Link to this sectionĐạt được thông tin chi tiết trực quan với việc tích hợp YOLO26 cùng TensorBoard#

Việc tìm hiểu và tinh chỉnh các mô hình computer vision như Ultralytics' YOLO26 trở nên đơn giản hơn khi bạn xem xét kỹ hơn các quy trình huấn luyện của chúng. Trực quan hóa huấn luyện mô hình giúp nắm bắt thông tin chi tiết về các mô hình học tập, số liệu hiệu suất và hành vi tổng thể của mô hình. Việc tích hợp YOLO26 với TensorBoard giúp quá trình trực quan hóa và phân tích này trở nên dễ dàng hơn, đồng thời cho phép thực hiện các điều chỉnh hiệu quả và sáng suốt hơn đối với mô hình.

Hướng dẫn này bao gồm cách sử dụng TensorBoard với YOLO26. Bạn sẽ tìm hiểu về nhiều phương pháp trực quan hóa khác nhau, từ theo dõi số liệu đến phân tích đồ thị mô hình. Các công cụ này sẽ giúp bạn hiểu rõ hơn về hiệu suất mô hình YOLO26 của mình.

Link to this sectionTensorBoard#

TensorBoard training visualization dashboard

TensorBoard, bộ công cụ trực quan hóa của TensorFlow, rất cần thiết cho việc thử nghiệm machine learning. TensorBoard có nhiều công cụ trực quan hóa, rất quan trọng để giám sát các mô hình machine learning. Các công cụ này bao gồm việc theo dõi các số liệu chính như mất mát (loss) và độ chính xác (accuracy), trực quan hóa đồ thị mô hình và xem biểu đồ histogram của các trọng số (weights) và độ chệch (biases) theo thời gian. Nó cũng cung cấp khả năng chiếu embeddings vào các không gian có chiều thấp hơn và hiển thị dữ liệu đa phương tiện.

Link to this sectionHuấn luyện YOLO26 với TensorBoard#

Việc sử dụng TensorBoard trong khi huấn luyện các mô hình YOLO26 rất đơn giản và mang lại nhiều lợi ích đáng kể.

Link to this sectionCài đặt#

Để cài đặt gói cần thiết, hãy chạy:

Cài đặt

# Install the required package for YOLO26 and Tensorboard
pip install ultralytics

TensorBoard được cài đặt sẵn một cách thuận tiện cùng YOLO26, loại bỏ nhu cầu thiết lập thêm cho mục đích trực quan hóa.

Để có hướng dẫn chi tiết và các phương pháp tốt nhất liên quan đến quy trình cài đặt, hãy đảm bảo xem Hướng dẫn cài đặt YOLO26 của chúng tôi. Trong quá trình cài đặt các gói cần thiết cho YOLO26, nếu bạn gặp bất kỳ khó khăn nào, hãy tham khảo Hướng dẫn các vấn đề thường gặp để tìm giải pháp và mẹo.

Link to this sectionCấu hình TensorBoard cho Google Colab#

Khi sử dụng Google Colab, điều quan trọng là phải thiết lập TensorBoard trước khi bắt đầu mã huấn luyện của bạn:

Cấu hình TensorBoard cho Google Colab

%load_ext tensorboard
%tensorboard --logdir path/to/runs

Link to this sectionCách sử dụng#

Trước khi đi sâu vào hướng dẫn sử dụng, hãy đảm bảo xem qua các mô hình YOLO26 được cung cấp bởi Ultralytics. Điều này sẽ giúp bạn chọn mô hình phù hợp nhất cho yêu cầu dự án của mình.

Bật hoặc Tắt TensorBoard

Theo mặc định, việc ghi nhật ký TensorBoard bị tắt. Bạn có thể bật hoặc tắt ghi nhật ký bằng cách sử dụng lệnh yolo settings.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

Cách sử dụng

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Sau khi chạy đoạn mã sử dụng phía trên, bạn có thể mong đợi kết quả đầu ra sau:

TensorBoard: Start with 'tensorboard --logdir path_to_your_tensorboard_logs', view at localhost:6006

Đầu ra này cho biết rằng TensorBoard hiện đang giám sát tích cực phiên huấn luyện YOLO26 của bạn. Bạn có thể truy cập bảng điều khiển TensorBoard tại localhost:6006 để xem số liệu huấn luyện và hiệu suất mô hình theo thời gian thực. Đối với người dùng làm việc trong Google Colab, TensorBoard sẽ được hiển thị trong cùng một ô nơi bạn đã thực thi các lệnh cấu hình TensorBoard.

