Улучшение отслеживания и визуализации экспериментов YOLOv8 с помощью Weights & Biases

Модели обнаружения объектов, такие как Ultralytics YOLOv8 стали неотъемлемой частью многих приложений компьютерного зрения. Однако обучение, оценка и развертывание этих сложных моделей сопряжено с рядом проблем. Отслеживание ключевых показателей обучения, сравнение вариантов моделей, анализ поведения моделей и выявление проблем требуют значительного количества инструментов и управления экспериментами.

В этом руководстве представлены Ultralytics YOLOv8 Интеграция с Weights & Biases' для расширенного отслеживания эксперимента, создания контрольных точек модели и визуализации производительности модели. Он также включает в себя инструкции по настройке интеграции, обучению, тонкой настройке и визуализации результатов с помощью Weights & Biases' интерактивные функции.

Weights & Biases

Weights & Biases Это передовая платформа MLOps, предназначенная для отслеживания, визуализации и управления экспериментами по машинному обучению. В ней есть автоматическое протоколирование метрик обучения для полной воспроизводимости экспериментов, интерактивный пользовательский интерфейс для упрощенного анализа данных и эффективные инструменты управления моделями для развертывания в различных средах.

YOLOv8 Тренировка с Weights & Biases

Ты можешь использовать Weights & Biases, чтобы привнести эффективность и автоматизацию в свой тренировочный процесс YOLOv8.

Установка

Чтобы установить необходимые пакеты, выполни:

# Install the required packages for YOLOv8 and Weights & Biases
pip install --upgrade ultralytics==8.0.186 wandb

Для получения подробных инструкций и лучших практик, связанных с процессом установки, обязательно ознакомься с нашим руководством по установкеYOLOv8 . Во время установки необходимых пакетов для YOLOv8, если у тебя возникнут какие-либо трудности, обратись к нашему руководству по общим проблемам, чтобы найти решения и советы.

Настройка Weights & Biases

После установки необходимых пакетов следующим шагом будет настройка твоего окружения Weights & Biases. Сюда входит создание аккаунта Weights & Biases и получение необходимого API-ключа для бесперебойной связи между твоей средой разработки и платформой W&B.

Начни с инициализации среды Weights & Biases в твоем рабочем пространстве. Это можно сделать, выполнив следующую команду и следуя предложенным инструкциям.

# Initialize your Weights & Biases environment
import wandb
wandb.login()

Перейди на страницу авторизации Weights & Biases, чтобы создать и получить свой API-ключ. Используй этот ключ для аутентификации своего окружения в W&B.

Использование: Тренировка YOLOv8 с Weights & Biases

Прежде чем погрузиться в инструкцию по использованию модели YOLOv8 для обучения с помощью Weights & Biases, обязательно ознакомься с ассортиментом моделейYOLOv8 , предлагаемых Ultralytics. Это поможет тебе выбрать наиболее подходящую модель под требования твоего проекта.

import wandb
from wandb.integration.ultralytics import add_wandb_callback

from ultralytics import YOLO

# Initialize a Weights & Biases run
wandb.init(project="ultralytics", job_type="training")

# Load a YOLO model
model = YOLO("yolov8n.pt")

# Add W&B Callback for Ultralytics
add_wandb_callback(model, enable_model_checkpointing=True)

# Train and Fine-Tune the Model
model.train(project="ultralytics", data="coco8.yaml", epochs=5, imgsz=640)

# Validate the Model
model.val()

# Perform Inference and Log Results
model(["path/to/image1", "path/to/image2"])

# Finalize the W&B Run
wandb.finish()

Понимание кода

Давайте разберемся в шагах, показанных в приведенном выше фрагменте кода использования.

• Шаг 1: Инициализируй прогон Weights & Biases : Начни с инициализации прогона Weights & Biases , указав имя проекта и тип задания. Этот прогон будет отслеживать и управлять процессами обучения и проверки твоей модели.

• Шаг 2: Определи модель YOLOv8 и набор данных: Укажи вариант модели и набор данных, который ты хочешь использовать. После этого модель YOLO инициализируется с указанным файлом модели.

• Шаг 3: Добавь Weights & Biases обратный вызов для Ultralytics: Этот шаг очень важен, так как он позволяет автоматически записывать метрики обучения и результаты валидации на Weights & Biases, обеспечивая детальное представление о работе модели.

• Шаг 4: Тренируй и настраивай модель: Начни обучение модели с заданным набором данных, количеством эпох и размером изображения. Процесс обучения включает в себя регистрацию метрик и прогнозов в конце каждой эпохи, что позволяет получить полное представление о прогрессе обучения модели.

• Шаг 5: Проверь модель: После обучения модель валидируется. Этот шаг очень важен для оценки эффективности модели на невидимых данных и обеспечения ее обобщаемости.

• Шаг 6: Выполни предсказание и запиши результаты в журнал: Модель выполняет предсказания на заданных изображениях. Эти предсказания, а также визуальные наложения и выводы автоматически заносятся в таблицу W&B для интерактивного изучения.

• Шаг 7: Заверши прогон W&B: Этот шаг знаменует собой окончание регистрации данных и сохраняет финальное состояние процесса обучения и проверки твоей модели на приборной панели W&B.

Понимание вывода

Запустив приведенный выше фрагмент кода использования, ты можешь ожидать следующих ключевых результатов:

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

Просмотр панели Weights & Biases Dashboard

После выполнения фрагмента кода использования ты сможешь получить доступ к дашборду Weights & Biases (W&B) по ссылке, указанной в выводе. Эта приборная панель дает полное представление о процессе обучения твоей модели с помощью YOLOv8.

