İçeriğe geç

YOLOv8 ile Deney Takibi ve Görselleştirmenin Geliştirilmesi Weights & Biases

Nesne algılama modelleri gibi Ultralytics YOLOv8 birçok bilgisayarla görme uygulamasının ayrılmaz bir parçası haline gelmiştir. Ancak bu karmaşık modellerin eğitilmesi, değerlendirilmesi ve dağıtılması çeşitli zorlukları beraberinde getirmektedir. Temel eğitim metriklerinin izlenmesi, model varyantlarının karşılaştırılması, model davranışının analiz edilmesi ve sorunların tespit edilmesi önemli ölçüde enstrümantasyon ve deney yönetimi gerektirir.

Bu kılavuz, gelişmiş deney takibi, model kontrol noktası ve model performansının görselleştirilmesi için Weights & Biases' ile Ultralytics YOLOv8 entegrasyonunu göstermektedir. Ayrıca entegrasyonun kurulumu, eğitim, ince ayar ve Weights & Biases' interaktif özelliklerini kullanarak sonuçların görselleştirilmesi için talimatlar içerir.

Weights & Biases

Weights & Biases Genel Bakış

Weights & Biases makine öğrenimi deneylerini izlemek, görselleştirmek ve yönetmek için tasarlanmış son teknoloji bir MLOps platformudur. Tam deney tekrarlanabilirliği için eğitim metriklerinin otomatik olarak kaydedilmesini, kolaylaştırılmış veri analizi için etkileşimli bir kullanıcı arayüzünü ve çeşitli ortamlarda dağıtım için verimli model yönetim araçlarını içerir.

YOLOv8 ile Eğitim Weights & Biases

YOLOv8 eğitim sürecinize verimlilik ve otomasyon getirmek için Weights & Biases adresini kullanabilirsiniz.

Kurulum

Gerekli paketleri yüklemek için çalıştırın:

Kurulum

# Install the required packages for YOLOv8 and Weights & Biases
pip install --upgrade ultralytics==8.0.186 wandb

Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLOv8 Kurulum kılavuzumuzu kontrol ettiğinizden emin olun. YOLOv8 için gerekli paketleri yüklerken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Ortak Sorunlar kılavuz umuza başvurun.

Yapılandırma Weights & Biases

Gerekli paketleri yükledikten sonra, bir sonraki adım Weights & Biases ortamınızı kurmaktır. Bu, bir Weights & Biases hesabı oluşturmayı ve geliştirme ortamınız ile W&B platformu arasında sorunsuz bir bağlantı için gerekli API anahtarını almayı içerir.

Çalışma alanınızda Weights & Biases ortamını başlatarak başlayın. Bunu aşağıdaki komutu çalıştırarak ve sorulan talimatları izleyerek yapabilirsiniz.

İlk SDK Kurulumu

# Initialize your Weights & Biases environment
import wandb
wandb.login()

API anahtarınızı oluşturmak ve almak için Weights & Biases yetkilendirme sayfasına gidin. W&B ile ortamınızın kimliğini doğrulamak için bu anahtarı kullanın.

Kullanım: Eğitim YOLOv8 ile Weights & Biases

Weights & Biases ile YOLOv8 model eğitimi için kullanım talimatlarına dalmadan önce, Ultralytics tarafından sunulanYOLOv8 modelleri yelpazesine göz attığınızdan emin olun. Bu, proje gereksinimleriniz için en uygun modeli seçmenize yardımcı olacaktır.

Kullanım: Eğitim YOLOv8 ile Weights & Biases

import wandb
from ultralytics import YOLO
from wandb.integration.ultralytics import add_wandb_callback

# Step 1: Initialize a Weights & Biases run
wandb.init(project="ultralytics", job_type="training")

# Step 2: Define the YOLOv8 Model and Dataset
model_name = "yolov8n"
dataset_name = "coco8.yaml"
model = YOLO(f"{model_name}.pt")

# Step 3: Add W&B Callback for Ultralytics
add_wandb_callback(model, enable_model_checkpointing=True)

# Step 4: Train and Fine-Tune the Model
model.train(project="ultralytics", data=dataset_name, epochs=5, imgsz=640)

# Step 5: Validate the Model
model.val()

# Step 6: Perform Inference and Log Results
model(["path/to/image1", "path/to/image2"])

# Step 7: Finalize the W&B Run
wandb.finish()

Kodu Anlamak

Yukarıdaki kullanım kodu parçacığında gösterilen adımları anlayalım.

  • Adım 1: Bir Weights & Biases Çalıştırmasını Başlatın: Proje adını ve iş türünü belirterek bir Weights & Biases çalıştırması başlatarak başlayın. Bu çalıştırma, modelinizin eğitim ve doğrulama süreçlerini izleyecek ve yönetecektir.

  • Adım 2: YOLOv8 Modelini ve Veri Setini Tanımlayın: Kullanmak istediğiniz model varyantını ve veri setini belirtin. Daha sonra YOLO modeli belirtilen model dosyası ile başlatılır.

  • Adım 3: Ultralytics için Weights & Biases Geri Çağrısını ekleyin: Bu adım, eğitim metriklerinin ve doğrulama sonuçlarının Weights & Biases adresine otomatik olarak kaydedilmesini sağlayarak modelin performansının ayrıntılı bir görünümünü sunduğu için çok önemlidir.

