Điều chỉnh siêu tham số hiệu quả với Ray Tune và YOLO11

Điều chỉnh siêu tham số là rất quan trọng để đạt được hiệu suất mô hình cao nhất bằng cách khám phá tập hợp siêu tham số tối ưu. Điều này bao gồm việc chạy thử với các siêu tham số khác nhau và đánh giá hiệu suất của mỗi lần thử.

Tăng tốc độ điều chỉnh với Ultralytics YOLO11 và Ray Tune

Ultralytics YOLO11 kết hợp Ray Tune để điều chỉnh siêu tham số, hợp lý hóa việc tối ưu hóa các siêu tham số của mô hình YOLO11. Với Ray Tune, bạn có thể sử dụng các chiến lược tìm kiếm nâng cao, tính song song và dừng sớm để đẩy nhanh quá trình điều chỉnh.

Ray Tune

Ray Tune là một thư viện điều chỉnh siêu tham số được thiết kế để mang lại hiệu quả và tính linh hoạt. Nó hỗ trợ nhiều chiến lược tìm kiếm, tính song song và các chiến lược dừng sớm, đồng thời tích hợp liền mạch với các khung máy học phổ biến, bao gồm Ultralytics YOLO11.

Tích hợp với Weights & Biases

YOLO11 cũng cho phép tích hợp tùy chọn với Weights & Biases để theo dõi quá trình điều chỉnh.

Cài đặt

Để cài đặt các gói cần thiết, hãy chạy:

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

# Optionally install W&B for logging
pip install wandb

Cách sử dụng

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() Tham số phương thức

Hàm tune() Phương thức method trong YOLO11 cung cấp một giao diện dễ sử dụng để điều chỉnh siêu tham số với Ray Tune. Nó chấp nhận một số đối số cho phép bạn tùy chỉnh quá trình điều chỉnh. Dưới đây là giải thích chi tiết về từng tham số:

Bằng cách tùy chỉnh các tham số này, bạn có thể tinh chỉnh quá trình tối ưu hóa siêu tham số để phù hợp với nhu cầu cụ thể và tài nguyên tính toán hiện có của mình.

Mô tả Không gian Tìm kiếm Mặc định

Bảng sau đây liệt kê các tham số không gian tìm kiếm mặc định để điều chỉnh siêu tham số trong YOLO11 với Ray Tune. Mỗi tham số có một phạm vi giá trị cụ thể được xác định bởi tune.uniform().

Ví dụ về Không gian Tìm kiếm Tùy chỉnh

Trong ví dụ này, chúng tôi sẽ trình bày cách sử dụng không gian tìm kiếm tùy chỉnh để điều chỉnh siêu tham số với Ray Tune và YOLO11. Bằng cách cung cấp không gian tìm kiếm tùy chỉnh, bạn có thể tập trung quá trình điều chỉnh vào các siêu tham số cụ thể mà bạn quan tâm.

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,
)

Trong đoạn mã trên, chúng ta tạo một mô hình YOLO với các trọng số đã được huấn luyện trước "yolo11n.pt". Sau đó, chúng ta gọi phương thức tune() , chỉ định cấu hình bộ dữ liệu bằng "coco8.yaml". Chúng ta cung cấp một không gian tìm kiếm tùy chỉnh cho tốc độ học ban đầu lr0 bằng cách sử dụng một từ điển với khóa "lr0" và giá trị tune.uniform(1e-5, 1e-1). Cuối cùng, chúng ta chuyển các đối số huấn luyện bổ sung, chẳng hạn như số lượng epochs trực tiếp đến phương thức tune như epochs=50.

Tiếp tục phiên điều chỉnh siêu tham số bị gián đoạn với Ray Tune

Bạn có thể tiếp tục phiên Ray Tune bị gián đoạn bằng cách truyền resume=True. Bạn có thể tùy chọn chuyển thư mục name được Ray Tune sử dụng trong runs/{task} để tiếp tục. Nếu không, nó sẽ tiếp tục phiên bị gián đoạn cuối cùng. Bạn không cần cung cấp iterations và space một lần nữa, nhưng bạn cần cung cấp lại các đối số huấn luyện còn lại bao gồm data và 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)

Xử lý Kết quả Ray Tune

Sau khi chạy thử nghiệm điều chỉnh siêu tham số với Ray Tune, bạn có thể muốn thực hiện nhiều phân tích khác nhau trên các kết quả thu được. Hướng dẫn này sẽ hướng dẫn bạn các quy trình làm việc phổ biến để xử lý và phân tích các kết quả này.

Tải Kết quả Thử nghiệm Tune từ một Thư mục

Sau khi chạy thử nghiệm điều chỉnh với tuner.fit(), bạn có thể tải kết quả từ một thư mục. Điều này đặc biệt hữu ích nếu bạn thực hiện phân tích sau khi tập lệnh huấn luyện ban đầu đã thoát.

