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

Tinh chỉnh siêu tham số là yếu tố then chốt để đạt hiệu suất tối ưu cho model bằng cách tìm ra bộ siêu tham số phù hợp nhất. Quá trình này bao gồm chạy các lần thử với nhiều siêu tham số khác nhau và đánh giá hiệu suất của từng lần thử.

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, xử lý 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 để tối ưu hiệu quả và tính linh hoạt. Thư viện hỗ trợ nhiều chiến lược tìm kiếm, xử lý 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 cho phép tích hợp tùy chọn với Weights & Biases để theo dõi quá trình tinh chỉnh.

Cài đặt#

Để cài đặt các package 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 bộ dữ liệu COCO8
result_grid = model.tune(data="coco8.yaml", use_ray=True)

Các 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 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 quy trình tối ưu hóa siêu tham số để đáp ứng nhu cầu cụ thể và phù hợp với 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 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 trình bày 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

# Định nghĩa YOLO model
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 trọng số pretrained "yolo26n.pt". Sau đó, chúng ta gọi phương thức tune(), chỉ định cấu hình bộ dữ liệu bằng "coco8.yaml". Chúng ta cung cấp không gian tìm kiếm tùy chỉnh cho tốc độ học ban đầu lr0 bằng một từ điển 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 xét đến khả năng chạy song song.

from ultralytics import YOLO

# Định nghĩa 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 đối tượng searcher Ray Tune đã khởi tạo thay vì một chuỗi.

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

# Định nghĩa YOLO model
model = YOLO("yolo26n.pt")

# Xác định 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 bằng 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 đã sử dụng trong runs/{task} để tiếp tục. Nếu không, phiên gần nhất bị gián đoạn 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

# Định nghĩa YOLO model
model = YOLO("yolo26n.pt")

# Tiếp tục lượt chạy trước
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 bằng 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 thư mục#

model.tune(use_ray=True) trả về một Ray ResultGrid và lưu thử nghiệm trong runs/{task}/tune, hoặc trong thư mục name mà bạn đã truyền. Để tải các kết quả đó sau khi script ban đầu đã thoát, hãy tiếp tục phiên; thao tác này khôi phục các lần thử đã lưu và trả về cùng 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 thử nghiệm#

Xem tổng quan về kết quả của các lần thử. Bạn có thể nhanh chóng kiểm tra xem có lỗi nào xảy ra trong các lần thử hay không.

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

Phân tích cơ bản ở cấp lần thử#

Truy cập cấu hình siêu tham số của từng lần thử 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 biểu đồ toàn bộ lịch sử metric được báo cáo cho một lần thử#

Bạn có thể vẽ biểu đồ lịch sử metric được báo cáo cho từng lần thử để xem các 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 tôi đã trình bày các quy trình phổ biến để phân tích kết quả 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 thử nghiệm và cấp lần thử, cũng như vẽ biểu đồ 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.

Câu hỏi thường gặp#