Chuyển đến nội dung

Theo dõi và trực quan hóa thử nghiệm YOLO với Weights & Biases

Các mô hình phát hiện đối tượng như Ultralytics YOLO11 đã trở thành một phần không thể thiếu trong nhiều ứng dụng thị giác máy tính. Tuy nhiên, việc huấn luyện, đánh giá và triển khai các mô hình phức tạp này đặt ra một số thách thức. Việc theo dõi các số liệu huấn luyện chính, so sánh các biến thể mô hình, phân tích hành vi của mô hình và phát hiện các vấn đề đòi hỏi công cụ đo đạc và quản lý thử nghiệm đáng kể.



Xem: Cách sử dụng Ultralytics YOLO11 với Weights and Biases

Hướng dẫn này giới thiệu tích hợp Ultralytics YOLO11 với Weights & Biases để tăng cường theo dõi thử nghiệm, kiểm tra điểm mô hình và trực quan hóa hiệu suất mô hình. Nó cũng bao gồm các hướng dẫn để thiết lập tích hợp, huấn luyện, tinh chỉnh và trực quan hóa kết quả bằng các tính năng tương tác của Weights & Biases.

Weights & Biases

Tổng quan về Weights & Biases

Weights & Biases là một nền tảng MLOps tiên tiến được thiết kế để theo dõi, trực quan hóa và quản lý các thí nghiệm máy học. Nó có tính năng ghi nhật ký tự động các số liệu huấn luyện để tái tạo thí nghiệm đầy đủ, giao diện người dùng tương tác để phân tích dữ liệu hợp lý và các công cụ quản lý mô hình hiệu quả để triển khai trên nhiều môi trường khác nhau.

Huấn luyện YOLO11 với Weights & Biases

Bạn có thể sử dụng Weights & Biases để mang lại hiệu quả và tự động hóa cho quá trình huấn luyện YOLO11 của bạn. Việc tích hợp cho phép bạn theo dõi các thử nghiệm, so sánh các mô hình và đưa ra các quyết định dựa trên dữ liệu để cải thiện các dự án thị giác máy tính của bạn.

Cài đặt

Để cài đặt các gói cần thiết, hãy chạy:

Cài đặt

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

Để biết hướng dẫn chi tiết và các phương pháp hay nhất liên quan đến quy trình cài đặt, hãy nhớ xem hướng dẫn Cài đặt YOLO11 của chúng tôi. Trong khi cài đặt các gói cần thiết cho YOLO11, nếu bạn gặp bất kỳ khó khăn nào, hãy tham khảo hướng dẫn Các vấn đề thường gặp của chúng tôi để biết các giải pháp và mẹo.

Cấu hình Weights & Biases

Sau khi cài đặt các gói cần thiết, bước tiếp theo là thiết lập môi trường Weights & Biases của bạn. Điều này bao gồm việc tạo tài khoản Weights & Biases và lấy khóa API cần thiết để kết nối trơn tru giữa môi trường phát triển của bạn và nền tảng W&B.

Bắt đầu bằng cách khởi tạo môi trường Weights & Biases trong không gian làm việc của bạn. Bạn có thể thực hiện việc này bằng cách chạy lệnh sau và làm theo các hướng dẫn được nhắc.

Thiết lập SDK ban đầu

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")
# Initialize your Weights & Biases environment
wandb login YOUR_API_KEY

Điều hướng đến trang ủy quyền Weights & Biases để tạo và lấy khóa API của bạn. Sử dụng khóa này để xác thực môi trường của bạn với W&B.

Cách sử dụng: Huấn luyện YOLO11 với Weights & Biases

Trước khi đi sâu vào hướng dẫn sử dụng để huấn luyện mô hình YOLO11 với Weights & Biases, hãy nhớ xem qua phạm vi các mô hình YOLO11 do Ultralytics cung cấp. Điều này sẽ giúp bạn chọn mô hình phù hợp nhất cho các yêu cầu của dự án.

Cách sử dụng: Huấn luyện YOLO11 với Weights & Biases

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
# Train a YOLO11 model with Weights & Biases
yolo train data=coco8.yaml epochs=5 project=ultralytics name=yolo11n

Các đối số W&B

Đối số Mặc định Mô tả
project None Chỉ định tên của dự án được ghi lại cục bộ và trong W&B. Bằng cách này, bạn có thể nhóm nhiều lần chạy lại với nhau.
name None Tên của lần chạy huấn luyện. Điều này xác định tên được sử dụng để tạo các thư mục con và tên được sử dụng để ghi nhật ký W&B

Bật hoặc tắt Weights & Biases

Nếu bạn muốn bật hoặc tắt tính năng ghi nhật ký Weights & Biases trong Ultralytics, bạn có thể sử dụng yolo settings lệnh. Theo mặc định, tính năng ghi nhật ký Weights & Biases bị tắt.

