Получайте визуальную информацию с помощью YOLOv8Интеграция с TensorBoard

rom ultralytics import YOLO

 Load a pre-trained model
odel = YOLO('yolov8n.pt')

 Train the model
esults = model.train(data='coco8.yaml', epochs=100, imgsz=640)
``

ning the usage code snippet above, you can expect the following output:

text
ard: Start with 'tensorboard --logdir path_to_your_tensorboard_logs', view at http://localhost:6006/

put означает, что TensorBoard сейчас активно следит за твоей тренировочной сессией YOLOv8 . Ты можешь получить доступ к панели TensorBoard, перейдя по указанному URL (http://localhost:6006/), чтобы посмотреть метрики тренировки и производительность модели в реальном времени. Для пользователей, работающих в Google Colab, панель TensorBoard будет отображаться в той же ячейке, где ты выполнял команды настройки TensorBoard.

информацию, связанную с процессом обучения модели, обязательно ознакомься с нашим руководством по обучению моделиYOLOv8 . Если тебе интересно узнать больше о протоколировании, контрольных точках, построении графиков и управлении файлами, читай наше руководство по использованию конфигурации.

Стоящий твой TensorBoard для обучения YOLOv8

'сфокусирован на понимании различных возможностей и компонентов TensorBoard в контексте обучения YOLOv8 . Три ключевых раздела TensorBoard - это временные ряды, скаляры и графики.

Серия

Функция Series в TensorBoard предлагает динамичный и детальный взгляд на различные метрики обучения с течением времени для моделей YOLOv8 . Она фокусируется на прогрессии и тенденциях метрик по эпохам обучения. Вот пример того, что ты можешь ожидать увидеть.

(https://github.com/ultralytics/ultralytics/assets/25847604/20b3e038-0356-465e-a37e-1ea232c68354)

Особенности временных рядов в TensorBoard

er Tags и Pinned Cards**: Этот функционал позволяет пользователям фильтровать конкретные метрики и прикреплять карточки для быстрого сравнения и доступа. Это особенно полезно для того, чтобы сосредоточиться на конкретных аспектах тренировочного процесса.

Карточки с метриками**: Time Series делит метрики на различные категории, такие как скорость обучения (lr), тренировочные (train) и проверочные (val) метрики, каждая из которых представлена отдельными карточками.

hical Display**: Каждая карточка в разделе "Временные ряды" показывает подробный график определенной метрики в течение тренировки. Такое визуальное представление помогает выявить тенденции, закономерности или аномалии в тренировочном процессе.

Глубокий анализ**: Time Series обеспечивает глубокий анализ каждой метрики. Например, показываются различные сегменты скорости обучения, что позволяет понять, как изменения в скорости обучения влияют на кривую обучения модели.

Значение временных рядов в обучении YOLOv8

Раздел "Серии" необходим для тщательного анализа прогресса в тренировках модели YOLOv8 . Он позволяет отслеживать метрики в режиме реального времени, чтобы оперативно выявлять и решать проблемы. Кроме того, в нем можно детально просмотреть прогрессию каждой метрики, что крайне важно для тонкой настройки модели и повышения ее эффективности.

ars

в TensorBoard очень важны для построения графиков и анализа таких простых показателей, как потери и точность, в процессе обучения моделей YOLOv8 . Они дают четкое и ясное представление о том, как эти метрики изменяются с каждой эпохой обучения, позволяя понять эффективность и стабильность обучения модели. Вот пример того, что ты можешь ожидать увидеть.

(https://github.com/ultralytics/ultralytics/assets/25847604/f9228193-13e9-4768-9edf-8fa15ecd24fa)

Особенности скаляров в TensorBoard

Теги скорости обучения (lr)**: Эти теги показывают различия в скорости обучения в разных сегментах (например, pg0, pg1, pg2). Это поможет нам понять, как влияет корректировка скорости обучения на процесс тренировки.

ics Tags**: Скаляры включают в себя такие показатели эффективности, как:

AP50 (B)`: Среднее значение точности при 50-процентном пересечении над объединением (IoU), крайне важное для оценки точности обнаружения объектов.

AP50-95 (B)`: Среднее значение точности, рассчитанное по диапазону порогов IoU, предлагает более полную оценку точности.

рецидив (B)`: Указывает на соотношение правильно предсказанных положительных наблюдений, что является ключом к пониманию точности предсказания.

ecall (B)`: Эта метрика важна для моделей, в которых пропуск обнаружения является значительным, и измеряет способность обнаружить все релевантные экземпляры.

Узнай больше о различных метриках, прочитай наш гид по метрикам производительности.

Теги ning и Validation (train, val)**: Эти теги отображают метрики конкретно для тренировочного и валидационного наборов данных, позволяя провести сравнительный анализ производительности модели на разных наборах данных.

Эффективность мониторинга скаляров

g скалярных метрик очень важна для тонкой настройки модели YOLOv8 . Изменения этих показателей, такие как пики или нерегулярные паттерны на графиках потерь, могут выявить потенциальные проблемы, такие как перебор, недобор или неподходящие настройки скорости обучения. Внимательно следя за этими скалярами, ты сможешь принимать взвешенные решения по оптимизации процесса обучения, гарантируя, что модель обучается эффективно и достигает желаемой производительности.

Разница между скалярами и временными рядами

Скаляры и временные ряды в TensorBoard используются для отслеживания метрик, но они служат немного разным целям. Скаляры сосредоточены на построении графиков простых метрик, таких как потеря и точность, в виде скалярных значений. Они обеспечивают высокоуровневый обзор того, как эти метрики меняются с каждой эпохой обучения. В то время как секция временных рядов TensorBoard предлагает более детальное представление различных метрик на временной шкале. Он особенно полезен для отслеживания прогрессии и тенденций изменения метрик с течением времени, обеспечивая более глубокое погружение в специфику процесса обучения.

hs

hs-секция TensorBoard визуализирует вычислительный граф модели YOLOv8 , показывая, как операции и данные протекают внутри модели. Это мощный инструмент для понимания структуры модели, обеспечения правильного соединения всех слоев и выявления любых потенциальных узких мест в потоке данных. Вот пример того, что ты можешь ожидать увидеть.

(https://github.com/ultralytics/ultralytics/assets/25847604/039028e0-4ab3-4170-bfa8-f93ce483f615)

особенно полезны для отладки модели, особенно в сложных архитектурах, характерных для моделей глубокого обучения, таких как YOLOv8. Они помогают в проверке соединений слоев и общего дизайна модели.

ry

Цель статьи - помочь тебе использовать TensorBoard с YOLOv8 для визуализации и анализа обучения моделей машинного обучения. Он сосредоточен на объяснении того, как ключевые функции TensorBoard могут дать представление о метриках обучения и производительности модели во время сессий обучения YOLOv8 .

Для детального изучения этих возможностей и эффективных стратегий их использования ты можешь обратиться к официальной документации по TensorBoard на сайте TensorFlow и в их репозитории на GitHub.

Узнай больше о различных интеграциях Ultralytics? Загляни на страницу руководства по интеграциямUltralytics и узнай, какие еще интересные возможности ждут своего часа!

ВОПРОСЫ И ОТВЕТЫ

Можно ли интегрировать YOLOv8 с TensorBoard для визуализации в реальном времени?

Инг YOLOv8 с TensorBoard позволяет получать визуальные представления в реальном времени во время обучения модели. Для начала установи необходимый пакет:

ple "Установка"

"CLI"

# Install the required package for YOLOv8 and Tensorboard
pip install ultralytics