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 веских причин выбрать режим "Поезд" на сайте YOLO11:

• Эффективность: Максимально используйте возможности своего оборудования, будь то установка с однимGPU или масштабирование на несколько GPU.
• Универсальность: Обучение на пользовательских наборах данных в дополнение к легкодоступным, таким как COCO, VOC и ImageNet.
• Удобство для пользователя: простые, но мощные интерфейсы CLI и Python обеспечивают простоту обучения.
• Гибкость гиперпараметров: Широкий диапазон настраиваемых гиперпараметров для точной настройки производительности модели.

Ключевые особенности режима поезда

Ниже перечислены некоторые особенности режима "Поезд" на сайте YOLO11:

• Автоматическая загрузка наборов данных: Стандартные наборы данных, такие как COCO, VOC и ImageNet, загружаются автоматически при первом использовании.
• Поддержка несколькихGPU : Масштабируйте свои усилия по обучению, используя несколько графических процессоров, чтобы ускорить процесс.
• Конфигурация гиперпараметров: Возможность изменять гиперпараметры с помощью конфигурационных файлов YAML или аргументов CLI .
• Визуализация и мониторинг: Отслеживание показателей обучения в режиме реального времени и визуализация процесса обучения для более глубокого понимания.

Примеры использования

Обучение YOLO11n на наборе данных COCO8 для 100 эпохи при размере изображения 640. Устройство для обучения можно указать с помощью device аргумент. Если аргумент не передан GPU device=0 будет использоваться, если он доступен, в противном случае device='cpu' будет использоваться. Полный список аргументов для обучения см. в разделе Аргументы ниже.

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 несколькихGPU позволяет более эффективно использовать доступные аппаратные ресурсы, распределяя обучающую нагрузку между несколькими графическими процессорами. Эта функция доступна как через API Python , так и через интерфейс командной строки. Чтобы включить мультиGPU обучение, 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])

# 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

Apple Silicon MPS Обучение

Благодаря поддержке кремниевых чипов Apple, интегрированных в модели Ultralytics YOLO , теперь можно обучать свои модели на устройствах, использующих мощный фреймворк Metal Performance Shaders (MPS). Фреймворк MPS предлагает высокопроизводительный способ выполнения задач по вычислению и обработке изображений на заказном кремнии Apple.

Чтобы включить обучение на кремниевых чипах Apple, при запуске процесса обучения необходимо указать в качестве устройства 'mps'. 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

Используя вычислительную мощность кремниевых чипов Apple, это позволяет эффективнее обрабатывать учебные задачи. За более подробными инструкциями и расширенными возможностями настройки обращайтесь к документацииPyTorch MPS .

Возобновление прерванных тренировок

Возобновление обучения из ранее сохраненного состояния - важнейшая функция при работе с моделями глубокого обучения. Она может пригодиться в различных ситуациях, например, когда процесс обучения был неожиданно прерван, или когда вы хотите продолжить обучение модели на новых данных или в течение большего количества эпох.

При возобновлении обучения Ultralytics YOLO загружает веса из последней сохраненной модели, а также восстанавливает состояние оптимизатора, планировщика скорости обучения и число эпох. Это позволяет продолжить процесс обучения с того места, где он был прерван.

Вы можете легко возобновить обучение на сайте Ultralytics YOLO , установив resume аргумент в пользу True при вызове train и указать путь к методу .pt файл, содержащий веса частично обученной модели.

Ниже приведен пример возобновления прерванной тренировки с помощью Python и командной строки:

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

По настройке resume=True, the train функция продолжит тренировку с того места, где она остановилась, используя состояние, сохраненное в файле 'path/to/last.pt'. Если в файле resume аргумент опущен или установлен на False, the train функция начнет новую тренировку.

Помните, что контрольные точки сохраняются в конце каждой эпохи по умолчанию или через фиксированные промежутки времени с помощью параметра save_period аргумент, поэтому для возобновления тренировки необходимо завершить как минимум 1 эпоху.

Настройки поезда

Настройки обучения для моделей YOLO включают в себя различные гиперпараметры и конфигурации, используемые в процессе обучения. Эти настройки влияют на производительность, скорость и точность модели. Основные параметры обучения включают размер партии, скорость обучения, импульс и затухание веса. Кроме того, на процесс обучения влияют выбор оптимизатора, функции потерь и состав наборов данных для обучения. Тщательная настройка и эксперименты с этими параметрами имеют решающее значение для оптимизации производительности.

Параметры дополнения и гиперпараметры

Методы дополнения необходимы для повышения устойчивости и производительности моделей YOLO за счет внесения изменчивости в обучающие данные, что помогает модели лучше обобщать данные, не встречающиеся в поле зрения. В следующей таблице описаны цель и эффект каждого аргумента дополнения:

Эти параметры могут быть изменены в соответствии с конкретными требованиями набора данных и поставленной задачи. Экспериментирование с различными значениями поможет найти оптимальную стратегию дополнения, которая приведет к наилучшей производительности модели.

Ведение журнала

При обучении модели YOLO11 вам будет полезно отслеживать ее работу с течением времени. Именно здесь на помощь приходит ведение журнала. Ultralytics YOLO поддерживает три типа логгеров - Comet, ClearMLи TensorBoard.

Чтобы использовать логгер, выберите его из выпадающего меню в приведенном выше фрагменте кода и запустите его. Выбранный логгер будет установлен и инициализирован.

Comet

Comet это платформа, позволяющая ученым, изучающим данные, и разработчикам отслеживать, сравнивать, объяснять и оптимизировать эксперименты и модели. Она предоставляет такие функции, как метрики 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 сайте и получить ключ API. Вам нужно будет добавить его в переменные окружения или в скрипт для регистрации экспериментов.

ClearML

ClearML это платформа с открытым исходным кодом, которая автоматизирует отслеживание экспериментов и помогает эффективно распределять ресурсы. Она призвана помочь командам более эффективно управлять, выполнять и воспроизводить свою работу в области ML.

Чтобы использовать ClearML:

# pip install clearml
import clearml

clearml.browser_login()

После запуска этого скрипта вам нужно будет войти в свой аккаунт ClearML в браузере и аутентифицировать свою сессию.

TensorBoard

TensorBoard - это набор инструментов визуализации для TensorFlow. Он позволяет визуализировать график TensorFlow , строить количественные метрики о выполнении графика и показывать дополнительные данные, например, изображения, которые проходят через него.

Чтобы использовать TensorBoard в Google Colab:

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

Чтобы использовать TensorBoard локально, выполните приведенную ниже команду и просмотрите результаты на сайте http://localhost:6006/.

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

Это загрузит TensorBoard и направит его в каталог, где сохранены журналы тренировок.

После настройки регистратора вы можете приступить к обучению модели. Все показатели обучения будут автоматически регистрироваться в выбранной вами платформе, и вы сможете получить доступ к этим журналам, чтобы отслеживать работу модели с течением времени, сравнивать различные модели и выявлять области для улучшения.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как обучить модель обнаружения объектов с помощью Ultralytics YOLO11 ?

Для обучения модели обнаружения объектов с помощью Ultralytics YOLO11 можно использовать либо API Python , либо 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

Более подробную информацию см. в разделе "Настройки поезда ".

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

Ключевые особенности режима "Поезд" на сайте Ultralytics YOLO11 включают в себя:

• Автоматическая загрузка наборов данных: Автоматическая загрузка стандартных наборов данных, таких как COCO, VOC и ImageNet.
• Поддержка несколькихGPU : Масштабируйте обучение на нескольких графических процессорах для ускорения обработки.
• Конфигурация гиперпараметров: Настройка гиперпараметров с помощью файлов YAML или аргументов CLI .
• Визуализация и мониторинг: Отслеживание показателей обучения в режиме реального времени для более глубокого понимания.

Эти функции делают тренировки эффективными и настраиваются в соответствии с вашими потребностями. Более подробную информацию см. в разделе "Ключевые особенности режима тренировки".

Как возобновить прерванное занятие на сайте Ultralytics YOLO11 ?

Чтобы возобновить обучение после прерванного сеанса, установите resume аргумент в пользу 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

Дополнительную информацию можно найти в разделе " Возобновление прерванных тренировок".

Можно ли обучать модели YOLO11 на кремниевых чипах Apple?

Да, Ultralytics YOLO11 поддерживает обучение на кремниевых чипах Apple, использующих фреймворк 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

Более подробную информацию вы найдете в разделе Обучение Apple Silicon MPS .

Каковы общие параметры обучения и как их настроить?

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

Подробное руководство по настройкам тренировок можно найти в разделе " Настройки тренировок ".

📅 Создано 1 год назад ✏️ Обновлено 4 дня назад

Комментарии