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()

Phân tích Cấp độ Thử nghiệm Cơ bản

Xem tổng quan về hiệu suất của các thử nghiệm. Bạn có thể nhanh chóng kiểm tra xem có bất kỳ lỗi nào xảy ra trong quá trình thử nghiệm hay không.

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

Phân tích Cấp độ Chạy Thử Cơ bản

Truy cập cấu hình siêu tham số của từng thử nghiệm và các số liệu được báo cáo cuối cùng.

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

Vẽ Đồ thị Toàn bộ Lịch sử của các Số liệu Báo cáo cho một Lần Chạy Thử

Bạn có thể vẽ biểu đồ lịch sử của các số liệu đã báo cáo cho mỗi thử nghiệm để xem các số liệu đã phát triển như thế nào theo thời gian.

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()

Tóm tắt

Trong tài liệu này, chúng ta đã đề cập đến các quy trình làm việc phổ biến để phân tích kết quả của các thử nghiệm chạy bằng Ray Tune sử dụng Ultralytics. Các bước chính bao gồm tải kết quả thử nghiệm từ một thư mục, thực hiện phân tích cơ bản ở cấp độ thử nghiệm và cấp độ thử nghiệm, đồng thời vẽ đồ thị các số liệu.

Tìm hiểu thêm bằng cách xem trang tài liệu Phân tích Kết quả của Ray Tune để khai thác tối đa các thử nghiệm điều chỉnh siêu tham số của bạn.

Câu hỏi thường gặp

Làm cách nào để điều chỉnh các siêu tham số của mô hình YOLO11 bằng Ray Tune?

Để điều chỉnh các siêu tham số của mô hình Ultralytics YOLO11 bằng Ray Tune, hãy làm theo các bước sau:

1. Cài đặt các gói cần thiết:

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

2. Tải mô hình YOLO11 của bạn và bắt đầu điều chỉnh:

   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)
   

Điều này sử dụng các chiến lược tìm kiếm nâng cao và tính song song của Ray Tune để tối ưu hóa hiệu quả các siêu tham số của mô hình. Để biết thêm thông tin, hãy xem tài liệu Ray Tune.

Các siêu tham số mặc định để điều chỉnh YOLO11 với Ray Tune là gì?

Ultralytics YOLO11 sử dụng các siêu tham số mặc định sau để điều chỉnh với Ray Tune:

Bạn có thể tùy chỉnh các siêu tham số này cho phù hợp với nhu cầu cụ thể của mình. Để có danh sách đầy đủ và biết thêm chi tiết, hãy tham khảo hướng dẫn Điều chỉnh Siêu tham số.

Làm cách nào tôi có thể tích hợp Weights & Biases với việc điều chỉnh mô hình YOLO11 của mình?

Để tích hợp Weights & Biases (W&B) với quy trình điều chỉnh Ultralytics YOLO11 của bạn:

1. Cài đặt W&B:

   pip install wandb
   

2. Sửa đổi script điều chỉnh của bạn:

   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)
   

Thiết lập này cho phép bạn theo dõi quá trình điều chỉnh, theo dõi cấu hình siêu tham số và trực quan hóa kết quả trong W&B.

Tại sao tôi nên sử dụng Ray Tune để tối ưu hóa siêu tham số với YOLO11?

Ray Tune cung cấp nhiều lợi thế cho việc tối ưu hóa siêu tham số:

• Chiến lược Tìm kiếm Nâng cao: Sử dụng các thuật toán như Tối ưu hóa Bayesian và HyperOpt để tìm kiếm tham số hiệu quả.
• Tính Song Song: Hỗ trợ thực thi song song nhiều thử nghiệm, giúp tăng tốc đáng kể quá trình điều chỉnh.
• Dừng Sớm: Sử dụng các chiến lược như ASHA để dừng sớm các thử nghiệm hoạt động kém hiệu quả, giúp tiết kiệm tài nguyên tính toán.

Ray Tune tích hợp liền mạch với Ultralytics YOLO11, cung cấp giao diện dễ sử dụng để điều chỉnh các siêu tham số một cách hiệu quả. Để bắt đầu, hãy xem hướng dẫn Điều chỉnh siêu tham số.

Làm cách nào tôi có thể xác định một không gian tìm kiếm tùy chỉnh để điều chỉnh siêu tham số YOLO11?

Để xác định một không gian tìm kiếm tùy chỉnh cho việc điều chỉnh siêu tham số YOLO11 của bạn với Ray Tune:

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)

Điều này tùy chỉnh phạm vi của các siêu tham số như tốc độ học ban đầu và động lượng để khám phá trong quá trình điều chỉnh. Để có các cấu hình nâng cao, hãy tham khảo phần Ví Dụ về Không Gian Tìm Kiếm Tùy Chỉnh.

📅 Đã tạo 1 năm trước ✏️ Cập nhật 3 tháng trước

Bình luận