Ключевые особенности приборной панели Weights & Biases

• Отслеживание метрик в реальном времени: Наблюдай за такими метриками, как потери, точность и оценка валидности, по мере их изменения в процессе обучения, предлагая немедленные выводы для настройки модели. Посмотри, 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 YOLOv8.

• Сравнительный анализ: Платформа позволяет сравнивать бок о бок разные тренировочные прогоны, что очень важно для оценки влияния различных конфигураций модели.

• Визуализация прогресса обучения: Графические представления ключевых показателей дают интуитивное понимание производительности модели в разные эпохи. Узнай, как Weights & Biases помогает тебе визуализировать результаты валидации.

• Мониторинг ресурсов: Следи за CPU, GPU, и использованием памяти, чтобы оптимизировать эффективность тренировочного процесса.

• Управление артефактами модели: Получи доступ к контрольным точкам модели и поделись ими, облегчая развертывание и совместную работу.

• Просмотр результатов предсказания с помощью наложения изображений: Визуализируй результаты предсказаний на изображениях с помощью интерактивных оверлеев в Weights & Biases, обеспечивающих наглядное и детальное представление о работе модели на реальных данных. Для получения более подробной информации о возможностях Weights & Biases' наложения изображений перейди по этой ссылке. Посмотри, как Weights & Biases' наложение изображений помогает визуализировать выводы модели.

Используя эти возможности, ты сможешь эффективно отслеживать, анализировать и оптимизировать тренировки своей модели YOLOv8, обеспечивая наилучшую производительность и эффективность.

Резюме

Это руководство помогло вам изучить Ultralytics' YOLOv8 Интеграция с Weights & Biases. Он иллюстрирует способность этой интеграции эффективно отслеживать и визуализировать результаты обучения модели и прогнозирования.

Более подробную информацию об использовании можно найти на сайте Weights & Biases' официальная документация.

Также не забудь заглянуть на страницу руководства по интеграцииUltralytics , чтобы узнать больше о различных интересных интеграциях.

ВОПРОСЫ И ОТВЕТЫ

Как установить необходимые пакеты для YOLOv8 и Weights & Biases?

Чтобы установить необходимые пакеты для YOLOv8 и Weights & Biases, открой свой интерфейс командной строки и выполни команду:

pip install --upgrade ultralytics==8.0.186 wandb

Более подробное руководство по этапам установки ты найдешь в нашем руководстве по установкеYOLOv8 . Если у тебя возникнут проблемы, обратись к руководству "Общие проблемы" за советами по устранению неполадок.

Какие преимущества дает интеграция Ultralytics YOLOv8 с Weights & Biases?

Интеграция Ultralytics YOLOv8 с Weights & Biases дает несколько преимуществ, включая:

• Отслеживание метрик в режиме реального времени: Наблюдай за изменениями метрик во время тренировки, чтобы сразу понять, что к чему.
• Оптимизация гиперпараметров: Улучши производительность модели, точно настроив скорость обучения, размер партии и т. д.
• Сравнительный анализ: Сравни разные тренировки бок о бок.
• Мониторинг ресурсов: Следи за CPU, GPU и использованием памяти.
• Управление артефактами модели: Легкий доступ и совместное использование контрольных точек модели.

Подробно изучи эти возможности в разделе Weights & Biases Dashboard выше.

Как настроить Weights & Biases для тренировок на YOLOv8 ?

Чтобы настроить Weights & Biases для тренировок на YOLOv8 , выполни следующие шаги:

1. Выполни команду для инициализации Weights & Biases:

   import wandb
   wandb.login()
   

2. Получи свой API-ключ на сайте Weights & Biases .
3. Используй API-ключ для аутентификации своей среды разработки.

Подробные инструкции по настройке можно найти в разделе "Настройка Weights & Biases " выше.

Как обучить модель YOLOv8 с помощью Weights & Biases?

Чтобы обучить модель YOLOv8 с помощью Weights & Biases, используй следующие шаги в скрипте Python :

import wandb
from wandb.integration.ultralytics import add_wandb_callback

from ultralytics import YOLO

# Initialize a Weights & Biases run
wandb.init(project="ultralytics", job_type="training")

# Load a YOLO model
model = YOLO("yolov8n.pt")

# Add W&B Callback for Ultralytics
add_wandb_callback(model, enable_model_checkpointing=True)

# Train and Fine-Tune the Model
model.train(project="ultralytics", data="coco8.yaml", epochs=5, imgsz=640)

# Validate the Model
model.val()

# Perform Inference and Log Results
model(["path/to/image1", "path/to/image2"])

# Finalize the W&B Run
wandb.finish()

Этот скрипт инициализирует Weights & Biases, устанавливает модель, обучает ее и регистрирует результаты. Для получения более подробной информации посети раздел "Использование" выше.

Почему мне стоит использовать Ultralytics YOLOv8 с Weights & Biases , а не другие платформы?

Ultralytics YOLOv8 интегрированный с Weights & Biases , предлагает несколько уникальных преимуществ:

• Высокая эффективность: Отслеживание показателей тренировки в реальном времени и оптимизация производительности.
• Масштабируемость: Легко управляй масштабными тренировочными заданиями с помощью надежных инструментов мониторинга и использования ресурсов.
• Интерактивность: Удобный интерактивный пользовательский интерфейс для визуализации данных и управления моделями.
• Сообщество и поддержка: Сильная документация по интеграции и поддержка сообщества с гибкими возможностями настройки и улучшения.

Для сравнения с другими платформами, такими как Comet и ClearML, обратись к разделу Ultralytics интеграций.

Комментарии