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.

Смотри: Как использовать Ultralytics YOLO26 с Weights and Biases

В этом руководстве показана интеграция Ultralytics YOLO26 с Weights & Biases для отслеживания экспериментов, сохранения артефактов лучших моделей и визуализации производительности моделей. Также приведены инструкции по настройке интеграции, обучению и визуализации результатов с помощью интерактивных функций Weights & Biases.

У тебя уже записаны контрольные точки YOLO в W&B? Импортируй проекты в Ultralytics Platform через Settings > Integrations > Weights & Biases.

Weights & Biases#

Weights & Biases — это платформа MLOps для отслеживания, визуализации и управления экспериментами машинного обучения. Она автоматически регистрирует метрики обучения для полного воспроизведения экспериментов, предоставляет интерактивный интерфейс для упрощенного анализа данных и эффективные инструменты управления моделями для развертывания в различных средах.

Обучение YOLO26 с Weights & Biases#

Используй Weights & Biases, чтобы сделать процесс обучения YOLO26 эффективнее и автоматизировать его. Интеграция позволяет отслеживать эксперименты, сравнивать модели и принимать решения на основе данных для улучшения проектов 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 (система запросит API-ключ или прочитает его из WANDB_API_KEY)
wandb.login()

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#

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")

Запуски, создаваемые Ultralytics, строят графики метрик обучения относительно epoch. Если перед началом обучения запустить wandb.init(), Ultralytics подключится к этому запуску, добавит значение epoch в каждую строку и оставит запуск открытым, чтобы ты мог продолжать записывать в него данные и самостоятельно вызвать wandb.finish(). Аргументы обучения добавляются в конфигурацию этого запуска, а любое значение ключа, которое ты или sweep W&B уже задали, сохраняется.

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.
• Регулярно отслеживай важные метрики, такие как потери при обучении, 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.

• Сравнение гиперпараметров: Каждый запуск сохраняет параметры обучения, например скорость обучения и размер пакета, чтобы ты мог сравнивать конфигурации разных запусков. Для автоматизированного поиска с журналированием в W&B используй Ray Tune.

• 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 лучшей контрольной точке модели и делись ею: в конце обучения она загружается как артефакт W&B, что упрощает развертывание и совместную работу с командой над сложными проектами.

Эти функции позволяют отслеживать, анализировать и оптимизировать обучение модели YOLO26 для задач обнаружения объектов.

Итоги#

В этом руководстве мы рассмотрели интеграцию Ultralytics YOLO с Weights & Biases для отслеживания и визуализации результатов обучения моделей. W&B помогает оптимизировать рабочий процесс машинного обучения, принимать решения на основе данных и повышать производительность модели.

Подробнее об этой интеграции можно узнать из презентации Сумика Ракшита на YOLO VISION 2023.

Часто задаваемые вопросы#