Khám phá thông tin trực quan với YOLO26 tích hợp TensorBoard#

Việc hiểu và tinh chỉnh các model thị giác máy tính như YOLO26 của Ultralytics trở nên đơn giản hơn khi bạn xem xét kỹ quy trình huấn luyện của chúng. Trực quan hóa quá trình huấn luyện model giúp bạn hiểu rõ các kiểu học, metric hiệu năng và hành vi tổng thể của model. Việc YOLO26 tích hợp TensorBoard giúp đơn giản hóa quá trình trực quan hóa và phân tích này, 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, là công cụ thiết yếu cho các thử nghiệm học máy. TensorBoard cung cấp nhiều công cụ trực quan hóa, rất quan trọng để theo dõi các model học máy. Các công cụ này bao gồm theo dõi những metric chính như loss và độ chính xác, trực quan hóa đồ thị model và xem histogram của trọng số cũng như bias theo thời gian. TensorBoard còn hỗ trợ 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:

# 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, điều quan trọng là phải thiết lập TensorBoard trước khi chạy mã huấn luyện:

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

Cách sử dụng#

Trước khi tìm hiểu hướng dẫn sử dụng, hãy xem qua các model YOLO26 do Ultralytics cung cấp. Điều này sẽ giúp bạn chọn model phù hợp nhất với yêu cầu dự án.

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False

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 theo dõi phiên huấn luyện YOLO26 của bạn. Bạn có thể truy cập dashboard TensorBoard tại localhost:6006 để xem metric huấn luyện và hiệu năng model theo thời gian thực. Với người dùng làm việc trên Google Colab, TensorBoard sẽ hiển thị trong cùng ô nơi bạn 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#

Bây giờ, hãy tìm hiểu các tính năng và thành phần khác nhau của TensorBoard trong bối cảnh huấn luyện YOLO26. Ba phần chính của TensorBoard là Chuỗi thời gian, Scalars và Đồ thị.

Chuỗi thời gian#

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

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 rất quan trọng để biểu diễn và phân tích các metric đơn giản như loss và độ chính xác trong quá trình huấn luyện model YOLO26. Scalars cung cấp góc nhìn rõ ràng, súc tích về sự thay đổi của các metric này qua từng epoch huấn luyện, qua đó cho thấy hiệu quả học và độ ổn định của model. Dưới đây là ví dụ về những gì bạn có thể thấy.

Các tính năng chính của Scalars trong TensorBoard#

• Thẻ Learning Rate (lr): Các thẻ này hiển thị mức biến thiên của learning rate qua các giai đoạn khác nhau (ví dụ: lr/pg0, lr/pg1, lr/pg2). Qua đó, chúng ta có thể hiểu được tác động 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 (Precision) tại mức 50% Intersection over Union (IoU), rất quan trọng để đánh giá độ chính xác của phát hiện đối tượng.

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

  • metrics/precision(B): Cho biết tỷ lệ các dự đoán dương tính được xác định chính xác, một chỉ số quan trọng để hiểu về độ chính xác của dự đoán.

  • metrics/recall(B): Quan trọng với các model mà việc bỏ sót đối tượng phát hiện gây ảnh hưởng đáng kể; chỉ số này đo lường khả năng phát hiện tất cả các đối tượng 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#

Phần Đồ thị của TensorBoard trực quan hóa đồ thị tính toán của model YOLO26, cho thấy cách các phép toán và dữ liệu luân chuyển bên trong model. Đây là công cụ mạnh mẽ giúp hiểu cấu trúc model, đảm bảo tất cả các layer được kết nối chính xác và xác định các điểm nghẽn tiềm ẩn trong luồng dữ liệu. Dưới đây là ví dụ về nội dung bạn có thể thấy.

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.

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

Câu hỏi thường gặp#