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 bộ siêu tham số tối ưu. Điều này bao gồm chạy thử nghiệm với các siêu tham số khác nhau và đánh giá hiệu suất của từng thử nghiệm.

Tăng tốc điều chỉnh với Ultralytics YOLO11 và Ray Tune

Ultralytics YOLO11 kết hợp Ray Tune để điều chỉnh siêu tham số, hợp lý hóa quá trình tối ưu hóa YOLO11 siêu tham số mô hình. 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 Điều Chỉnh

Ray Tune là một thư viện điều chỉnh siêu tham số được thiết kế để đạt hiệu quả và tính linh hoạt. Nó hỗ trợ nhiều chiến lược tìm kiếm, song song và chiến lược dừng sớm, và tích hợp liền mạch với các khuôn khổ học máy 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 pháp

Các tune() phương pháp trong YOLO11 cung cấp 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 quy 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 quy trình tối ưu hóa siêu tham số để phù hợp với nhu cầu cụ thể và tài nguyên tính toán sẵn 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 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 cần 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 ra một YOLO mô hình với trọng số được đào tạo trước "yolo11n.pt". Sau đó, chúng tôi gọi tune() phương pháp, chỉ định cấu hình tập dữ liệu với "coco8.yaml". Chúng tôi cung cấp không gian tìm kiếm tùy chỉnh cho tỷ lệ học ban đầu lr0 sử dụng một từ điển với khóa "lr0" và giá trị tune.uniform(1e-5, 1e-1). Cuối cùng, chúng tôi truyền các đối số đào tạo bổ sung, chẳng hạn như số kỷ nguyên trực tiếp đến phương pháp điều chỉnh như epochs=50.

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 qua các quy trình công việc chung để xử lý và phân tích các kết quả này.

Tải kết quả thí nghiệm điều chỉnh 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 hữu ích, đặc biệt nếu bạn đang thực hiện phân tích sau khi tập lệnh đào tạo 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 thí nghiệm cơ bản

Nhận tổng quan về cách thực hiện thử nghiệm. Bạn có thể nhanh chóng kiểm tra xem có bất kỳ lỗi nào trong quá trình thử nghiệm không.

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

Phân tích cấp độ thử nghiệm cơ bản

Truy cập cấu hình siêu tham số thử nghiệm riêng lẻ và số liệu được báo cáo gần đây 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 của 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 mỗi lần thử nghiệm để xem các số liệu đó 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["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

Bản tóm tắt

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

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

CÂU HỎI THƯỜNG GẶP

Làm thế nào để tôi điều chỉnh các siêu tham số của tôi YOLO11 mô hình sử dụng Ray Tune?

Để điều chỉnh các siêu tham số của bạn Ultralytics YOLO11 mô hình sử dụng 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 của bạn YOLO11 mô hình 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 của bạn. Để biết thêm thông tin, hãy xem tài liệu Ray Tune .

Siêu tham số mặc định là gì? YOLO11 điều chỉnh bằng Ray Tune?

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

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

Làm thế nào tôi có thể tích hợp Weights & Biases với tôi YOLO11 điều chỉnh mô hình?

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

1. Cài đặt W&B:

   pip install wandb
   

2. Sửa đổi tập lệnh 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 sẽ 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 Bayes và HyperOpt để tìm kiếm tham số hiệu quả.
• Tính song song: Hỗ trợ thực hiện song song nhiều lần thử nghiệm, giúp tăng tốc đáng kể quá trình điều chỉnh.
• Dừng sớm: Sử dụng các chiến lược như ASHA để chấm dứt sớm các thử nghiệm 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 siêu tham số hiệu quả. Để bắt đầu, hãy xem hướng dẫn Điều chỉnh siêu tham số hiệu quả với Ray Tune và YOLO11 .

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

Để xác định không gian tìm kiếm tùy chỉnh cho bạn YOLO11 điều chỉnh siêu tham số 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 siêu tham số như tốc độ học ban đầu và động lượng cần khám phá trong quá trình điều chỉnh. Để biết cấu hình nâng cao, hãy tham khảo phần Ví dụ về không gian tìm kiếm tùy chỉnh .

📅 Được tạo cách đây 1 năm ✏️ Đã cập nhật cách đây 21 ngày

Bình luận