Bắt đầu

Khám phá thông tin trực quan với YOLO26 tích hợp TensorBoard

Việc tìm hiểu và tinh chỉnh model thị giác máy tính như Ultralytics YOLO26 sẽ đơn giản hơn khi xem xét kỹ quy trình huấn luyện. Trực quan hóa quá trình huấn luyện model giúp nắm bắt các mẫu học, chỉ số hiệu năng và hành vi tổng thể của model. Khả năng tích hợp YOLO26 với TensorBoard giúp việc trực quan hóa và phân tích dễ dàng hơn, đồng thời cho phép điều chỉnh model hiệu quả và có cơ sở hơn.

Hướng dẫn này trình bày cách sử dụng TensorBoard với YOLO26. Bạn sẽ tìm hiểu về nhiều hình thức trực quan hóa khác nhau, từ theo dõi metric đến phân tích đồ thị model. Các công cụ này sẽ giúp bạn hiểu rõ hơn về hiệu năng của model YOLO26.

TensorBoard#

TensorBoard, bộ công cụ trực quan hóa của TensorFlow, được sử dụng rộng rãi trong các thử nghiệm machine learning. TensorBoard cung cấp nhiều công cụ trực quan hóa để giám sát model machine learning. Các công cụ này bao gồm theo dõi những chỉ số quan trọng như loss và độ chính xác, trực quan hóa đồ thị model, cũng như xem histogram của trọng số và bias theo thời gian. TensorBoard còn có khả năng chiếu embedding vào không gian có số chiều thấp hơn và hiển thị dữ liệu đa phương tiện.

Huấn luyện YOLO26 với TensorBoard#

Sử dụng TensorBoard trong khi huấn luyện model YOLO26 rất đơn giản và mang lại nhiều lợi ích đáng kể.

Cài đặt#

Để cài đặt package cần thiết, hãy chạy:

Cài đặt
# Install YOLO26 and TensorBoard
pip install ultralytics tensorboard

TensorBoard là dependency tùy chọn. Sau khi cài đặt, hãy bật callback một lần bằng yolo settings tensorboard=True; cài đặt này sẽ được duy trì cho các lần chạy huấn luyện tiếp theo.

Để xem hướng dẫn chi tiết và các phương pháp tối ưu liên quan đến quá trình cài đặt, hãy tham khảo hướng dẫn cài đặt YOLO26. Nếu gặp khó khăn khi cài đặt các package cần thiết cho YOLO26, hãy xem hướng dẫn về các vấn đề thường gặp để tìm giải pháp và mẹo xử lý.

Cấu hình TensorBoard cho Google Colab#

Khi sử dụng Google Colab, hãy thiết lập TensorBoard trước khi chạy mã huấn luyện:

Cấu hình TensorBoard cho Google Colab
%load_ext tensorboard
%tensorboard --logdir path/to/runs

Cách sử dụng#

Bật hoặc tắt TensorBoard

Theo mặc định, tính năng ghi log của TensorBoard bị tắt. Bạn có thể bật hoặc tắt tính năng ghi log bằng lệnh yolo settings.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False
Cách sử dụng
from ultralytics import YOLO

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

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

Khi chạy đoạn mã sử dụng ở trên, bạn có thể thấy đầu ra như sau:

TensorBoard: Start with 'tensorboard --logdir runs/detect/train', view at http://localhost:6006/

Kết quả này cho biết TensorBoard hiện đang chủ động giám sát phiên huấn luyện YOLO26 của bạn. Bạn có thể truy cập dashboard TensorBoard tại localhost:6006 để xem các chỉ số huấn luyện và hiệu năng model theo thời gian thực. Với người dùng Google Colab, TensorBoard sẽ hiển thị trong cùng ô mà bạn đã chạy các lệnh cấu hình TensorBoard.

Để biết thêm thông tin về quy trình huấn luyện model, hãy xem hướng dẫn Huấn luyện model YOLO26 của chúng tôi. Nếu bạn muốn tìm hiểu thêm về ghi log, checkpoint, biểu đồ và quản lý tệp, hãy đọc hướng dẫn sử dụng về cấu hình của chúng tôi.

