Ray Tune ile Verimli Hiperparametre Ayarlama ve YOLO11

Hiperparametre ayarlama, optimum hiperparametre setini keşfederek en yüksek model performansına ulaşmada hayati önem taşır. Bu, farklı hiperparametrelerle denemeler yapmayı ve her denemenin performansını değerlendirmeyi içerir.

Ultralytics YOLO11 ve Ray Tune ile Ayarlamayı Hızlandırın

Ultralytics YOLO11 hiperparametre ayarı için Ray Tune'u içerir ve YOLO11 model hiperparametrelerinin optimizasyonunu kolaylaştırır. Ray Tune ile ayarlama sürecini hızlandırmak için gelişmiş arama stratejilerini, paralelliği ve erken durdurmayı kullanabilirsiniz.

Ray Tune

Ray Tune, verimlilik ve esneklik için tasarlanmış bir hiperparametre ayarlama kütüphanesidir. Çeşitli arama stratejilerini, paralelliği ve erken durdurma stratejilerini destekler ve Ultralytics YOLO11 dahil olmak üzere popüler makine öğrenimi çerçeveleriyle sorunsuz bir şekilde entegre olur.

ile Entegrasyon Weights & Biases

YOLO11 ile isteğe bağlı entegrasyona da izin verir. Weights & Biases ayarlama sürecini izlemek için.

Kurulum

Gerekli paketleri yüklemek için çalıştırın:

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]"

# Optionally install W&B for logging
pip install wandb

Kullanım

from ultralytics import YOLO

# Load a YOLO11n model
model = YOLO("yolo11n.pt")

# Start tuning hyperparameters for YOLO11n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() Yöntem Parametreleri

Bu tune() YOLO11 adresindeki yöntem, Ray Tune ile hiperparametre ayarı için kullanımı kolay bir arayüz sağlar. Ayarlama sürecini özelleştirmenize olanak tanıyan çeşitli argümanları kabul eder. Aşağıda her parametrenin ayrıntılı bir açıklaması bulunmaktadır:

Bu parametreleri özelleştirerek, hiperparametre optimizasyon sürecini özel ihtiyaçlarınıza ve mevcut hesaplama kaynaklarınıza uyacak şekilde ince ayar yapabilirsiniz.

Varsayılan Arama Alanı Açıklama

Aşağıdaki tabloda YOLO11 adresinde Ray Tune ile hiperparametre ayarlama için varsayılan arama alanı parametreleri listelenmektedir. Her parametrenin şu şekilde tanımlanan belirli bir değer aralığı vardır tune.uniform().

Özel Arama Alanı Örneği

Bu örnekte, Ray Tune ve YOLO11 ile hiperparametre ayarı için özel bir arama alanının nasıl kullanılacağını gösteriyoruz. Özel bir arama alanı sağlayarak, ayarlama sürecini ilgilenilen belirli hiperparametreler üzerine odaklayabilirsiniz.

from ray import tune

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo11n.pt")

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-1)},
    epochs=50,
    use_ray=True,
)

Yukarıdaki kod parçasında, "yolo11n.pt" ön eğitimli ağırlıklarla bir YOLO modeli oluşturuyoruz. Ardından, modeli tune() yöntemini kullanarak, veri kümesi yapılandırmasını "coco8.yaml" ile belirtiyoruz. İlk öğrenme oranı için özel bir arama alanı sağlıyoruz lr0 "lr0" anahtarına ve değerine sahip bir sözlük kullanarak tune.uniform(1e-5, 1e-1). Son olarak, epok sayısı gibi ek eğitim argümanlarını doğrudan ayarlama yöntemine şu şekilde aktarıyoruz epochs=50.

Ray Tune ile Kesilen Bir Hiperparametre Ayarlama Oturumuna Devam Etme

Yarıda kesilen bir Ray Tune oturumunu şu şekilde devam ettirebilirsiniz resume=True. İsteğe bağlı olarak dizini geçebilirsiniz name Ray Tune tarafından runs/{task} devam etmek için. Aksi takdirde, son kesilen oturuma devam eder. Şunları sağlamanıza gerek yoktur iterations ve space ancak eğitim argümanlarının geri kalanını da tekrar sağlamanız gerekir. data ve epochs.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo11n.pt")

# Resume previous run
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Resume Ray Tune run with name 'tune_exp_2'
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

Işın Ayarı Sonuçlarının İşlenmesi

Ray Tune ile bir hiperparametre ayarlama deneyi yürüttükten sonra, elde edilen sonuçlar üzerinde çeşitli analizler yapmak isteyebilirsiniz. Bu kılavuz, bu sonuçları işlemek ve analiz etmek için yaygın iş akışlarını size gösterecektir.

