Обучение модели с Ultralytics YOLO

Введение

Обучение модели глубокого обучения заключается в подаче ей данных и настройке ее параметров таким образом, чтобы она могла делать точные прогнозы. Режим обучения в Ultralytics YOLO11 разработан для эффективного и результативного обучения моделей обнаружения объектов, полностью использующих возможности современного оборудования. Это руководство призвано рассказать обо всех деталях, необходимых для начала обучения собственных моделей с использованием надежного набора функций YOLO11.

Смотреть: Как обучить модель YOLO на вашем пользовательском наборе данных в Google Colab.

Почему стоит выбрать Ultralytics YOLO для обучения?

Вот несколько убедительных причин выбрать режим Train в YOLO11:

• Эффективность: Максимально используйте свое оборудование, будь то одна GPU или масштабирование на несколько GPU.
• Универсальность: Обучение на пользовательских наборах данных в дополнение к уже доступным, таким как COCO, VOC и ImageNet.
• Удобство использования: Простые, но мощные интерфейсы CLI и python для удобства обучения.
• Гибкость гиперпараметров: Широкий спектр настраиваемых гиперпараметров для точной настройки производительности модели.

Ключевые особенности режима поезда

Ниже перечислены некоторые примечательные особенности режима Train в YOLO11:

• Автоматическая загрузка набора данных: Стандартные наборы данных, такие как COCO, VOC и ImageNet, загружаются автоматически при первом использовании.
• Поддержка нескольких GPU: Легко масштабируйте свои усилия по обучению на несколько GPU, чтобы ускорить процесс.
• Конфигурация гиперпараметров: Возможность изменять гиперпараметры с помощью файлов конфигурации YAML или аргументов CLI.
• Визуализация и мониторинг: Отслеживание показателей обучения в реальном времени и визуализация процесса обучения для лучшего понимания.

Примеры использования

Обучите YOLO11n на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Устройство для обучения можно указать с помощью device аргумента. Если аргумент не передан, будет использоваться GPU device=0 если он доступен, в противном случае будет использоваться device='cpu' См. раздел «Аргументы» ниже для получения полного списка аргументов обучения.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

МультиGPU Обучение

Обучение с использованием нескольких GPU обеспечивает более эффективное использование доступных аппаратных ресурсов за счет распределения нагрузки обучения между несколькими GPU. Эта функция доступна как через Python API, так и через интерфейс командной строки. Чтобы включить обучение с использованием нескольких GPU, укажите идентификаторы устройств GPU, которые вы хотите использовать.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Train the model with the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1

# Use the two most idle GPUs
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=-1,-1

Обучение на простаивающем GPU

Обучение на простаивающем GPU обеспечивает автоматический выбор наименее используемых GPU в многопроцессорных системах, оптимизируя использование ресурсов без ручного выбора GPU. Эта функция определяет доступные GPU на основе показателей использования и доступности VRAM.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train using the single most idle GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Train using the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

# Start training using the single most idle GPU
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=-1

# Start training using the two most idle GPUs
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=-1,-1

Алгоритм автоматического выбора отдает приоритет графическим процессорам со следующими характеристиками:

1. Более низкие процентные показатели использования тока
2. Больше доступной памяти (свободной VRAM)
3. Более низкая температура и энергопотребление

Эта функция особенно ценна в средах общих вычислений или при выполнении нескольких задач обучения для разных моделей. Она автоматически адаптируется к изменяющимся системным условиям, обеспечивая оптимальное распределение ресурсов без ручного вмешательства.

Apple Silicon MPS Обучение

Благодаря поддержке чипов Apple silicon, интегрированных в модели Ultralytics YOLO, теперь можно обучать свои модели на устройствах, использующих мощную платформу Metal Performance Shaders (MPS). MPS предлагает высокопроизводительный способ выполнения вычислительных задач и задач обработки изображений на специализированном кремнии Apple.

Чтобы включить обучение на чипах Apple silicon, вам следует указать «mps» в качестве устройства при инициации процесса обучения. Ниже приведен пример того, как это можно сделать в python и через командную строку:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Использование вычислительной мощности чипов Apple Silicon позволяет более эффективно обрабатывать задачи обучения. Для получения более подробных инструкций и расширенных параметров конфигурации обратитесь к документации PyTorch MPS.

Возобновление прерванных тренировок

Возобновление обучения с ранее сохраненного состояния является важной функцией при работе с моделями глубокого обучения. Это может пригодиться в различных сценариях, например, когда процесс обучения был неожиданно прерван или когда вы хотите продолжить обучение модели с новыми данными или в течение большего количества эпох.

При возобновлении обучения Ultralytics YOLO загружает веса из последней сохраненной модели, а также восстанавливает состояние оптимизатора, планировщик скорости обучения и номер эпохи. Это позволяет беспрепятственно продолжить процесс обучения с того места, где он был остановлен.

Вы можете легко возобновить обучение в Ultralytics YOLO, установив аргумент resume в значение True при вызове метода train и указав путь к .pt файлу, содержащему частично обученные веса модели.

Ниже приведен пример того, как возобновить прерванное обучение с помощью Python и через командную строку:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

Установив resume=True, функция train продолжит обучение с того места, где оно было прервано, используя состояние, хранящееся в файле 'path\/to\/last.pt'. Если аргумент resume опущен или установлен в False, функция train , функция начнет новый сеанс обучения.

Помните, что контрольные точки сохраняются по умолчанию в конце каждой эпохи или через фиксированные интервалы с использованием аргумента save_period , поэтому вы должны завершить как минимум 1 эпоху, чтобы возобновить запуск обучения.