Tìm hiểu TensorBoard trong quá trình huấn luyện YOLO26#

Phần này giải thích các tính năng và thành phần chính của TensorBoard trong bối cảnh huấn luyện YOLO26. Ba mục chính của TensorBoard là Time Series, Scalars và Graphs.

Chuỗi thời gian#

Tính năng Time Series trong TensorBoard cung cấp góc nhìn linh hoạt và chi tiết về nhiều chỉ số huấn luyện theo thời gian đối với model YOLO26. Tính năng này tập trung vào tiến trình và xu hướng của các chỉ số qua từng epoch huấn luyện. Dưới đây là ví dụ về những gì bạn có thể thấy.

Trực quan hóa metric huấn luyện chuỗi thời gian trong TensorBoard

Các tính năng chính của Chuỗi thời gian trong TensorBoard#

  • Lọc thẻ và ghim thẻ thông tin: Chức năng này cho phép người dùng lọc các metric cụ thể và ghim thẻ thông tin để dễ dàng so sánh cũng như truy cập. Tính năng này đặc biệt hữu ích khi tập trung vào các khía cạnh cụ thể của quy trình huấn luyện.

  • Thẻ metric chi tiết: Chuỗi thời gian chia metric thành các danh mục khác nhau như tốc độ học (lr), metric huấn luyện (train) và metric xác thực (val), mỗi danh mục được biểu thị bằng một thẻ riêng.

  • Hiển thị đồ thị: Mỗi thẻ trong phần Chuỗi thời gian hiển thị đồ thị chi tiết của một metric cụ thể trong suốt quá trình huấn luyện. Biểu diễn trực quan này giúp xác định xu hướng, kiểu mẫu hoặc điểm bất thường trong quy trình huấn luyện.

  • Phân tích chuyên sâu: Chuỗi thời gian cung cấp phân tích chuyên sâu cho từng metric. Ví dụ: các giai đoạn khác nhau của tốc độ học được hiển thị, giúp bạn hiểu việc điều chỉnh tốc độ học ảnh hưởng như thế nào đến đường cong học của model.

Tầm quan trọng của Chuỗi thời gian trong quá trình huấn luyện YOLO26#

Phần Chuỗi thời gian rất cần thiết để phân tích toàn diện tiến trình huấn luyện model YOLO26. Phần này cho phép bạn theo dõi metric theo thời gian thực để nhanh chóng xác định và khắc phục sự cố. Phần này cũng cung cấp góc nhìn chi tiết về diễn tiến của từng metric, yếu tố rất quan trọng để tinh chỉnh model và cải thiện hiệu năng.

Scalars#

Scalars trong TensorBoard được dùng để vẽ biểu đồ và phân tích các chỉ số đơn giản như loss và độ chính xác trong quá trình huấn luyện model YOLO26. Scalars cho thấy rõ ràng, ngắn gọn sự thay đổi của các chỉ số qua từng epoch huấn luyện, giúp đánh giá hiệu quả và độ ổn định của quá trình học của model. Dưới đây là ví dụ về những gì bạn có thể thấy.

Bảng điều khiển scalar của TensorBoard hiển thị các chỉ số huấn luyện YOLO

Các tính năng chính của Scalars trong TensorBoard#

  • Thẻ Learning Rate (lr): Các thẻ này cho thấy sự thay đổi của learning rate qua những giai đoạn khác nhau (ví dụ: lr/pg0, lr/pg1, lr/pg2). Nhờ đó, bạn có thể hiểu ảnh hưởng của việc điều chỉnh learning rate đến quá trình huấn luyện.

  • Thẻ Metrics: Scalars bao gồm các chỉ số hiệu suất như:

    • metrics/mAP50(B): Độ chính xác trung bình trung bình tại mức Intersection over Union (IoU) 50%, rất quan trọng để đánh giá độ chính xác của phát hiện đối tượng.

    • metrics/mAP50-95(B): Độ chính xác trung bình trung bình được tính trên một dải ngưỡng IoU, cung cấp đánh giá toàn diện hơn về độ chính xác.

    • metrics/precision(B): Precision của các kết quả phát hiện, tức tỷ lệ dự đoán dương tính là chính xác.

    • metrics/recall(B): Quan trọng với các model mà việc bỏ sót một đối tượng cần phát hiện gây hậu quả lớn, recall đo lường khả năng phát hiện tất cả các trường hợp liên quan.

