Tinh chỉnh siêu tham số hiệu quả với Ray Tune và YOLO26

Tinh chỉnh siêu tham số là yếu tố sống còn để đạt được hiệu suất model tối ưu bằng cách tìm ra tập hợp siêu tham số tốt nhất. Quá trình này bao gồm việc chạy các thử nghiệm với những siêu tham số khác nhau và đánh giá hiệu suất của từng thử nghiệm.

Tăng tốc quá trình tinh chỉnh với Ultralytics YOLO26 và Ray Tune

Ultralytics YOLO26 tích hợp Ray Tune để tinh chỉnh siêu tham số, giúp tối ưu hóa siêu tham số của model YOLO26 một cách tinh gọn. Với Ray Tune, bạn có thể tận dụng các chiến lược tìm kiếm nâng cao, khả năng tính toán song song và tính năng dừng sớm để đẩy nhanh quá trình tinh chỉnh.

Ray Tune

Ray Tune là một thư viện tinh chỉnh siêu tham số được thiết kế để mang lại hiệu suất và sự linh hoạt. Thư viện này hỗ trợ nhiều chiến lược tìm kiếm, khả năng tính toán song song, chiến lược dừng sớm và tích hợp liền mạch với các framework machine learning phổ biến, bao gồm cả Ultralytics YOLO26.

Tích hợp với Weights & Biases

YOLO26 cũng cho phép tích hợp tùy chọn với Weights & Biases để giám sát quá trình tinh 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 YOLO26n model
model = YOLO("yolo26n.pt")

# Start tuning hyperparameters for YOLO26n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

Các tham số của phương thức tune()

Phương thức tune() trong YOLO26 cung cấp một giao diện dễ sử dụng để tinh chỉnh siêu tham số với Ray Tune. Phương thức này chấp nhận một số đối số cho phép bạn tùy chỉnh quá trình tinh 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 nguồn lực tính toán hiện có của mình.

Mô tả không gian tìm kiếm mặc định

Bảng dưới đây liệt kê các tham số không gian tìm kiếm mặc định cho việc tinh chỉnh siêu tham số trong YOLO26 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 trình diễn cách sử dụng không gian tìm kiếm tùy chỉnh để tinh chỉnh siêu tham số với Ray Tune và YOLO26. Bằng cách cung cấp không gian tìm kiếm tùy chỉnh, bạn có thể tập trung quá trình tinh chỉnh vào các siêu tham số quan tâm cụ thể.

from ray import tune

from ultralytics import YOLO

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

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-2)},
    epochs=50,
    use_ray=True,
)

Trong đoạn mã trên, chúng tôi tạo một model YOLO với trọng số tiền huấn luyện "yolo26n.pt". Sau đó, chúng tôi gọi phương thức tune(), chỉ định cấu hình tập dữ liệu là "coco8.yaml". Chúng tôi cung cấp một không gian tìm kiếm tùy chỉnh cho tốc độ học ban đầu lr0 bằng cách sử dụng từ điển với khóa "lr0" và giá trị tune.uniform(1e-5, 1e-2). Cuối cùng, chúng tôi truyền các đối số huấn luyện bổ sung, chẳng hạn như số lượng epoch trực tiếp vào phương thức tune dưới dạng epochs=50.

Ví dụ về thuật toán tìm kiếm

Bạn có thể chọn một chiến lược tìm kiếm Ray Tune theo tên. Đối với các thuật toán tìm kiếm dựa trên chuỗi, Ultralytics sẽ tự động sử dụng metric tối ưu hóa mặc định của tác vụ hiện tại và mode="max". Nếu search_alg không được cung cấp, Ray Tune sẽ sử dụng chiến lược tìm kiếm ngẫu nhiên mặc định là BasicVariantGenerator.

from ultralytics import YOLO

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

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg="optuna",
    use_ray=True,
)

Nếu bạn cần tùy chỉnh bộ lấy mẫu (sampler) của bộ tìm kiếm hoặc ghi đè metric và chế độ tối ưu hóa của nó, hãy truyền một đối tượng bộ tìm kiếm Ray Tune đã được khởi tạo thay vì một chuỗi.

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

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

# Define a searcher
searcher = OptunaSearch(
    metric="metrics/mAP50-95(B)",
    mode="max",
)

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg=searcher,
    use_ray=True,
)

Tiếp tục phiên tinh 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 truyền thư mục name mà Ray Tune đã sử dụng trong runs/{task} để tiếp tục. Nếu không, nó sẽ tự động tiếp tục phiên bị gián đoạn gần nhất. Bạn không cần cung cấp lại iterations và space, nhưng cần cung cấp lại phần còn lại của các đối số huấn luyện, bao gồm data và epochs.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.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 của Ray Tune

Sau khi chạy thí nghiệm tinh 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 đưa bạn qua các quy trình phổ biến để xử lý và phân tích các kết quả đó.

