Theo dõi thực nghiệm với Neptune

Neptune là một kho lưu trữ metadata cho MLOps, được xây dựng cho các nhóm thực hiện nhiều thực nghiệm. Nó cung cấp cho bạn một nơi duy nhất để ghi lại, lưu trữ, hiển thị, sắp xếp, so sánh và truy vấn tất cả metadata xây dựng model của bạn.

Ultralytics YOLO26 tích hợp với Neptune để hợp lý hóa theo dõi thực nghiệm. Tích hợp này cho phép bạn tự động ghi lại các chỉ số huấn luyện, trực quan hóa dự đoán của model và lưu trữ các artifact của model mà không cần viết code ghi nhật ký tùy chỉnh.

Các tính năng chính

• Ghi nhật ký tự động: Tự động ghi lại các chỉ số huấn luyện chính như box loss, classification loss và mAP.
• Trực quan hóa hình ảnh: Xem mosaic huấn luyện và dự đoán xác thực trực tiếp trong bảng điều khiển Neptune.
• Lưu Checkpoint model: Tự động tải lên và quản lý phiên bản trọng số model đã huấn luyện (best.pt) khi kết thúc huấn luyện.
• Theo dõi Hyperparameter: Ghi lại tất cả các tham số cấu hình để đảm bảo khả năng tái lập hoàn toàn các thực nghiệm của bạn.
• Biểu đồ tương tác: Trực quan hóa ma trận nhầm lẫn (confusion matrices) và đường cong precision-recall để phân tích hiệu suất model.

Cài đặt

Để sử dụng Neptune với Ultralytics, bạn cần cài đặt gói client neptune cùng với ultralytics.

# Install the required packages
pip install ultralytics neptune

# Enable Neptune integration in Ultralytics settings
yolo settings neptune=True

Cấu hình

Trước khi bắt đầu huấn luyện, bạn cần kết nối môi trường cục bộ với dự án Neptune của mình. Bạn sẽ cần API Token và Tên dự án từ bảng điều khiển Neptune.

Lấy thông tin đăng nhập của bạn

1. Đăng nhập vào Neptune.ai.
2. Tạo một dự án mới (hoặc chọn một dự án hiện có).
3. Đi đến menu người dùng của bạn và lấy API Token.

Thiết lập biến môi trường

Cách an toàn nhất để xử lý thông tin đăng nhập là thông qua các biến môi trường. Lưu ý rằng callback Neptune của Ultralytics đọc đối số YOLO project và không sử dụng NEPTUNE_PROJECT. Hãy truyền đầy đủ Neptune slug (ví dụ: workspace/name) thông qua project= trong lệnh huấn luyện của bạn; nếu không Neptune sẽ cố gắng sử dụng giá trị mặc định là "Ultralytics" và quá trình chạy sẽ thất bại.

export NEPTUNE_API_TOKEN="your_long_api_token_here" # required

Cách sử dụng

Sau khi cấu hình, bạn có thể bắt đầu huấn luyện các model YOLO26 của mình. Tích hợp Neptune hoạt động tự động khi gói neptune được cài đặt và tích hợp được kích hoạt trong phần cài đặt.

Ví dụ về huấn luyện

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Train the model
# Pass the Neptune project slug as the 'project' argument (workspace/name)
results = model.train(data="coco8.yaml", epochs=10, project="my-workspace/my-project", name="experiment-1")

Hiểu về tích hợp

Sơ đồ sau minh họa cách pipeline Huấn luyện Ultralytics tương tác với Neptune để ghi lại các artifact và chỉ số khác nhau.

graph LR
    A[YOLO Training Loop] --> B{Neptune Callback}
    B -->|Log Scalars| C[Loss, mAP, LR]
    B -->|Log Images| D[Mosaics, Preds]
    B -->|Log Artifacts| E[Model Weights]
    B -->|Log Metadata| F[Hyperparameters]

    C --> G[Neptune Server]
    D --> G
    E --> G
    F --> G

    G --> H[Neptune Web Dashboard]

Những gì được ghi lại?