Настройки поезда

Параметры обучения для моделей YOLO охватывают различные гиперпараметры и конфигурации, используемые в процессе обучения. Эти параметры влияют на производительность, скорость и точность модели. Ключевые параметры обучения включают размер пакета, скорость обучения, импульс и затухание веса. Кроме того, выбор оптимизатора, функции потерь и состава обучающего набора данных может повлиять на процесс обучения. Тщательная настройка и эксперименты с этими параметрами имеют решающее значение для оптимизации производительности.

Параметры дополнения и гиперпараметры

Методы аугментации необходимы для повышения устойчивости и производительности моделей YOLO за счет внесения вариативности в данные обучения, что помогает модели лучше обобщать на невидимые данные. В следующей таблице описаны цель и эффект каждого аргумента аугментации:

Эти параметры можно настроить в соответствии с конкретными требованиями набора данных и поставленной задачи. Эксперименты с различными значениями могут помочь найти оптимальную стратегию расширения, которая приведет к наилучшей производительности модели.

Ведение журнала

При обучении модели YOLO11 может оказаться полезным отслеживать производительность модели с течением времени. Здесь в игру вступает ведение журнала. Ultralytics YOLO обеспечивает поддержку трех типов средств ведения журнала — Comet, ClearML и TensorBoard.

Чтобы использовать средство ведения журнала, выберите его в раскрывающемся меню в приведенном выше фрагменте кода и запустите. Выбранное средство ведения журнала будет установлено и инициализировано.

Comet

Comet — это платформа, которая позволяет специалистам по обработке данных и разработчикам отслеживать, сравнивать, объяснять и оптимизировать эксперименты и модели. Она предоставляет такие функции, как показатели в реальном времени, различия в коде и отслеживание гиперпараметров.

Чтобы использовать Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

Не забудьте войти в свою учетную запись Comet на их веб-сайте и получить свой ключ API. Вам нужно будет добавить это в свои переменные среды или в свой скрипт, чтобы регистрировать свои эксперименты.

ClearML

ClearML — это платформа с открытым исходным кодом, которая автоматизирует отслеживание экспериментов и помогает эффективно обмениваться ресурсами. Она разработана, чтобы помочь командам более эффективно управлять, выполнять и воспроизводить свою работу с машинным обучением.

Чтобы использовать ClearML:

# pip install clearml
import clearml

clearml.browser_login()

После запуска этого скрипта вам нужно будет войти в свою учетную запись ClearML в браузере и аутентифицировать свой сеанс.

TensorBoard

TensorBoard — это инструмент визуализации для TensorFlow. Он позволяет визуализировать ваш граф TensorFlow, строить графики количественных метрик выполнения графа и отображать дополнительные данные, такие как изображения, проходящие через него.

Чтобы использовать TensorBoard в Google Colab:

load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directory

Чтобы использовать TensorBoard локально, запустите команду ниже и просмотрите результаты по адресу http://localhost:6006/.

tensorboard --logdir ultralytics/runs # replace with 'runs' directory

Это загрузит TensorBoard и направит его в каталог, где сохранены ваши логи обучения.

После настройки средства ведения журнала можно приступать к обучению модели. Все метрики обучения будут автоматически регистрироваться на выбранной вами платформе, и вы сможете получить доступ к этим журналам, чтобы отслеживать производительность вашей модели с течением времени, сравнивать различные модели и выявлять области для улучшения.

Часто задаваемые вопросы

Как обучить модель обнаружения объектов с использованием Ultralytics YOLO11?

Чтобы обучить модель обнаружения объектов с использованием Ultralytics YOLO11, вы можете использовать Python API или CLI. Ниже приведен пример для обоих вариантов:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Для получения более подробной информации обратитесь к разделу Параметры обучения.

Каковы ключевые особенности режима "Поезд" на сайте Ultralytics YOLO11 ?

Ключевые особенности режима Train в Ultralytics YOLO11 включают в себя:

• Автоматическая загрузка набора данных: Автоматическая загрузка стандартных наборов данных, таких как COCO, VOC и ImageNet.
• Поддержка нескольких GPU: Масштабирование обучения на несколько GPU для ускорения обработки.
• Конфигурация гиперпараметров: Настройка гиперпараметров с помощью YAML-файлов или аргументов CLI.
• Визуализация и мониторинг: Отслеживание метрик обучения в реальном времени для лучшего понимания.

Эти функции делают обучение эффективным и настраиваемым в соответствии с вашими потребностями. Для получения более подробной информации см. раздел Ключевые особенности режима Train.

Как возобновить прерванное занятие на сайте Ultralytics YOLO11 ?

Чтобы возобновить обучение с прерванного сеанса, установите resume в значение True и укажите путь к последней сохраненной контрольной точке.

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

# Resume training
results = model.train(resume=True)

yolo train resume model=path/to/last.pt

Для получения дополнительной информации см. раздел Возобновление прерванного обучения.

Можно ли обучать модели YOLO11 на кремниевых чипах Apple?

Да, Ultralytics YOLO11 поддерживает обучение на чипах Apple Silicon с использованием фреймворка Metal Performance Shaders (MPS). Укажите 'mps' в качестве устройства для обучения.

from ultralytics import YOLO

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

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Для получения более подробной информации обратитесь к разделу Обучение на Apple Silicon MPS.

Каковы общие параметры обучения и как их настроить?

Ultralytics YOLO11 позволяет настраивать различные параметры обучения, такие как размер пакета, скорость обучения, количество эпох и многое другое, с помощью аргументов. Вот краткий обзор:

Для получения подробной информации о настройках обучения, обратитесь к разделу Настройки обучения.

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад

Комментарии