Dizinden Tune Deneyi Sonuçlarını Yükleme

ile ayarlama deneyini çalıştırdıktan sonra tuner.fit()'yi kullanarak sonuçları bir dizinden yükleyebilirsiniz. Bu, özellikle analizi ilk eğitim komut dosyasından çıktıktan sonra gerçekleştiriyorsanız kullanışlıdır.

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

Temel Deney Seviyesi Analizi

Denemelerin nasıl yapıldığına dair genel bir bakış elde edin. Denemeler sırasında herhangi bir hata olup olmadığını hızlıca kontrol edebilirsiniz.

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

Temel Deneme Seviyesi Analizi

Bireysel deneme hiperparametre konfigürasyonlarına ve son raporlanan metriklere erişin.

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

Bir Deneme için Raporlanan Metriklerin Tüm Geçmişini Çizme

Metriklerin zaman içinde nasıl geliştiğini görmek için her bir deneme için raporlanan metriklerin geçmişini çizebilirsiniz.

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

Özet

Bu belgede, Ultralytics adresini kullanarak Ray Tune ile yürütülen deneylerin sonuçlarını analiz etmek için yaygın iş akışlarını ele aldık. Temel adımlar arasında deney sonuçlarının bir dizinden yüklenmesi, deney düzeyinde ve deneme düzeyinde temel analizlerin gerçekleştirilmesi ve metriklerin çizilmesi yer almaktadır.

Hiperparametre ayarlama deneylerinizden en iyi şekilde yararlanmak için Ray Tune'un Sonuçları Analiz Et dokümanları sayfasını inceleyerek daha fazlasını keşfedin.

SSS

Ray Tune kullanarak YOLO11 modelimin hiperparametrelerini nasıl ayarlayabilirim?

Ray Tune kullanarak Ultralytics YOLO11 modelinizin hiperparametrelerini ayarlamak için aşağıdaki adımları izleyin:

1. Gerekli paketleri yükleyin:

   pip install -U ultralytics "ray[tune]"
   pip install wandb # optional for logging
   

2. YOLO11 modelinizi yükleyin ve ayarlamaya başlayın:

   from ultralytics import YOLO
   
   # Load a YOLO11 model
   model = YOLO("yolo11n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

Bu, modelinizin hiperparametrelerini verimli bir şekilde optimize etmek için Ray Tune'un gelişmiş arama stratejilerini ve paralelliğini kullanır. Daha fazla bilgi için Ray Tune belgelerine göz atın.

Ray Tune ile YOLO11 ayarlama için varsayılan hiperparametreler nelerdir?

Ultralytics YOLO11 Ray Tune ile ayarlama için aşağıdaki varsayılan hiperparametreleri kullanır:

Bu hiperparametreler özel ihtiyaçlarınıza uyacak şekilde özelleştirilebilir. Tam bir liste ve daha fazla ayrıntı için Hiperparametre Ayarlama kılavuzuna bakın.

Weights & Biases ile YOLO11 model ayarlamamı nasıl entegre edebilirim?

Weights & Biases (W&B) ile Ultralytics YOLO11 ayarlama sürecinizi entegre etmek için:

1. W&B'yi kurun:

   pip install wandb
   

2. Ayarlama komut dosyanızı değiştirin:

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo11n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

Bu kurulum, ayarlama sürecini izlemenize, hiperparametre yapılandırmalarını takip etmenize ve sonuçları W&B'de görselleştirmenize olanak tanır.

YOLO11 ile hiperparametre optimizasyonu için neden Ray Tune kullanmalıyım?

Ray Tune, hiperparametre optimizasyonu için çok sayıda avantaj sunar:

• Gelişmiş Arama Stratejileri: Verimli parametre araması için Bayesian Optimizasyonu ve HyperOpt gibi algoritmaları kullanır.
• Paralellik: Birden fazla denemenin paralel yürütülmesini destekleyerek ayarlama sürecini önemli ölçüde hızlandırır.
• Erken Durdurma: Düşük performans gösteren denemeleri erken sonlandırmak için ASHA gibi stratejiler kullanır ve hesaplama kaynaklarından tasarruf sağlar.

Ray Tune, Ultralytics YOLO11 ile sorunsuz bir şekilde entegre olur ve hiperparametreleri etkili bir şekilde ayarlamak için kullanımı kolay bir arayüz sağlar. Başlamak için Hiperparametre Ayar lama kılavuzuna göz atın.

YOLO11 hiperparametre ayarı için özel bir arama alanını nasıl tanımlayabilirim?

Ray Tune ile YOLO11 hiperparametre ayarınız için özel bir arama alanı tanımlamak için:

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-1), "momentum": tune.uniform(0.6, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

Bu, ayarlama işlemi sırasında keşfedilecek ilk öğrenme oranı ve momentum gibi hiperparametrelerin aralığını özelleştirir. Gelişmiş yapılandırmalar için Özel Arama Alanı Örneği bölümüne bakın.

📅1 yıl önce oluşturuldu ✏️ 20 gün önce güncellendi

Yorumlar