  • Adım 4: Modeli Eğitin ve İnce Ayarını Yapın: Modeli belirtilen veri kümesi, epok sayısı ve görüntü boyutu ile eğitmeye başlayın. Eğitim süreci, her dönemin sonunda metriklerin ve tahminlerin kaydedilmesini içerir ve modelin öğrenme ilerlemesinin kapsamlı bir görünümünü sunar.

  • Adım 5: Modeli Doğrulayın: Eğitimden sonra model doğrulanır. Bu adım, modelin görünmeyen veriler üzerindeki performansını değerlendirmek ve genellenebilirliğini sağlamak için çok önemlidir.

  • Adım 6: Çıkarım Yapın ve Sonuçları Günlüğe Kaydedin: Model, belirtilen görüntüler üzerinde tahminler gerçekleştirir. Bu tahminler, görsel bindirmeler ve içgörülerle birlikte, etkileşimli keşif için otomatik olarak bir W&B Tablosuna kaydedilir.

  • Adım 7: W&B Çalıştırmasını Sonlandırın: Bu adım, veri kaydının sonunu işaret eder ve modelinizin eğitim ve doğrulama sürecinin son durumunu W&B panosuna kaydeder.

Çıktıyı Anlama

Yukarıdaki kullanım kodu parçacığını çalıştırdıktan sonra, aşağıdaki temel çıktıları bekleyebilirsiniz:

  • Eğitim sürecinin başlangıcını gösteren benzersiz kimliği ile yeni bir çalıştırma kurulumu.
  • Katman sayısı ve parametreler de dahil olmak üzere modelin yapısının kısa bir özeti.
  • Her eğitim dönemi sırasında kutu kaybı, cls kaybı, dfl kaybı, hassasiyet, geri çağırma ve mAP puanları gibi önemli metrikler hakkında düzenli güncellemeler.
  • Eğitimin sonunda, modelin çıkarım hızı ve genel doğruluk metrikleri dahil olmak üzere ayrıntılı metrikler görüntülenir.
  • Eğitim sürecinin derinlemesine analizi ve görselleştirilmesi için Weights & Biases kontrol paneline bağlantılar ve yerel günlük dosyası konumları hakkında bilgiler.

Weights & Biases Gösterge Tablosunun Görüntülenmesi

Kullanım kodu parçacığını çalıştırdıktan sonra, çıktıda verilen bağlantı aracılığıyla Weights & Biases (W&B) panosuna erişebilirsiniz. Bu pano, YOLOv8 ile modelinizin eğitim sürecinin kapsamlı bir görünümünü sunar.

Weights & Biases Gösterge Tablosunun Temel Özellikleri

  • Gerçek Zamanlı Metrik Takibi: Kayıp, doğruluk ve doğrulama puanları gibi metrikleri eğitim sırasında geliştikçe gözlemleyin ve model ayarlama için anında içgörüler sunun.

  • Hiperparametre Optimizasyonu: Weights & Biases öğrenme oranı, yığın boyutu ve daha fazlası gibi kritik parametrelerin ince ayarının yapılmasına yardımcı olarak YOLOv8'un performansını artırır.

  • Karşılaştırmalı Analiz: Platform, çeşitli model konfigürasyonlarının etkisini değerlendirmek için gerekli olan farklı eğitim çalışmalarının yan yana karşılaştırılmasına olanak tanır.

  • Eğitim İlerlemesinin Görselleştirilmesi: Temel ölçümlerin grafiksel gösterimleri, modelin dönemler boyunca performansının sezgisel olarak anlaşılmasını sağlar.

  • Kaynak İzleme: Eğitim sürecinin verimliliğini optimize etmek için CPU, GPU ve bellek kullanımını takip edin.

  • Model Yapıtları Yönetimi: Model kontrol noktalarına erişin ve paylaşın, kolay dağıtım ve işbirliğini kolaylaştırın.

  • Çıkarım Sonuçlarını Görüntü Yer Paylaşımı ile Görüntüleme: Weights & Biases adresindeki etkileşimli kaplamaları kullanarak tahmin sonuçlarını görüntüler üzerinde görselleştirin ve gerçek dünya verileri üzerindeki model performansının net ve ayrıntılı bir görünümünü sağlayın. Weights & Biases 'görüntü kaplama özellikleri hakkında daha ayrıntılı bilgi için bu bağlantıya göz atın.

Bu özellikleri kullanarak YOLOv8 modelinizin eğitimini etkili bir şekilde izleyebilir, analiz edebilir ve optimize ederek mümkün olan en iyi performansı ve verimliliği sağlayabilirsiniz.

Özet

Bu kılavuz, Ultralytics' YOLOv8 entegrasyonunu Weights & Biases ile keşfetmenize yardımcı oldu. Bu entegrasyonun model eğitimi ve tahmin sonuçlarını verimli bir şekilde izleme ve görselleştirme becerisini göstermektedir.

Kullanım hakkında daha fazla bilgi için Weights & Biases' resmi belgelerini ziyaret edin.

Ayrıca, farklı heyecan verici entegrasyonlar hakkında daha fazla bilgi edinmek için Ultralytics entegrasyon kılavuzu sayfasına göz atmayı unutmayın.



Oluşturma 2023-12-28, Güncelleme 2024-05-18
Yazarlar: glenn-jocher (5), abirami-vina (1)

Yorumlar