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

Tinh chỉnh siêu tham số đóng vai trò thiết yếu để đạt hiệu suất tối đa cho model bằng cách tìm ra tập siêu tham số tối ưu. Quá trình này bao gồm chạy các lần thử nghiệm với những siêu tham số khác nhau và đánh giá hiệu suất của từng lần 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 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, tính toán song song và dừng sớm để rút ngắn quá trình tinh chỉnh.

Ray Tune#

Ray Tune là thư viện tinh chỉnh siêu tham số được thiết kế để đảm bảo hiệu quả và tính linh hoạt. Thư viện này hỗ trợ nhiều chiến lược tìm kiếm, tính toán song song và 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 hỗ trợ tùy chọn tích hợp với Weights & Biases để theo dõi 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]" 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

# Tải model YOLO26n
model = YOLO("yolo26n.pt")

# Bắt đầu tinh chỉnh siêu tham số cho quá trình huấn luyện YOLO26n trên dataset COCO8
result_grid = model.tune(data="coco8.yaml", use_ray=True)

Tham số của phương thức tune()#

Phương thức tune() trong YOLO26 cung cấp giao diện dễ sử dụng để tinh chỉnh siêu tham số với Ray Tune. Phương thức này 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 quy trình tối ưu hóa siêu tham số để 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 trong không gian tìm kiếm mặc định để tinh chỉnh siêu tham số của YOLO26 với Ray Tune. Mỗi tham số có một phạm vi giá trị cụ thể được xác định bởi tune.uniform(), ngoại trừ close_mosaic, tham số này sử dụng tune.randint().

Ví dụ về không gian tìm kiếm tùy chỉnh#

Trong ví dụ này, chúng tôi 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 các siêu tham số cụ thể cần quan tâm.

from ray import tune

from ultralytics import YOLO

# Xác định model YOLO
model = YOLO("yolo26n.pt")

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

Trong đoạn mã phía trên, chúng ta tạo một model YOLO với các weight pretrained "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 có khóa "lr0" và giá trị tune.uniform(1e-5, 1e-2). Cuối cùng, chúng ta truyền các đối số huấn luyện 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 tác vụ hiện tại và mode="max". Nếu không cung cấp search_alg, Ultralytics sẽ sử dụng TPE đa biến của Optuna với các đề xuất có tính đến tính song song.

from ultralytics import YOLO

# Xác định model YOLO
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 đối tượng searcher Ray Tune đã khởi tạo thay vì một chuỗi.

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

# Xác định model YOLO
model = YOLO("yolo26n.pt")

# Định nghĩa 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 có thể tùy chọn truyền thư mục name mà 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 huấn luyện còn lại, bao gồm data và epochs.

from ultralytics import YOLO

# Xác định model YOLO
model = YOLO("yolo26n.pt")

# Tiếp tục lượt chạy trước đó
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Tiếp tục lần chạy Ray Tune với tên '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 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 thường dùng 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 thử nghiệm trong runs/{task}/tune, hoặc trong name mà bạn đã truyền. Để tải các kết quả đó sau khi script ban đầu đã kết thúc, hãy tiếp tục phiên; thao tác này khôi phục các lần 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#

Xem tổng quan về hiệu suất của các lần thử nghiệm. Bạn có thể nhanh chóng kiểm tra xem có lỗi nào xảy ra trong các lần 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 lần thử nghiệm#

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

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

Vẽ toàn bộ lịch sử các metric được báo cáo cho một lần thử nghiệm#

Bạn có thể vẽ lịch sử các metric được báo cáo cho từng lần thử nghiệm để xem metric thay đổi 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["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 tôi đã trình bày các quy trình thường dùng để phân tích kết quả của những thử nghiệm chạy bằng Ray Tune với Ultralytics. Các bước chính gồm tải kết quả thử nghiệm từ một thư mục, thực hiện phân tích cơ bản ở cấp độ thử nghiệm và cấp độ lần thử nghiệm, cũng như vẽ biểu đồ metric.

Tìm hiểu thêm tại trang tài liệu Phân tích kết quả của Ray Tune để khai thác tối đa các thử nghiệm tinh chỉnh siêu tham số.

Câu hỏi thường gặp#