Улучшение отслеживания и визуализации экспериментов YOLO11 с помощью Weights & Biases

Модели обнаружения объектов, такие как Ultralytics YOLO11 стали неотъемлемой частью многих приложений компьютерного зрения. Однако обучение, оценка и развертывание этих сложных моделей сопряжены с рядом проблем. Отслеживание ключевых показателей обучения, сравнение вариантов моделей, анализ поведения моделей и обнаружение проблем требуют значительного инструментария и управления экспериментами.

Смотреть: Как использовать Ultralytics YOLO11 с Weights and Biases

Это руководство демонстрирует интеграцию Ultralytics YOLO11 с Weights & Biases для расширенного отслеживания экспериментов, проверки моделей и визуализации их работы. Оно также содержит инструкции по настройке интеграции, обучению, тонкой настройке и визуализации результатов с помощью интерактивных функций Weights & Biases'.

Weights & Biases

Weights & Biases это передовая платформа MLOps, предназначенная для отслеживания, визуализации и управления экспериментами по машинному обучению. Она включает в себя автоматическое протоколирование показателей обучения для полной воспроизводимости экспериментов, интерактивный пользовательский интерфейс для упрощенного анализа данных и эффективные инструменты управления моделями для развертывания в различных средах.

YOLO11 Обучение с Weights & Biases

Вы можете использовать Weights & Biases для повышения эффективности и автоматизации процесса обучения в YOLO11 . Интеграция позволяет отслеживать эксперименты, сравнивать модели и принимать решения, основанные на данных, для улучшения проектов по компьютерному зрению.

Установка

Чтобы установить необходимые пакеты, выполните 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

Для получения подробных инструкций и лучших практик, связанных с процессом установки, обязательно ознакомьтесь с нашим руководством по установкеYOLO11 . При установке необходимых пакетов для YOLO11, если вы столкнетесь с какими-либо трудностями, обратитесь к нашему руководству по общим проблемам, чтобы найти решения и советы.

Настройка Weights & Biases

После установки необходимых пакетов следующим шагом будет настройка среды Weights & Biases . Это включает в себя создание учетной записи Weights & Biases и получение необходимого API-ключа для бесперебойного соединения между средой разработки и платформой W&B.

Начните с инициализации среды Weights & Biases в вашей рабочей области. Для этого выполните следующую команду и следуйте инструкциям.

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")

# Initialize your Weights & Biases environment
wandb login YOUR_API_KEY

Перейдите на страницу авторизацииWeights & Biases , чтобы создать и получить свой ключ API. Используйте этот ключ для аутентификации вашей среды в W&B.

Использование: Обучение YOLO11 с Weights & Biases

Прежде чем погрузиться в инструкцию по использованию модели YOLO11 для обучения с помощью Weights & Biases, обязательно ознакомьтесь с ассортиментом моделейYOLO11 , предлагаемых на сайте Ultralytics. Это поможет вам выбрать наиболее подходящую модель для ваших требований к проекту.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

# Train a YOLO11 model with Weights & Biases
yolo train data=coco8.yaml epochs=5 project=ultralytics name=yolo11n

Аргументы W&B

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Понимание вывода

Запустив приведенный выше фрагмент кода, вы можете ожидать следующих ключевых результатов:

• Создание нового прогона с его уникальным идентификатором, означающим начало процесса обучения.
• Краткое описание структуры модели, включая количество слоев и параметры.
• Регулярное обновление важных показателей, таких как box loss, cls loss, dfl loss, precision, recall и mAP, в течение каждой эпохи обучения.
• По окончании обучения отображаются подробные показатели, включая скорость вывода модели и общую точность.
• Ссылки на приборную панель Weights & Biases для углубленного анализа и визуализации процесса обучения, а также информация о локальном расположении файлов журналов.

Просмотр панели инструментов Weights & Biases

После выполнения фрагмента кода использования вы можете получить доступ к панели Weights & Biases (W&B) по ссылке, указанной в выводе. Эта панель предлагает полный обзор процесса обучения вашей модели с помощью YOLO11.

Ключевые особенности приборной панели Weights & Biases

• Отслеживание метрик в режиме реального времени: Наблюдайте за такими метриками, как потери, точность и оценка валидности, по мере их изменения в процессе обучения, что позволяет сразу же приступить к настройке модели. Посмотрите, как отслеживаются эксперименты с помощью Weights & Biases.

• Оптимизация гиперпараметров: Weights & Biases помогает точно настроить такие важные параметры, как скорость обучения, размер партии и другие, повышая производительность YOLO11. Это поможет вам найти оптимальную конфигурацию для конкретного набора данных и задачи.

• Сравнительный анализ: Платформа позволяет сравнивать различные тренировки бок о бок, что важно для оценки влияния различных конфигураций модели и понимания того, какие изменения улучшают производительность.