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Tìm hiểu về Output

Khi chạy đoạn mã sử dụng ở trên, bạn có thể mong đợi các đầu ra chính sau:

  • Việc thiết lập một lần chạy mới với ID duy nhất của nó, cho biết sự bắt đầu của quá trình huấn luyện.
  • Tóm tắt ngắn gọn về cấu trúc của mô hình, bao gồm số lượng lớp và tham số.
  • Cập nhật thường xuyên về các số liệu quan trọng như box loss, cls loss, dfl loss, độ chính xác (precision), độ phủ (recall)điểm mAP trong mỗi epoch huấn luyện.
  • Khi quá trình huấn luyện kết thúc, các số liệu chi tiết bao gồm tốc độ suy luận của mô hình và các số liệu độ chính xác tổng thể sẽ được hiển thị.
  • Các liên kết đến bảng điều khiển Weights & Biases để phân tích chuyên sâu và trực quan hóa quá trình huấn luyện, cùng với thông tin về vị trí của tệp nhật ký cục bộ.

Xem Trang Tổng Quan Weights & Biases

Sau khi chạy đoạn mã sử dụng, bạn có thể truy cập bảng điều khiển Weights & Biases (W&B) thông qua liên kết được cung cấp trong đầu ra. Bảng điều khiển này cung cấp một cái nhìn toàn diện về quá trình huấn luyện mô hình của bạn với YOLO11.

Các tính năng chính của Bảng điều khiển Weights & Biases

  • Theo dõi số liệu theo thời gian thực: Quan sát các số liệu như loss, độ chính xác và điểm số validation khi chúng phát triển trong quá trình huấn luyện, cung cấp thông tin chi tiết ngay lập tức để điều chỉnh mô hình. Xem cách các thử nghiệm được theo dõi bằng Weights & Biases.

  • Tối Ưu Hóa Siêu Tham Số: Weights & Biases hỗ trợ tinh chỉnh các tham số quan trọng như tốc độ học, kích thước lô, v.v., nâng cao hiệu suất của YOLO11. Điều này giúp bạn tìm ra cấu hình tối ưu cho tập dữ liệu và nhiệm vụ cụ thể của bạn.

  • Phân tích so sánh: Nền tảng cho phép so sánh song song các lần chạy huấn luyện khác nhau, điều này rất cần thiết để đánh giá tác động của các cấu hình mô hình khác nhau và hiểu những thay đổi nào cải thiện hiệu suất.

  • Trực quan hóa tiến trình huấn luyện: Các biểu diễn đồ họa của các số liệu chính cung cấp một sự hiểu biết trực quan về hiệu suất của mô hình trên các epochs. Xem cách Weights & Biases giúp bạn trực quan hóa kết quả validation.

  • Giám sát tài nguyên: Theo dõi việc sử dụng CPU, GPU và bộ nhớ để tối ưu hóa hiệu quả của quá trình đào tạo và xác định các tắc nghẽn tiềm ẩn trong quy trình làm việc của bạn.

  • Quản lý Artifact Mô hình: Truy cập và chia sẻ các điểm kiểm tra mô hình, tạo điều kiện triển khai dễ dàng và cộng tác với các thành viên nhóm trong các dự án phức tạp.

  • Xem kết quả suy luận với lớp phủ hình ảnh: Trực quan hóa kết quả dự đoán trên hình ảnh bằng cách sử dụng lớp phủ tương tác trong Weights & Biases, cung cấp một cái nhìn rõ ràng và chi tiết về hiệu suất mô hình trên dữ liệu thực tế. Để biết thêm thông tin chi tiết, hãy xem khả năng lớp phủ hình ảnh của Weights & Biases.

Bằng cách sử dụng các tính năng này, bạn có thể theo dõi, phân tích và tối ưu hóa hiệu quả quá trình huấn luyện mô hình YOLO11 của mình, đảm bảo hiệu suất và hiệu quả tốt nhất có thể cho các tác vụ phát hiện đối tượng của bạn.