    • Để tìm hiểu thêm về các metrics khác nhau, hãy đọc hướng dẫn về metrics hiệu suất của chúng tôi.

  • Thẻ huấn luyện và validation (train, val): Các thẻ này hiển thị metrics riêng cho tập dữ liệu huấn luyện và validation, cho phép so sánh hiệu suất của model trên các tập dữ liệu khác nhau.

Tầm quan trọng của việc theo dõi Scalars#

Việc theo dõi các metrics scalar rất quan trọng để tinh chỉnh model YOLO26. Những biến động trong các metrics này, chẳng hạn như các đỉnh đột biến hoặc mẫu bất thường trên biểu đồ loss, có thể chỉ ra những vấn đề tiềm ẩn như overfitting, underfitting hoặc thiết lập learning rate không phù hợp. Theo dõi sát các scalar này giúp bạn đưa ra quyết định sáng suốt để tối ưu hóa quá trình huấn luyện, đảm bảo model học hiệu quả và đạt được hiệu suất mong muốn.

Sự khác nhau giữa Scalars và Time Series#

Cả Scalars và Time Series trong TensorBoard đều được dùng để theo dõi metrics, nhưng phục vụ các mục đích hơi khác nhau. Scalars tập trung biểu diễn các metrics đơn giản như loss và độ chính xác dưới dạng giá trị scalar. Chúng cung cấp cái nhìn tổng quan về sự thay đổi của các metrics này qua mỗi epoch huấn luyện. Trong khi đó, phần time-series của TensorBoard cung cấp chế độ xem dòng thời gian chi tiết hơn cho nhiều metrics. Phần này đặc biệt hữu ích để theo dõi tiến trình và xu hướng của metrics theo thời gian, giúp tìm hiểu sâu hơn về các chi tiết của quá trình huấn luyện.

Đồ thị#

Mục Graphs trong TensorBoard trực quan hóa đồ thị tính toán của model YOLO26, cho thấy các phép toán và luồng dữ liệu bên trong model. Mục này giúp bạn hiểu cấu trúc của model, kiểm tra xem tất cả các lớp đã được kết nối đúng cách chưa và xác định các nút thắt cổ chai tiềm ẩn trong luồng dữ liệu. Dưới đây là ví dụ về những gì bạn có thể thấy.

Trực quan hóa đồ thị tính toán TensorBoard cho model YOLO

Đồ thị đặc biệt hữu ích khi gỡ lỗi model, nhất là với các kiến trúc phức tạp thường thấy trong model deep learning như YOLO26. Đồ thị giúp xác minh kết nối giữa các layer và thiết kế tổng thể của model.

Tóm tắt#

Hướng dẫn này giúp bạn sử dụng TensorBoard với YOLO26 để trực quan hóa và phân tích quá trình huấn luyện model machine learning. Nội dung tập trung giải thích cách các tính năng chính của TensorBoard cung cấp thông tin chuyên sâu về metrics huấn luyện và hiệu suất model trong các phiên huấn luyện YOLO26.

Để tìm hiểu chi tiết hơn về các tính năng này và cách sử dụng hiệu quả, bạn có thể tham khảo tài liệu TensorBoard chính thức của TensorFlow và kho GitHub của họ.

Câu hỏi thường gặp#

  • Sử dụng TensorBoard với YOLO26 cung cấp một số công cụ trực quan hóa thiết yếu giúp huấn luyện model hiệu quả:

    • Theo dõi metrics theo thời gian thực: Theo dõi trực tiếp các metrics chính như loss, độ chính xác, precision và recall.
    • Trực quan hóa đồ thị model: Tìm hiểu và gỡ lỗi kiến trúc model thông qua trực quan hóa đồ thị tính toán.

    Các công cụ này giúp bạn đưa ra những điều chỉnh sáng suốt nhằm cải thiện hiệu suất model YOLO26. Để biết thêm chi tiết về các tính năng của TensorBoard, hãy xem hướng dẫn TensorBoard của TensorFlow.