Để biết thêm thông tin liên quan đến quy trình huấn luyện mô hình, hãy nhớ xem hướng dẫn Huấn luyện mô hình YOLO26 của chúng tôi. Nếu bạn muốn tìm hiểu thêm về ghi nhật ký, điểm kiểm tra (checkpoints), lập biểu đồ và quản lý tệp, hãy đọc hướng dẫn sử dụng về cấu hình của chúng tôi.

Link to this sectionHiểu về TensorBoard của bạn cho việc huấn luyện YOLO26#

Bây giờ, hãy tập trung vào việc tìm hiểu các tính năng và thành phần khác nhau của TensorBoard trong ngữ cảnh huấn luyện YOLO26. Ba phần chính của TensorBoard là Time Series (Chuỗi thời gian), Scalars (Vô hướng) và Graphs (Đồ thị).

Link to this sectionTime Series#

Tính năng Time Series trong TensorBoard cung cấp góc nhìn chi tiết và năng động về các số liệu huấn luyện khác nhau theo thời gian cho các mô hình YOLO26. Nó tập trung vào sự tiến triển và xu hướng của các số liệu qua các epoch huấn luyện. Đây là một ví dụ về những gì bạn có thể thấy.

Trực quan hóa số liệu huấn luyện time series của TensorBoard

Link to this sectionCác tính năng chính của Time Series trong TensorBoard#

Lọc thẻ và Thẻ ghim: Chức năng này cho phép người dùng lọc các số liệu cụ thể và ghim các thẻ để so sánh và truy cập nhanh. Nó đặc biệt hữu ích để tập trung vào các khía cạnh cụ thể của quá trình huấn luyện.
Thẻ số liệu chi tiết: Time Series chia các số liệu thành các danh mục khác nhau như learning rate (lr), số liệu huấn luyện (train) và số liệu xác thực (val), mỗi danh mục được thể hiện bằng các thẻ riêng lẻ.
Hiển thị đồ họa: Mỗi thẻ trong phần Time Series hiển thị biểu đồ chi tiết về một số liệu cụ thể trong suốt quá trình huấn luyện. Cách trình bày trực quan này hỗ trợ việc xác định các xu hướng, mô hình hoặc sự bất thường trong quy trình huấn luyện.
Phân tích chuyên sâu: Time Series cung cấp phân tích chuyên sâu về từng số liệu. Ví dụ, các phân đoạn tốc độ học (learning rate) khác nhau được hiển thị, mang lại thông tin chi tiết về cách các điều chỉnh trong tốc độ học tác động đến đường cong học tập của mô hình.

Link to this sectionTầm quan trọng của Time Series trong việc huấn luyện YOLO26#

Phần Time Series rất cần thiết để phân tích kỹ lưỡng tiến độ huấn luyện của mô hình YOLO26. Nó cho phép bạn theo dõi các số liệu theo thời gian thực để nhanh chóng xác định và giải quyết các vấn đề. Nó cũng cung cấp cái nhìn chi tiết về sự tiến triển của từng số liệu, điều này rất quan trọng để tinh chỉnh mô hình và nâng cao hiệu suất của nó.

Link to this sectionScalars#

Scalars trong TensorBoard rất quan trọng để vẽ biểu đồ và phân tích các số liệu đơn giản như loss và accuracy trong quá trình huấn luyện các mô hình YOLO26. Chúng cung cấp cái nhìn rõ ràng và súc tích về cách các số liệu này phát triển với mỗi epoch huấn luyện, mang lại thông tin chi tiết về hiệu quả học tập và sự ổn định của mô hình. Đây là một ví dụ về những gì bạn có thể thấy.