Tóm tắt

Hướng dẫn này đã giúp bạn khám phá tích hợp Ultralytics YOLO với Weights & Biases. Nó minh họa khả năng của tích hợp này để theo dõi và trực quan hóa hiệu quả kết quả huấn luyện và dự đoán mô hình. Bằng cách tận dụng các tính năng mạnh mẽ của W&B, bạn có thể hợp lý hóa quy trình học máy của mình, đưa ra các quyết định dựa trên dữ liệu và cải thiện hiệu suất của mô hình.

Để biết thêm chi tiết về cách sử dụng, hãy truy cập tài liệu chính thức của Weights & Biases hoặc khám phá bài thuyết trình của Soumik Rakshit từ YOLO VISION 2023 về tích hợp này.

Ngoài ra, hãy nhớ xem trang hướng dẫn tích hợp Ultralytics, để tìm hiểu thêm về các tích hợp thú vị khác nhau như MLflowComet ML.

Câu hỏi thường gặp

Làm cách nào để tích hợp Weights & Biases với Ultralytics YOLO11?

Để tích hợp Weights & Biases với Ultralytics YOLO11:

  1. Cài đặt các gói cần thiết:

    pip install -U ultralytics wandb
    yolo settings wandb=True
    
  2. Đăng nhập vào tài khoản Weights & Biases của bạn:

    import wandb
    
    wandb.login(key="YOUR_API_KEY")
    
  3. Huấn luyện mô hình YOLO11 của bạn với tính năng ghi nhật ký W&B được bật:

    from ultralytics import YOLO
    
    model = YOLO("yolo11n.pt")
    model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
    

Điều này sẽ tự động ghi lại các số liệu, siêu tham số và artifacts mô hình vào dự án W&B của bạn.

Các tính năng chính của việc tích hợp Weights & Biases với YOLO11 là gì?

Các tính năng chính bao gồm:

  • Theo dõi số liệu theo thời gian thực trong quá trình huấn luyện
  • Các công cụ tối ưu hóa siêu tham số
  • Phân tích so sánh các lần chạy huấn luyện khác nhau
  • Trực quan hóa tiến trình huấn luyện thông qua đồ thị
  • Giám sát tài nguyên (CPU, GPU, mức sử dụng bộ nhớ)
  • Quản lý và chia sẻ các thành phần mô hình
  • Xem kết quả suy luận với lớp phủ hình ảnh

Các tính năng này giúp theo dõi các thử nghiệm, tối ưu hóa mô hình và cộng tác hiệu quả hơn trong các dự án YOLO11.

Làm cách nào để xem bảng điều khiển Weights & Biases cho quá trình huấn luyện YOLO11 của tôi?

Sau khi chạy script huấn luyện của bạn với tích hợp W&B:

  1. Một liên kết đến bảng điều khiển W&B của bạn sẽ được cung cấp trong đầu ra của console.
  2. Nhấp vào liên kết hoặc truy cập wandb.ai và đăng nhập vào tài khoản của bạn.
  3. Điều hướng đến dự án của bạn để xem các số liệu chi tiết, trực quan hóa và dữ liệu hiệu suất mô hình.

Bảng điều khiển cung cấp thông tin chi tiết về quá trình huấn luyện mô hình của bạn, cho phép bạn phân tích và cải thiện các mô hình YOLO11 của mình một cách hiệu quả.

Tôi có thể tắt tính năng ghi nhật ký Weights & Biases cho quá trình huấn luyện YOLO11 không?

Có, bạn có thể tắt ghi log W&B bằng lệnh sau:

yolo settings wandb=False

Để bật lại ghi log, hãy sử dụng:

yolo settings wandb=True

Điều này cho phép bạn kiểm soát thời điểm bạn muốn sử dụng ghi log W&B mà không cần sửa đổi script huấn luyện của bạn.

Weights & Biases giúp tối ưu hóa các mô hình YOLO11 như thế nào?

Weights & Biases giúp tối ưu hóa các mô hình YOLO11 bằng cách:

  1. Cung cấp hình ảnh trực quan chi tiết về các số liệu huấn luyện
  2. Cho phép so sánh dễ dàng giữa các phiên bản mô hình khác nhau
  3. Cung cấp các công cụ để điều chỉnh siêu tham số
  4. Cho phép phân tích cộng tác về hiệu suất mô hình
  5. Tạo điều kiện chia sẻ dễ dàng các thành phần và kết quả của mô hình

Các tính năng này giúp các nhà nghiên cứu và nhà phát triển lặp lại nhanh hơn và đưa ra các quyết định dựa trên dữ liệu để cải thiện các mô hình YOLO11 của họ.



📅 Đã tạo 1 năm trước ✏️ Cập nhật 4 tháng trước

Bình luận