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

Tinh chỉnh siêu tham số là yếu tố quan trọng để đạt hiệu năng model tối đa bằng cách tìm ra tập siêu tham số tối ưu. Quy trình này bao gồm việc chạy các trial với những siêu tham số khác nhau và đánh giá hiệu năng của từng trial.

Tăng tốc tinh chỉnh với Ultralytics YOLO26 và Ray Tune#

Ultralytics YOLO26 tích hợp Ray Tune để tinh chỉnh siêu tham số, đơn giản hóa việc tối ưu hóa các siêu tham số của model YOLO26. Với Ray Tune, bạn có thể sử dụng các chiến lược tìm kiếm nâng cao, khả năng chạy song song và dừng sớm để đẩy nhanh quá trình tinh chỉnh.

Ray Tune#

Ray Tune là thư viện tinh chỉnh siêu tham số được thiết kế nhằm đạt hiệu quả và tính linh hoạt cao. Thư viện này hỗ trợ nhiều chiến lược tìm kiếm, khả năng chạy song song và các chiến lược dừng sớm, đồng thời tích hợp liền mạch với các framework machine learning phổ biến, bao gồm 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 package bắt buộc, hãy chạy:

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

# Optionally install and enable W&B for per-trial logging
pip install wandb
yolo settings wandb=True

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)

Tham số của phương thức tune()#

Phương thức tune() trong YOLO26 cung cấp interface 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 cho từng tham số:

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

Mô tả không gian tìm kiếm mặc định#

Bảng sau liệt kê các tham số không gian tìm kiếm mặc định để tinh chỉnh siêu tham số trong YOLO26 với Ray Tune. Mỗi tham số có một khoảng giá trị cụ thể được định nghĩa bởi tune.uniform().

Ví dụ về không gian tìm kiếm tùy chỉnh#

Trong ví dụ này, chúng ta minh họa 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 những siêu tham số cụ thể cần quan tâm.

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 code trên, chúng ta tạo một model YOLO với pretrained weights "yolo26n.pt". Sau đó, chúng ta gọi phương thức tune(), chỉ định cấu hình dataset bằng "coco8.yaml". Chúng ta cung cấp không gian tìm kiếm tùy chỉnh cho learning rate ban đầu lr0 bằng một dictionary với key "lr0" và value tune.uniform(1e-5, 1e-2). Cuối cùng, chúng ta truyền các đối số training bổ sung, chẳng hạn như số epoch, trực tiếp vào phương thức tune dưới dạng epochs=50.

Ví dụ về thuật toán tìm kiếm#

Bạn có thể chọn chiến lược tìm kiếm Ray Tune theo tên. Với các thuật toán tìm kiếm dạng chuỗi, Ultralytics sẽ tự động sử dụng metric tối ưu hóa mặc định của task hiện tại và mode="max". Nếu không cung cấp search_alg, Ultralytics sẽ sử dụng TPE đa biến của Optuna với các đề xuất nhận biết khả năng chạy song song.

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 cần tùy chỉnh sampler của searcher hoặc ghi đè metric và chế độ tối ưu hóa, hãy truyền một object searcher 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 một phiên Ray Tune bị gián đoạn bằng cách truyền resume=True. Bạn cũng có thể tùy chọn truyền thư mục name được Ray Tune sử dụng trong runs/{task} để tiếp tục. Nếu không, phiên bị gián đoạn gần nhất sẽ được tiếp tục. Bạn không cần cung cấp lại iterations và space, nhưng cần cung cấp lại các đối số training còn lại, 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 Ray Tune#

Sau khi chạy một thử 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 trình bày các quy trình phổ biến để xử lý và phân tích những kết quả đó.

Tải kết quả thử nghiệm Tune từ một thư mục#

model.tune(use_ray=True) trả về một Ray ResultGrid và lưu thí nghiệm dưới runs/{task}/tune, hoặc dưới name mà bạn đã truyền vào. Để tải lại các kết quả đó sau khi script ban đầu đã kết thúc, hãy khôi phục phiên làm việc, thao tác này sẽ khôi phục các thử nghiệm đã lưu và trả về cùng một ResultGrid:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result_grid = model.tune(data="coco8.yaml", epochs=50, use_ray=True, resume=True)

Phân tích cơ bản ở cấp độ thử nghiệm#

Có được tổng quan về hiệu suất của các trial. Bạn có thể nhanh chóng kiểm tra xem có lỗi nào xảy ra trong các trial hay không.

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

Phân tích cơ bản ở cấp độ trial#

Truy cập các cấu hình siêu tham số và metric được báo cáo gần nhất của từng trial.

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

Vẽ toàn bộ lịch sử metric được báo cáo cho một trial#

Bạn có thể vẽ lịch sử metric được báo cáo cho từng trial để xem metric thay đổi theo thời gian như thế nào.

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["metrics/mAP50-95(B)"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("mAP50-95")
plt.legend()
plt.show()

Tóm tắt#

Trong hướng dẫn này, chúng ta đã trình bày các quy trình phổ biến để phân tích kết quả của những thử nghiệm chạy với Ray Tune bằng 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 trial, đồng thời vẽ metric.

Tìm hiểu thêm trong trang tài liệu Analyze Results của Ray Tune để khai thác tối đa các thử nghiệm tinh chỉnh siêu tham số.

FAQ#