Tải kết quả thí nghiệm Tune từ một thư mục

Sau khi chạy thí nghiệm tinh chỉnh bằng tuner.fit(), bạn có thể tải kết quả từ một thư mục. Việc này rất hữu ích, đặc biệt nếu bạn thực hiện phân tích sau khi tập lệnh huấn luyện ban đầu đã kết thúc.

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 cơ bản ở cấp độ thí nghiệm

Nhận 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 các thử nghiệm hay không.

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

Phân tích cơ bản ở cấp độ thử nghiệm (trial)

Truy cập vào cấu hình siêu tham số của từng thử nghiệm riêng lẻ 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 biểu đồ toàn bộ lịch sử các số liệu được báo cáo cho một thử nghiệm

Bạn có thể vẽ biểu đồ lịch sử các số liệu được báo cáo cho từng thử nghiệm để xem cách các số liệu tiến triển 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 hướng dẫn này, chúng tôi đã đề cập đến các quy trình phổ biến để phân tích kết quả của các thí nghiệm chạy với Ray Tune sử dụng Ultralytics. Các bước chính bao gồm tải kết quả thí nghiệm từ một thư mục, thực hiện phân tích cơ bản ở cấp độ thí nghiệm và thử nghiệm, cũng như vẽ biểu đồ số liệu.

Khám phá thêm bằng cách xem trang tài liệu Analyze Results của Ray Tune để tận dụng tối đa các thí nghiệm tinh chỉnh siêu tham số của bạn.

Câu hỏi thường gặp (FAQ)

Làm cách nào để tinh chỉnh siêu tham số của model YOLO26 bằng Ray Tune?

Để tinh chỉnh siêu tham số của model Ultralytics YOLO26 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 model YOLO26 của bạn và bắt đầu tinh chỉnh:

   from ultralytics import YOLO
   
   # Load a YOLO26 model
   model = YOLO("yolo26n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)

Việc này tận dụng các chiến lược tìm kiếm nâng cao và tính toán song song của Ray Tune để tối ưu hóa siêu tham số của model một cách hiệu quả. Để biết thêm thông tin, hãy xem tài liệu Ray Tune.

Các siêu tham số mặc định cho việc tinh chỉnh YOLO26 với Ray Tune là gì?

Ultralytics YOLO26 sử dụng các siêu tham số mặc định sau cho việc tinh chỉnh với Ray Tune:

Các siêu tham số này có thể được tùy chỉnh để phù hợp với nhu cầu cụ thể của bạn. Để có danh sách đầy đủ và biết thêm chi tiết, hãy tham khảo hướng dẫn Hyperparameter Tuning.

Làm thế nào để tích hợp Weights & Biases với quá trình điều chỉnh model YOLO26 của tôi?

Để tích hợp Weights & Biases (W&B) vào quy trình điều chỉnh Ultralytics YOLO26 của bạn:

1. Cài đặt W&B:

   pip install wandb

2. Chỉnh sửa script điều chỉnh của bạn:

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo26n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)

Thiết lập này sẽ cho phép bạn giám sát 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 YOLO26?

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

• Chiến lược tìm kiếm nâng cao: Sử dụng các thuật toán như Bayesian Optimization và HyperOpt để tìm kiếm tham số hiệu quả.
• Song song hóa: Hỗ trợ thực thi song song nhiều phiên thử nghiệm (trials), giúp tăng tốc đáng kể quy trình điều chỉnh.
• Dừng sớm (Early Stopping): Sử dụng các chiến lược như ASHA để kết thúc sớm các phiên thử nghiệm kém hiệu quả, giúp tiết kiệm tài nguyên tính toán.

Ray Tune tích hợp liền mạch với Ultralytics YOLO26, cung cấp giao diện dễ sử dụng để điều chỉnh siêu tham số một cách hiệu quả. Để bắt đầu, hãy xem hướng dẫn Hyperparameter Tuning.

Làm thế nào để xác định không gian tìm kiếm tùy chỉnh cho việc điều chỉnh siêu tham số YOLO26?

Để xác định không gian tìm kiếm tùy chỉnh cho việc điều chỉnh siêu tham số YOLO26 của bạn với Ray Tune:

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-2), "momentum": tune.uniform(0.7, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

Việc này tùy chỉnh phạm vi của các siêu tham số như tốc độ học ban đầu (initial learning rate) và momentum để khám phá trong suốt quá trình điều chỉnh. Để biết các cấu hình nâng cao, hãy tham khảo mục Custom Search Space Example.