Bảng điều khiển scalars của TensorBoard hiển thị số liệu huấn luyện YOLO

Link to this sectionCác tính năng chính của Scalars trong TensorBoard#

Các thẻ Learning Rate (lr): Các thẻ này hiển thị các biến thể trong tốc độ học trên các phân đoạn khác nhau (ví dụ: pg0, pg1, pg2). Điều này giúp chúng ta hiểu tác động của các điều chỉnh tốc độ học đối với quy trình huấn luyện.
Các thẻ số liệu: Scalars bao gồm các chỉ số hiệu suất như:
- mAP50 (B): Precision trung bình tại 50% Intersection over Union (IoU), rất quan trọng để đánh giá độ chính xác của việc phát hiện đối tượng.
- mAP50-95 (B): Mean Average Precision được tính trên một phạm vi ngưỡng IoU, cung cấp đánh giá toàn diện hơn về độ chính xác.
- Precision (B): Cho biết tỷ lệ các quan sát dương tính được dự đoán chính xác, là chìa khóa để hiểu accuracy dự đoán.
- Recall (B): Quan trọng đối với các mô hình mà việc bỏ lỡ một phát hiện là đáng kể, số liệu này đo lường khả năng phát hiện tất cả các trường hợp liên quan.
- Để tìm hiểu thêm về các số liệu khác nhau, hãy đọc hướng dẫn của chúng tôi về số liệu hiệu suất.
Các thẻ Huấn luyện và Xác thực (train, val): Các thẻ này hiển thị số liệu cụ thể cho các tập dữ liệu huấn luyện và xác thực, cho phép phân tích so sánh hiệu suất mô hình trên các tập dữ liệu khác nhau.

Link to this sectionTầm quan trọng của việc giám sát Scalars#

Việc quan sát các số liệu vô hướng rất quan trọng để tinh chỉnh mô hình YOLO26. Các biến thể trong các số liệu này, chẳng hạn như đột biến hoặc các kiểu không đều trong biểu đồ loss, có thể làm nổi bật các vấn đề tiềm ẩn như overfitting, underfitting hoặc cài đặt tốc độ học không phù hợp. Bằng cách giám sát chặt chẽ các Scalars này, bạn có thể đưa ra quyết định sáng suốt để tối ưu hóa quy trình huấn luyện, đảm bảo mô hình học tập hiệu quả và đạt được hiệu suất mong muốn.

Link to this sectionSự khác biệt giữa Scalars và Time Series#

Trong khi cả Scalars và Time Series trong TensorBoard đều được sử dụng để theo dõi số liệu, chúng phục vụ các mục đích hơi khác nhau. Scalars tập trung vào việc vẽ biểu đồ các số liệu đơn giản như loss và accuracy dưới dạng các giá trị vô hướng. Chúng cung cấp cái nhìn tổng quan về cách các số liệu này thay đổi với mỗi epoch huấn luyện. Trong khi đó, phần Time Series của TensorBoard cung cấp cái nhìn dòng thời gian chi tiết hơn về các số liệu khác nhau. Nó đặc biệt hữu ích để giám sát sự tiến triển và xu hướng của các số liệu theo thời gian, cung cấp cái nhìn sâu sắc hơn về các chi tiết cụ thể của quá trình huấn luyện.

Link to this sectionGraphs#

Phần Graphs của TensorBoard trực quan hóa đồ thị tính toán của mô hình YOLO26, hiển thị cách các hoạt động và dữ liệu luân chuyển trong mô hình. Đây là một công cụ mạnh mẽ để hiểu cấu trúc của mô hình, đảm bảo rằng tất cả các lớp (layers) được kết nối chính xác và để xác định bất kỳ điểm nghẽn tiềm ẩn nào trong luồng dữ liệu. Đây là một ví dụ về những gì bạn có thể thấy.

Trực quan hóa đồ thị tính toán của TensorBoard cho mô hình YOLO

Graphs đặc biệt hữu ích để gỡ lỗi mô hình, đặc biệt là trong các kiến trúc phức tạp điển hình trong các mô hình deep learning như YOLO26. Chúng giúp xác minh các kết nối lớp và thiết kế tổng thể của mô hình.

Link to this sectionTóm tắt#

Hướng dẫn này nhằm giúp bạn sử dụng TensorBoard với YOLO26 để trực quan hóa và phân tích quá trình huấn luyện mô hình machine learning. Nó tập trung vào việc giải thích cách các tính năng chính của TensorBoard có thể cung cấp thông tin chi tiết về số liệu huấn luyện và hiệu suất mô hình trong các phiên huấn luyện YOLO26.