• Визуализация прогресса обучения: Графические представления ключевых показателей дают интуитивное представление о производительности модели в разные эпохи. Посмотрите, как Weights & Biases помогает визуализировать результаты проверки.

• Мониторинг ресурсов: Отслеживайте использование CPU, GPU и памяти, чтобы оптимизировать эффективность процесса обучения и выявить потенциальные "узкие места" в рабочем процессе.

• Управление артефактами модели: Доступ к контрольным точкам модели и обмен ими, что облегчает развертывание и совместную работу с членами команды над сложными проектами.

• Просмотр результатов прогнозирования с помощью наложения изображений: Визуализируйте результаты прогнозирования на изображениях с помощью интерактивных наложений в Weights & Biases, обеспечивая четкое и детальное представление о работе модели на реальных данных. Для получения более подробной информации о возможностях Weights & Biases' наложения изображений перейдите по этой ссылке. Посмотрите, как Weights & Biases' наложение изображений помогает визуализировать выводы модели.

Используя эти функции, вы сможете эффективно отслеживать, анализировать и оптимизировать обучение модели YOLO11 , обеспечивая наилучшую производительность и эффективность при решении задач обнаружения объектов.

Резюме

Это руководство помогло вам изучить интеграцию Ultralytics YOLO с Weights & Biases. Оно иллюстрирует возможности этой интеграции для эффективного отслеживания и визуализации результатов обучения и прогнозирования моделей. Используя мощные возможности W&B, вы сможете оптимизировать рабочий процесс машинного обучения, принимать решения на основе данных и повышать эффективность работы модели.

Более подробную информацию об использовании можно найти в официальной документацииWeights & Biases или ознакомиться с презентацией Сумика Ракшита на YOLO VISION 2023, посвященной этой интеграции.

Также не забудьте заглянуть на страницу руководства по интеграцииUltralytics , чтобы узнать больше о различных интересных интеграциях, таких как MLflow и Comet ML.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как интегрировать Weights & Biases с Ultralytics YOLO11 ?

Чтобы объединить Weights & Biases с Ultralytics YOLO11 :

1. Установите необходимые пакеты:

   pip install -U ultralytics wandb
   yolo settings wandb=True
   

2. Войдите в свою учетную запись Weights & Biases :

   import wandb
   
   wandb.login(key="YOUR_API_KEY")
   

3. Обучите модель YOLO11 с включенным протоколированием W&B:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
   

Это позволит автоматически регистрировать метрики, гиперпараметры и артефакты модели в вашем проекте W&B.

Каковы ключевые особенности интеграции Weights & Biases с YOLO11?

Основные характеристики включают:

• Отслеживание показателей в режиме реального времени во время обучения
• Инструменты оптимизации гиперпараметров
• Сравнительный анализ различных тренировок
• Визуализация хода обучения с помощью графиков
• Мониторинг ресурсов (CPU, GPU, использование памяти).
• Управление и обмен артефактами модели
• Просмотр результатов умозаключений с наложением изображений

Эти функции помогают отслеживать эксперименты, оптимизировать модели и более эффективно сотрудничать в проектах YOLO11 .

Как я могу просмотреть панель Weights & Biases для моего обучения YOLO11 ?

После запуска сценария обучения с интеграцией W&B:

1. Ссылка на приборную панель W&B будет предоставлена в выводе консоли.
2. Нажмите на ссылку или перейдите на сайт wandb.ai и войдите в свой аккаунт.
3. Перейдите к своему проекту, чтобы просмотреть подробные метрики, визуализации и данные о производительности модели.

Приборная панель дает представление о процессе обучения модели, позволяя эффективно анализировать и улучшать модели YOLO11 .

Можно ли отключить ведение журнала Weights & Biases для обучения на сайте YOLO11 ?

Да, вы можете отключить ведение журнала W&B с помощью следующей команды:

yolo settings wandb=False

Чтобы снова включить ведение журнала, используйте:

yolo settings wandb=True

Это позволит вам контролировать, когда вы хотите использовать протоколирование W&B, не изменяя сценарии обучения.

Как Weights & Biases помогает оптимизировать YOLO11 модели?

Weights & Biases помогает оптимизировать модели YOLO11 :

1. Обеспечение детальной визуализации показателей обучения
2. Возможность легкого сравнения между различными версиями моделей
3. Предлагая инструменты для настройки гиперпараметров
4. Возможность совместного анализа производительности модели
5. Облегчение обмена артефактами модели и результатами

Эти функции помогают исследователям и разработчикам быстрее проводить итерации и принимать решения, основанные на данных, для совершенствования своих моделей YOLO11 .

📅 Создано 1 год назад ✏️ Обновлено 1 день назад

Комментарии