Khi bạn chạy lệnh huấn luyện, tích hợp Neptune sẽ tự động ghi lại cấu trúc dữ liệu sau trong quá trình chạy của bạn:

1. Cấu hình/Hyperparameters: Tất cả các đối số huấn luyện (epochs, lr0, optimizer, v.v.) được ghi lại trong phần Cấu hình.
2. Cấu hình/Model: Kiến trúc và định nghĩa của model.
3. Chỉ số (Metrics):
   • Train: box_loss, cls_loss, dfl_loss, lr (tốc độ học).
   • Chỉ số (Metrics): precision, recall, mAP50, mAP50-95.
4. Hình ảnh (Images):
   • Mosaic: Các batch huấn luyện hiển thị tăng cường dữ liệu.
   • Validation: Nhãn ground truth và dự đoán của model trên dữ liệu xác thực.
   • Plots: Ma trận nhầm lẫn, đường cong Precision-Recall.
5. Weights: Model đã huấn luyện cuối cùng (best.pt) được tải lên thư mục weights trong quá trình chạy Neptune.

Sử dụng nâng cao

Sắp xếp các lần chạy

Bạn có thể sử dụng các đối số project và name tiêu chuẩn của Ultralytics để sắp xếp các lần chạy trong Neptune.

• project: Phải là Neptune project slug workspace/name; đây là những gì callback truyền tới neptune.init_run.
• name: Đóng vai trò là định danh cho lần chạy cụ thể.

Ghi nhật ký tùy chỉnh

Nếu bạn cần ghi lại các chỉ số tùy chỉnh bổ sung bên cạnh việc ghi nhật ký tự động, bạn có thể truy cập instance chạy Neptune. Lưu ý rằng bạn sẽ cần sửa đổi logic huấn luyện hoặc tạo một callback tùy chỉnh để truy cập đối tượng chạy cụ thể, vì tích hợp Ultralytics tự xử lý vòng đời của lần chạy.

Câu hỏi thường gặp (FAQ)

Làm thế nào để tắt ghi nhật ký Neptune?

Nếu bạn đã cài đặt neptune nhưng muốn tắt ghi nhật ký cho một phiên cụ thể hoặc trên toàn cầu, bạn có thể sửa đổi cài đặt YOLO.

# Disable Neptune integration
yolo settings neptune=False

Hình ảnh của tôi không tải lên được. Có vấn đề gì vậy?

Đảm bảo rằng mạng của bạn cho phép kết nối với các máy chủ của Neptune. Ngoài ra, việc ghi nhật ký hình ảnh thường xảy ra theo các khoảng thời gian cụ thể (ví dụ: cuối mỗi epoch hoặc cuối quá trình huấn luyện). Nếu bạn ngắt quá trình huấn luyện sớm bằng Ctrl+C, một số artifact cuối cùng như ma trận nhầm lẫn hoặc trọng số model tốt nhất có thể sẽ không được tải lên.

Tôi có thể ghi nhật ký vào một Neptune run ID cụ thể không?

Tích hợp hiện tại tự động tạo một lần chạy mới cho mỗi phiên huấn luyện. Để tiếp tục ghi nhật ký vào một lần chạy hiện có, bạn thường cần xử lý khởi tạo Neptune theo cách thủ công trong code Python, điều này nằm ngoài phạm vi của tích hợp tự động. Tuy nhiên, Ultralytics hỗ trợ tiếp tục huấn luyện cục bộ, điều này sẽ tạo một lần chạy mới trong Neptune để theo dõi các epoch đã tiếp tục.

Tôi có thể tìm thấy trọng số model ở đâu trong Neptune?

Trong bảng điều khiển Neptune của bạn, hãy điều hướng đến phần Artifacts hoặc All Metadata. Bạn sẽ tìm thấy thư mục weights chứa tệp best.pt, bạn có thể tải tệp này xuống để triển khai.