Để khám phá chi tiết hơn về các tính năng này và các chiến lược sử dụng hiệu quả, bạn có thể tham khảo tài liệu TensorBoard chính thức của TensorFlow và kho lưu trữ GitHub của họ.

Bạn muốn tìm hiểu thêm về các tích hợp khác nhau của Ultralytics? Hãy xem trang hướng dẫn tích hợp Ultralytics để xem những khả năng thú vị nào khác đang chờ được khám phá!

Link to this sectionCâu hỏi thường gặp#

Link to this sectionViệc sử dụng TensorBoard với YOLO26 mang lại những lợi ích gì?#

Sử dụng TensorBoard với YOLO26 cung cấp một số công cụ trực quan hóa cần thiết cho việc huấn luyện mô hình hiệu quả:

Theo dõi số liệu thời gian thực: Theo dõi các số liệu chính như loss, accuracy, precision và recall trực tiếp.
Trực quan hóa đồ thị mô hình: Hiểu và gỡ lỗi kiến trúc mô hình bằng cách trực quan hóa các đồ thị tính toán.
Trực quan hóa Embedding: Chiếu các embeddings vào các không gian có chiều thấp hơn để có cái nhìn sâu sắc hơn.

Các công cụ này cho phép bạn thực hiện các điều chỉnh sáng suốt để nâng cao hiệu suất mô hình YOLO26 của mình. Để biết thêm chi tiết về các tính năng của TensorBoard, hãy xem hướng dẫn TensorBoard của TensorFlow.

Link to this sectionLàm thế nào tôi có thể giám sát số liệu huấn luyện bằng TensorBoard khi huấn luyện mô hình YOLO26?#

Để giám sát số liệu huấn luyện khi huấn luyện mô hình YOLO26 với TensorBoard, hãy làm theo các bước sau:

Cài đặt TensorBoard và YOLO26: Chạy pip install ultralytics bao gồm cả TensorBoard.
Cấu hình ghi nhật ký TensorBoard: Trong quá trình huấn luyện, YOLO26 ghi nhật ký các số liệu vào một thư mục nhật ký đã chỉ định.
Khởi động TensorBoard: Khởi chạy TensorBoard bằng lệnh tensorboard --logdir path/to/your/tensorboard/logs.

Bảng điều khiển TensorBoard, có thể truy cập tại localhost:6006, cung cấp thông tin chi tiết thời gian thực về các số liệu huấn luyện khác nhau. Để đi sâu hơn vào các cấu hình huấn luyện, hãy truy cập hướng dẫn Cấu hình YOLO26 của chúng tôi.

Link to this sectionTôi có thể trực quan hóa những loại số liệu nào với TensorBoard khi huấn luyện các mô hình YOLO26?#

Khi huấn luyện các mô hình YOLO26, TensorBoard cho phép bạn trực quan hóa một loạt các số liệu quan trọng bao gồm:

Loss (Huấn luyện và Xác thực): Cho biết mô hình đang hoạt động như thế nào trong quá trình huấn luyện và xác thực.
Accuracy/Precision/Recall: Các số liệu hiệu suất chính để đánh giá độ chính xác của việc phát hiện.
Learning Rate: Theo dõi các thay đổi tốc độ học để hiểu tác động của nó đối với động lực học huấn luyện.
mAP (mean Average Precision): Để đánh giá toàn diện độ chính xác của object detection tại các ngưỡng IoU khác nhau.

Các hình ảnh trực quan này rất cần thiết để theo dõi hiệu suất mô hình và thực hiện các tối ưu hóa cần thiết. Để biết thêm thông tin về các số liệu này, hãy tham khảo hướng dẫn Số liệu hiệu suất của chúng tôi.

Link to this sectionTôi có thể sử dụng TensorBoard trong môi trường Google Colab để huấn luyện YOLO26 không?#

Có, bạn có thể sử dụng TensorBoard trong môi trường Google Colab để huấn luyện các mô hình YOLO26. Đây là thiết lập nhanh: