Тренировка модели с Ultralytics YOLO

Введение

Обучение модели глубокого обучения заключается в подаче ей данных и настройке параметров таким образом, чтобы она могла делать точные прогнозы. Режим Train в Ultralytics YOLO11 разработан для эффективного и результативного обучения моделей обнаружения объектов, полностью использующих современные аппаратные возможности. Это руководство призвано рассказать обо всех деталях, необходимых тебе для того, чтобы начать обучение собственных моделей с помощью надежного набора функций YOLO11.

Смотри: Как обучить модель YOLO на твоем пользовательском наборе данных в Google Colab.

Почему ты выбираешь Ultralytics YOLO для обучения?

Вот несколько весомых причин, чтобы выбрать режим "Поезд" в YOLO11:

• Эффективность: Используй максимум возможностей своего оборудования, будь то установка с однимGPU или масштабирование на несколько GPU.
• Универсальность: Обучайся на пользовательских наборах данных, а также на легкодоступных, таких как COCO, VOC и ImageNet.
• Удобство для пользователя: простые, но мощные интерфейсы CLI и Python обеспечивают простоту обучения.
• Гибкость гиперпараметров: Широкий спектр настраиваемых гиперпараметров для тонкой настройки производительности модели.

Ключевые особенности режима поезда

Ниже перечислены некоторые примечательные особенности режима "Поезд" в YOLO11:

• Автоматическая загрузка данных: Стандартные наборы данных, такие как COCO, VOC и ImageNet, загружаются автоматически при первом использовании.
• Поддержка несколькихGPU : Масштабируй свои тренировочные усилия без проблем на нескольких GPU, чтобы ускорить процесс.
• Конфигурация гиперпараметров: Возможность изменять гиперпараметры через конфигурационные файлы YAML или аргументы CLI .
• Визуализация и мониторинг: Отслеживание показателей обучения в реальном времени и визуализация процесса обучения для более глубокого понимания.

Примеры использования

Обучи YOLO11n на наборе данных COCO8 для 100 Эпохи при размере изображения 640. Тренировочное устройство 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 тренировки смотри 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 тренировка

Обучение с использованием несколькихGPU позволяет более эффективно использовать доступные аппаратные ресурсы, распределяя обучающую нагрузку между несколькими GPU. Эта функция доступна как через Python API, так и через интерфейс командной строки. Чтобы включить мультиGPU обучение, укажи идентификаторы устройств GPU , которые ты хочешь 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

Обучение Apple Silicon MPS

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 вычислениям и обработке изображений на пользовательском кремнии Apple.

Чтобы включить обучение на кремниевых чипах Apple, при запуске процесса обучения тебе следует 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 мощь кремниевых чипов Apple, это позволяет эффективнее обрабатывать учебные задачи. За более подробным руководством и расширенными возможностями настройки обращайся к документацииPyTorch MPS .

Возобновление прерванных тренировок

Возобновление обучения из ранее сохраненного состояния - важнейшая функция при работе с моделями глубокого обучения. Это может пригодиться в различных сценариях, например, когда процесс обучения был неожиданно прерван или когда ты хочешь продолжить обучение модели с новыми данными или в течение большего количества эпох.

Когда обучение возобновляется, Ultralytics YOLO загружает веса из последней сохраненной модели, а также восстанавливает состояние оптимизатора, планировщика скорости обучения и номер эпохи. Это позволяет тебе беспрепятственно продолжить процесс обучения с того места, где он был прерван.

Ты можешь легко возобновить тренировки в Ultralytics YOLO , установив resume аргумент в пользу True при вызове train и укажи путь к .pt файл, содержащий частично обученные веса модели.

Ниже приведен пример того, как возобновить прерванную тренировку 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

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 процессе тренировки не было достигнуто resume аргумент опущен или установлен в значение False, the train Функция начнет новую тренировку.

Помни, что контрольные точки сохраняются в конце каждой эпохи по умолчанию или через фиксированные промежутки времени с помощью команды save_period аргумент, поэтому для возобновления тренировочного забега ты должен завершить хотя бы 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. К ключевым настройкам обучения относятся размер партии, скорость обучения, импульс и затухание веса. Кроме того, выбор оптимизатора, функции потерь и состава тренировочного набора данных может повлиять на процесс обучения. Тщательная настройка и эксперименты с этими настройками очень важны для оптимизации производительности.

