точность, визуализация графов моделей, а также просмотр гистограмм весов и смещений во времени. Кроме того, TensorBoard позволяет проецировать эмбеддинги в пространства меньшей размерности и отображать мультимедийные данные.

Обучение YOLO26 с TensorBoard#

Использовать TensorBoard во время обучения моделей YOLO26 просто и полезно.

Установка#

Чтобы установить необходимый пакет, выполни команду:

# Install YOLO26 and TensorBoard
pip install ultralytics tensorboard

TensorBoard — необязательная зависимость. После установки один раз включи обратный вызов с помощью yolo settings tensorboard=True; настройка сохранится для последующих запусков обучения.

Подробные инструкции и рекомендации по установке смотри в нашем руководстве по установке YOLO26. Если при установке необходимых пакетов для YOLO26 возникнут трудности, решения и советы найдёшь в нашем руководстве по распространённым проблемам.

Настройка TensorBoard для Google Colab#

При работе в Google Colab настрой TensorBoard до запуска кода обучения:

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

Использование#

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

from ultralytics import YOLO

# Загрузи предварительно обученную модель
model = YOLO("yolo26n.pt")

# Обучить модель
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

При запуске приведённого выше фрагмента кода ожидай следующий вывод:

TensorBoard: Start with 'tensorboard --logdir runs/detect/train', view at http://localhost:6006/

Этот вывод означает, что TensorBoard отслеживает текущий процесс обучения YOLO26. Открой панель TensorBoard по адресу localhost:6006, чтобы просматривать метрики обучения и производительность модели в реальном времени. В Google Colab TensorBoard отображается в той же ячейке, где ты выполнил команды настройки TensorBoard.

Дополнительную информацию об обучении модели см. в нашем руководстве по обучению модели YOLO26. Если ты хочешь узнать больше о журналировании, контрольных точках, построении графиков и управлении файлами, прочитай наше руководство по настройке.

Знакомство с TensorBoard при обучении YOLO26#

В этом разделе описаны основные функции и компоненты TensorBoard применительно к обучению YOLO26. Три основных раздела TensorBoard — временные ряды, скалярные значения и графы.

Временные ряды#

Функция временных рядов в TensorBoard позволяет подробно и наглядно отслеживать различные метрики обучения моделей YOLO26 с течением времени. Она показывает изменение метрик и их тенденции на протяжении эпох обучения. Вот пример того, что ты увидишь.

Ключевые функции временных рядов в TensorBoard#

• Фильтрация тегов и закрепленные карточки: эта функция позволяет фильтровать отдельные метрики и закреплять карточки для быстрого сравнения и доступа. Она особенно полезна, если нужно сосредоточиться на определенных аспектах обучения.

• Карточки с подробными метриками: раздел временных рядов распределяет метрики по категориям, например скорость обучения (lr), метрики обучения (train) и валидации (val), отображая каждую категорию на отдельной карточке.

• Графическое представление: на каждой карточке в разделе временных рядов показан подробный график отдельной метрики на протяжении обучения. Такое представление помогает выявлять тенденции, закономерности и аномалии в процессе обучения.

• Подробный анализ: временные ряды позволяют подробно анализировать каждую метрику. Например, отображаются различные интервалы скорости обучения, что помогает понять, как ее изменение влияет на кривую обучения модели.

Зачем нужны временные ряды при обучении YOLO26#

Раздел временных рядов необходим для тщательного анализа хода обучения модели YOLO26. С его помощью ты можешь отслеживать метрики в реальном времени, чтобы быстро выявлять и устранять проблемы. Он также подробно показывает изменения каждой метрики — это важно для тонкой настройки модели и повышения ее производительности.

Скалярные значения#

Скалярные значения в TensorBoard используются для построения графиков и анализа простых метрик, например функции потерь и точности, при обучении моделей YOLO26. Они наглядно показывают, как эти метрики изменяются с каждой эпохой, и помогают оценить эффективность и стабильность обучения модели. Вот пример того, что ты увидишь.

Основные возможности скаляров в TensorBoard#

• Теги скорости обучения (lr): Эти теги показывают изменения скорости обучения в разных сегментах (например, lr/pg0, lr/pg1, lr/pg2). Они помогают понять, как корректировка скорости обучения влияет на процесс обучения.

• Теги метрик: к скалярам относятся такие показатели эффективности, как:

  • metrics/mAP50(B): Средняя точность при пороге пересечения над объединением 50% (IoU), важная метрика для оценки точности обнаружения объектов.

  • metrics/mAP50-95(B): Средняя точность, рассчитанная для диапазона порогов IoU, обеспечивает более полную оценку точности.

  • metrics/precision(B): Точность обнаружений — доля правильных положительных предсказаний.

  • metrics/recall(B): Эта метрика важна для моделей, где пропуск обнаружения обходится дорого. Полнота показывает, насколько хорошо модель обнаруживает все релевантные объекты.

  • Чтобы узнать больше о разных метриках, прочитай наше руководство по метрикам эффективности.

• Теги обучения и валидации (train, val): эти теги показывают метрики отдельно для обучающего и валидационного наборов данных, что позволяет сравнивать эффективность модели на разных наборах данных.

Важность мониторинга скалярных метрик#

Наблюдение за скалярными метриками крайне важно для тонкой настройки модели YOLO26. Изменения этих метрик, например всплески или нерегулярные колебания на графиках потерь, могут указывать на возможные проблемы, такие как переобучение, недообучение или неправильно заданная скорость обучения. Тщательно отслеживая эти скалярные метрики, ты сможешь принимать обоснованные решения для оптимизации процесса обучения, чтобы модель эффективно обучалась и достигала нужных показателей.

Разница между скалярными метриками и временными рядами#

Скалярные метрики и временные ряды в TensorBoard используются для отслеживания метрик, но служат несколько разным целям. Раздел Scalars отображает простые метрики, например потери и точность, в виде скалярных значений. Он даёт общее представление о том, как эти метрики меняются с каждой эпохой обучения. Раздел временных рядов в TensorBoard, в свою очередь, показывает метрики на подробной временной шкале. Он особенно полезен для отслеживания динамики и тенденций метрик с течением времени и позволяет глубже изучить детали процесса обучения.

Графы#

В разделе «Графы» TensorBoard визуализирует вычислительный граф модели YOLO26 и показывает, как в ней выполняются операции и передаются данные. Это помогает понять структуру модели, проверить правильность соединения всех слоёв и обнаружить возможные узкие места при передаче данных. Вот пример того, что ты увидишь.

Графы особенно полезны при отладке модели, в частности сложных архитектур, характерных для моделей глубокого обучения, таких как YOLO26. Они помогают проверить связи между слоями и общую структуру модели.

Итоги#

Это руководство поможет тебе использовать TensorBoard с YOLO26 для визуализации и анализа обучения моделей машинного обучения. В нём объясняется, как ключевые функции TensorBoard помогают анализировать метрики обучения и эффективность модели во время обучения YOLO26.

Чтобы подробнее изучить эти функции и эффективные способы их применения, обратись к официальной документации TensorBoard и репозиторию на GitHub TensorFlow.

Часто задаваемые вопросы#