Отслеживание экспериментов YOLO и визуализация с помощью Weights & Biases#

Модели обнаружения объектов, такие как Ultralytics YOLO26, стали неотъемлемой частью многих приложений компьютерного зрения. Однако обучение, оценка и развёртывание таких сложных моделей сопряжены с рядом трудностей. Для отслеживания ключевых метрик обучения, сравнения вариантов моделей, анализа их поведения и выявления проблем нужны значительные усилия по инструментированию и управлению экспериментами.

В этом руководстве показано, как интегрировать Ultralytics YOLO26 с Weights & Biases для улучшенного отслеживания экспериментов, сохранения контрольных точек модели и визуализации её производительности. Также в нём приведены инструкции по настройке интеграции, обучению и визуализации результатов с помощью интерактивных функций Weights & Biases.

Weights & Biases#

Weights & Biases — передовая платформа MLOps для отслеживания, визуализации и управления экспериментами в области машинного обучения. Она автоматически регистрирует метрики обучения, обеспечивая полную воспроизводимость экспериментов, предлагает интерактивный интерфейс для упрощённого анализа данных и эффективные инструменты управления моделями для развёртывания в различных средах.

Обучение YOLO26 с Weights & Biases#

Ты можешь использовать Weights & Biases, чтобы повысить эффективность и автоматизировать процесс обучения YOLO26. Интеграция позволяет отслеживать эксперименты, сравнивать модели и принимать решения на основе данных для улучшения проектов в области компьютерного зрения.

Установка#

Чтобы установить необходимые пакеты, выполни команду:

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

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 Weights & Biases#

После установки необходимых пакетов следующий шаг — настроить среду Weights & Biases. Для этого нужно создать аккаунт Weights & Biases и получить API-ключ, который обеспечит беспроблемное подключение среды разработки к платформе W&B.

Сначала инициализируй среду Weights & Biases в рабочем пространстве. Для этого выполни следующую команду и следуй появляющимся инструкциям.

import wandb

# Инициализируй среду Weights & Biases
wandb.login(key="YOUR_API_KEY")

Перейди на страницу авторизации Weights & Biases, чтобы создать и получить API-ключ. Введи этот ключ, когда появится запрос на аутентификацию среды в W&B.

Использование: обучение YOLO26 с Weights & Biases#

Прежде чем перейти к инструкциям по обучению модели YOLO26 с Weights & Biases, ознакомься с доступными моделями YOLO26 от Ultralytics. Это поможет выбрать модель, наиболее подходящую для требований твоего проекта.

from ultralytics import YOLO

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

# Обучи модель и выполни её тонкую настройку
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Аргументы W&B#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Разбор вывода#

После выполнения приведённого выше фрагмента кода ты увидишь следующие основные результаты:

• Настройка нового запуска с уникальным идентификатором, сигнализирующая о начале процесса обучения.
• Краткая сводка о структуре модели, включая количество слоёв и параметров.
• Регулярные обновления важных метрик, таких как потери для рамок (box loss), потери классификации (cls loss), потери расстояния до рамок (box-distance loss), точность, полнота и показатели mAP на каждой эпохе обучения.
• По окончании обучения отображаются подробные метрики, включая скорость инференса модели и общие показатели точности.
• Ссылки на панель управления Weights & Biases для углублённого анализа и визуализации процесса обучения, а также сведения о расположении локальных файлов журналов.

Просмотр панели управления Weights & Biases#

После выполнения фрагмента кода ты сможешь перейти на панель управления Weights & Biases (W&B) по ссылке в выводе. На панели представлен полный обзор процесса обучения твоей модели с YOLO26.

Основные возможности панели управления Weights & Biases#

• Отслеживание метрик в реальном времени: наблюдай, как меняются потери, точность и метрики валидации в процессе обучения, и сразу получай информацию для настройки модели. Узнай, как Weights & Biases отслеживает эксперименты.

• Оптимизация гиперпараметров: Weights & Biases помогает настраивать важные параметры, такие как скорость обучения, размер пакета и другие, чтобы повысить производительность YOLO26. Это позволяет подобрать оптимальную конфигурацию для конкретного набора данных и задачи.

• Сравнительный анализ: платформа позволяет сопоставлять результаты разных запусков обучения — это важно для оценки влияния различных конфигураций модели и понимания того, какие изменения повышают производительность.

• Визуализация хода обучения: графики ключевых метрик помогают наглядно оценить производительность модели на протяжении эпох. Узнай, как Weights & Biases помогает визуализировать результаты валидации.

• Мониторинг ресурсов: следи за использованием CPU, GPU и памяти, чтобы оптимизировать эффективность обучения и выявлять возможные узкие места в рабочем процессе.

• Управление артефактами модели: получай доступ к контрольным точкам модели и делись ими, упрощая развёртывание и совместную работу над сложными проектами.

Используя эти возможности, ты сможешь эффективно отслеживать и анализировать обучение модели YOLO26, а также оптимизировать его, добиваясь наилучшей производительности и эффективности для задач обнаружения объектов.

Итоги#

Это руководство помогло тебе разобраться в интеграции Ultralytics YOLO с Weights & Biases. В нём показано, как интеграция позволяет эффективно отслеживать и визуализировать результаты обучения и предсказаний модели. Используя мощные возможности W&B, ты сможешь упростить рабочий процесс машинного обучения, принимать решения на основе данных и повышать производительность модели.

Подробнее об использовании можно узнать в официальной документации Weights & Biases или в докладе Soumik Rakshit об этой интеграции на YOLO VISION 2023.

Также загляни на страницу руководства по интеграциям Ultralytics, чтобы узнать больше о таких полезных интеграциях, как MLflow и Comet ML.

Часто задаваемые вопросы#