Настройки дополнения и гиперпараметры

Методы дополнения необходимы для повышения робастности и производительности моделей YOLO за счет внесения изменчивости в обучающие данные, что помогает модели лучше обобщаться на невидимые данные. В следующей таблице описаны цель и эффект каждого аргумента аугментации:

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.

Запись в журнале

При обучении модели YOLO11 тебе может показаться полезным отслеживать ее работу с течением времени. Вот тут-то и вступает в игру логирование. Ultralytics' YOLO обеспечивает поддержку трех типов логгеров - Comet, ClearML и TensorBoard.

Чтобы использовать логгер, выбери его из выпадающего меню в фрагменте кода выше и запусти его. Выбранный логгер будет установлен и инициализирован.

Comet

Comet Это платформа, которая позволяет ученым, изучающим данные, и разработчикам отслеживать, сравнивать, объяснять и оптимизировать эксперименты и модели. Она предоставляет такие функциональные возможности, 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 забудь войти в свой аккаунт Comet на их сайте и получить свой API-ключ. Тебе нужно будет добавить его в переменные окружения или в свой 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 тебе нужно будет войти в свой аккаунт ClearML в браузере и аутентифицировать свою сессию.

TensorBoard

TensorBoard - это набор инструментов визуализации для TensorFlow. Он позволяет визуализировать твой график TensorFlow , строить количественные метрики о выполнении твоего графика и показывать дополнительные данные вроде изображений, 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, выполни приведенную ниже команду и просмотри результаты на сайте http://localhost:6006/.

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

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

После настройки логгера ты можешь приступать к тренировке модели. Все показатели тренировки будут автоматически регистрироваться в выбранной тобой платформе, и ты сможешь обращаться к этим логам, чтобы отслеживать эффективность своей модели с течением времени, сравнивать разные модели и выявлять области для улучшения.

ВОПРОСЫ И ОТВЕТЫ

Как обучить модель обнаружения объектов с помощью Ultralytics YOLO11?

Чтобы обучить модель обнаружения объектов с помощью Ultralytics YOLO11, ты можешь использовать либо Python API, 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 ты найдешь в разделе " Настройки поезда ".

Каковы ключевые особенности режима "Поезд" Ultralytics YOLO11?

Основные особенности режима "Поезд" Ultralytics YOLO11 включают в себя:

• Автоматическая загрузка наборов данных: Автоматически загружай стандартные наборы данных, такие как COCO, VOC и ImageNet.
• Поддержка несколькихGPU : Масштабируй обучение на нескольких GPU для более быстрой обработки.
• Конфигурация гиперпараметров: Настраивай гиперпараметры через YAML-файлы или аргументы CLI .
• Визуализация и мониторинг: Отслеживай показатели тренировок в реальном времени, чтобы лучше понять суть происходящего.

Эти функции делают тренировку эффективной и настраиваемой под твои нужды. Подробнее об этом читай в разделе " Ключевые особенности режима тренировки ".

Как возобновить тренировку после прерванного занятия в Ultralytics YOLO11?

Чтобы возобновить тренировку после прерванного занятия, установи resume аргумент в пользу True и укажи 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

За дополнительной информацией обращайся к разделу " Возобновление прерванных тренировок ".

Можно ли тренировать модели YOLO11 на кремниевых чипах Apple?

Да, Ultralytics YOLO11 поддерживает обучение на кремниевых чипах Apple, использующих фреймворк Metal Performance Shaders (MPS). Укажи '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 ты найдешь в разделе " Обучение Apple Silicon MPS ".

Каковы общие параметры тренировок и как их настроить?

Ultralytics YOLO11 позволяет тебе настроить множество параметров обучения, таких как размер партии, скорость обучения, эпохи и многое другое с помощью аргументов. Вот краткий обзор:

Подробное руководство по настройкам тренировок ты найдешь в разделе " Настройки тренировок ".

📅 Создано 1 год назад ✏️ Обновлено 14 дней назад

Комментарии