  • Để theo dõi metrics huấn luyện bằng TensorBoard trong khi huấn luyện model YOLO26, hãy làm theo các bước sau:

    1. Cài đặt TensorBoard và YOLO26: Chạy pip install ultralytics tensorboard.
    2. Bật ghi log TensorBoard: Chạy yolo settings tensorboard=True. Trong quá trình huấn luyện, YOLO26 ghi metrics vào thư mục của lần chạy.
    3. Khởi chạy TensorBoard: Chạy TensorBoard bằng tensorboard --logdir path/to/runs, trỏ đến thư mục của lần chạy huấn luyện (ví dụ: runs/detect/train).

    Bảng điều khiển TensorBoard, có thể truy cập tại localhost:6006, cung cấp thông tin chuyên sâu theo thời gian thực về nhiều metrics huấn luyện. Để tìm hiểu sâu hơn về cấu hình huấn luyện, hãy truy cập hướng dẫn cấu hình YOLO26 của chúng tôi.

  • Khi huấn luyện model YOLO26, TensorBoard cho phép bạn trực quan hóa nhiều metrics quan trọng, bao gồm:

    • Loss (huấn luyện và validation): Cho biết mức độ hoạt động của model trong quá trình huấn luyện và validation.
    • Độ chính xác/Precision/Recall: Các chỉ số hiệu năng quan trọng để đánh giá độ chính xác của phát hiện.
    • Learning Rate: Theo dõi thay đổi của learning rate để hiểu tác động của nó đến động lực huấn luyện.
    • mAP (độ chính xác trung bình): Dùng để đánh giá toàn diện độ chính xác của phát hiện đối tượng tại nhiều ngưỡng IoU.

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

  • Có, bạn có thể sử dụng TensorBoard trong môi trường Google Colab để huấn luyện model YOLO26. Dưới đây là cách thiết lập nhanh:

    Cấu hình TensorBoard cho Google Colab
    %load_ext tensorboard
    %tensorboard --logdir path/to/runs

    Sau đó, chạy script huấn luyện YOLO26:

    from ultralytics import YOLO
    
    # Tải model pretrained
    model = YOLO("yolo26n.pt")
    
    # Huấn luyện model
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    TensorBoard sẽ trực quan hóa tiến trình huấn luyện trong Colab, cung cấp thông tin chuyên sâu theo thời gian thực về các chỉ số như loss và độ chính xác.

Bình luận6

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.

  1. HoseinHashemiGitHub

    I found enabling tensorboard from within the YOLO training script more comfortable reducing CLI commands.

    from ultralytics import settings
    settings.update({"tensorboard": True})
    1. Glenn JocherUltralytics

      Yes, that’s supported—settings.update({"tensorboard": True}) is a nice way to enable logging from Python (it persists in your Ultralytics settings across runs), and you can disable it later with settings.update({"tensorboard": False}); details on where logs are written and how to view them are in the TensorBoard integration guide (feel free to drop any follow-up questions here so the team can see them).

    1. Glenn JocherUltralytics(đã chỉnh sửa)

      @ruslanraupoff to forward TensorBoard from Docker, map the port using -p 6006:6006 when running your container and start TensorBoard with tensorboard --logdir /path/to/runs. Yes, you can use YOLO CLI for training; enable TensorBoard logging once with yolo settings tensorboard=True and the logs are saved in the run directory under runs/ for TensorBoard visualization. See our Docker Quickstart for setup details.

      1
    1. Glenn JocherUltralytics(đã chỉnh sửa)

      @lauravchrobak hi there!

      Thank you for pointing that out. It seems like the code snippet got truncated. Here's the complete usage example for integrating YOLO26 with TensorBoard. First enable the setting once:

      yolo settings tensorboard=True
      from ultralytics import YOLO
      
      # Load a pre-trained model
      model = YOLO("yolo26n.pt")
      
      # Train the model
      results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

      After starting the training code, start TensorBoard on the run directory printed in the log to visualize the training metrics:

      tensorboard --logdir runs/detect/train

      You can then access the TensorBoard dashboard at http://localhost:6006/ to monitor your training progress in real-time.

      For more detailed guidance, you can visit our TensorBoard integration documentation.

      If you encounter any issues, please ensure you are using the latest version of the Ultralytics package. If the problem persists, providing a minimum reproducible example would be very helpful. You can find more information on how to create one here.

      Happy training! 🚀