Ray Tune ile Verimli Hiperparametre Ayarlama ve YOLOv8

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 YOLOv8 ve Ray Tune ile Ayarlamayı Hızlandırın

Ultralytics YOLOv8 hiperparametre ayarı için Ray Tune'u içerir ve YOLOv8 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 YOLOv8 dahil olmak üzere popüler makine öğrenimi çerçeveleriyle sorunsuz bir şekilde entegre olur.

ile Entegrasyon Weights & Biases

YOLOv8 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 YOLOv8n model
model = YOLO('yolov8n.pt')

# Start tuning hyperparameters for YOLOv8n training on the COCO8 dataset
result_grid = model.tune(data='coco8.yaml', use_ray=True)

tune() Yöntem Parametreleri

Bu tune() YOLOv8 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 YOLOv8 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 YOLOv8 ile hiperparametre ayarı için özel bir arama alanının nasıl kullanılacağını gösteriyoruz. Özel bir arama alanı sağlayarak, ayarlama sürecini ilgilenilen belirli hiperparametreler üzerine odaklayabilirsiniz.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolov8n.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, "yolov8n.pt" ön eğitimli ağırlıklarla bir YOLO modeli oluşturuyoruz. Daha sonra 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.

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 result in 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.

Yorumlar