Link to this sectionTheo dõi và trực quan hóa thực nghiệm YOLO với Weights & Biases#

Các mô hình nhận diện đối tượng như Ultralytics YOLO26 đã trở thành thành phần thiết yếu trong nhiều ứng dụng thị giác máy tính. Tuy nhiên, việc huấn luyện, đánh giá và triển khai các mô hình phức tạp này mang lại nhiều thách thức. Việc theo dõi các chỉ số huấn luyện quan trọng, so sánh các biến thể mô hình, phân tích hành vi mô hình và phát hiện các vấn đề đòi hỏi quy trình đo đạc và quản lý thực nghiệm đáng kể.

Hướng dẫn này giới thiệu khả năng tích hợp Ultralytics YOLO26 với Weights & Biases để nâng cao hiệu quả theo dõi thực nghiệm, lưu checkpoint mô hình và trực quan hóa hiệu suất mô hình. Hướng dẫn cũng bao gồm các chỉ dẫn thiết lập tích hợp, huấn luyện, tinh chỉnh (fine-tuning) và trực quan hóa kết quả bằng cách sử dụng các tính năng tương tác của Weights & Biases.

Link to this sectionWeights & Biases#

Weights & Biases là một nền tảng MLOps tiên tiến được thiết kế để theo dõi, trực quan hóa và quản lý các thực nghiệm học máy. Nền tảng này hỗ trợ tự động ghi lại các chỉ số huấn luyện để đảm bảo khả năng tái lập thực nghiệm đầy đủ, giao diện người dùng tương tác để phân tích dữ liệu hiệu quả và các công cụ quản lý mô hình tối ưu cho việc triển khai trên nhiều môi trường khác nhau.

Link to this sectionHuấn luyện YOLO26 với Weights & Biases#

Bạn có thể sử dụng Weights & Biases để mang lại hiệu quả và tự động hóa cho quy trình huấn luyện YOLO26 của mình. Việc tích hợp cho phép bạn theo dõi các thực nghiệm, so sánh các mô hình và đưa ra quyết định dựa trên dữ liệu để cải thiện các dự án thị giác máy tính của bạn.

Link to this sectionCài đặt#

Để cài đặt các gói cần thiết, hãy chạy:

# 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 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 Weights & Biases#

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

Hãy bắt đầu bằng việc khởi tạo môi trường Weights & Biases trong không gian làm việc của bạn. Bạn có thể thực hiện điều này bằng cách chạy lệnh sau và làm theo các chỉ dẫn hiển thị trên màn hình.

import wandb

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

Điều hướng đến trang xác thực Weights & Biases để tạo và truy xuất API key của bạn. Sử dụng key này khi được nhắc để xác thực môi trường của bạn với W&B.

Link to this sectionCách sử dụng: Huấn luyện YOLO26 với Weights & Biases#

Trước khi đi sâu vào hướng dẫn sử dụng cho việc huấn luyện mô hình YOLO26 với Weights & Biases, hãy đảm bảo bạn đã tham khảo các mô hình YOLO26 do Ultralytics cung cấp. Điều này sẽ giúp bạn chọn mô hình phù hợp nhất với yêu cầu dự án của mình.

from ultralytics import YOLO

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

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Link to this sectionCác tham số W&B#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Link to this sectionTìm hiểu về đầu ra#

Sau khi chạy đoạn mã sử dụng phía trên, bạn có thể nhận được các kết quả chính sau đây:

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

Link to this sectionXem bảng điều khiển 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 kết quả đầu ra. Bảng điều khiển này cung cấp cái nhìn toàn diện về quá trình huấn luyện mô hình của bạn với YOLO26.

Link to this sectionCác tính năng chính của bảng điều khiển Weights & Biases#

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

• Tối ưu hóa siêu tham số (Hyperparameter Optimization): Weights & Biases hỗ trợ tinh chỉnh các tham số quan trọng như tốc độ học, batch size, v.v., giúp tăng cường hiệu suất của YOLO26. Điều này giúp bạn tìm ra cấu hình tối ưu cho tập dữ liệu và tác vụ cụ thể của mình.

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

• Trực quan hóa tiến trình huấn luyện: Các biểu đồ đại diện cho các chỉ số quan trọng cung cấp sự hiểu biết trực quan về hiệu suất của mô hình qua các epoch. Xem cách Weights & Biases giúp bạn trực quan hóa kết quả validation.

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

• Quản lý các Artifact của mô hình: Truy cập và chia sẻ các checkpoint mô hình, tạo điều kiện thuận lợi cho việc triển khai và cộng tác với các thành viên trong nhóm trên các dự án phức tạp.

• Xem kết quả suy luận với Image Overlay: Trực quan hóa kết quả dự đoán trên hình ảnh bằng các lớp phủ tương tác trong Weights & Biases, cung cấp 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 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 YOLO26, đảm bảo hiệu suất tốt nhất có thể cho các tác vụ nhận diện đối tượng của bạn.

Link to this sectionTóm tắt#

Hướng dẫn này đã giúp bạn khám phá khả năng tích hợp Ultralytics YOLO với Weights & Biases. Nó minh họa khả năng của sự tích hợp này trong việc theo dõi và trực quan hóa hiệu quả quá trình huấn luyện và kết quả dự đoán của 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 quyết định dựa trên dữ liệu và cải thiện hiệu suất mô hình của mình.

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 sự tích hợp này.

Ngoài ra, hãy đảm bảo kiểm tra trang hướng dẫn tích hợp của Ultralytics, để tìm hiểu thêm về các tích hợp thú vị khác như MLflow và Comet ML.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionLàm thế nào để tích hợp Weights & Biases với Ultralytics YOLO26?#

Để tích hợp Weights & Biases với Ultralytics YOLO26:

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 YOLO26 của bạn với tính năng ghi nhật ký W&B được bật:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

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

Link to this sectionCác tính năng chính của việc tích hợp Weights & Biases với YOLO26 là gì?#

Các tính năng chính bao gồm:

• Theo dõi chỉ số theo thời gian thực trong quá trình huấn luyện
• Các công cụ tối ưu hóa siêu tham số
• Phân tích so sánh các lượt huấn luyện khác nhau
• Trực quan hóa tiến trình huấn luyện thông qua biểu đồ
• Giám sát tài nguyên (sử dụng CPU, GPU, bộ nhớ)
• Quản lý và chia sẻ các artifact mô hình
• Xem kết quả suy luận với image overlay

Những tính năng này hỗ trợ việc theo dõi thực nghiệm, tối ưu hóa mô hình và cộng tác hiệu quả hơn trên các dự án YOLO26.

Link to this sectionLàm thế nào để xem bảng điều khiển Weights & Biases cho quá trình huấn luyện YOLO26 của tôi?#

Sau khi chạy tập lệnh huấn luyện với tích hợp W&B:

1. Một liên kết đến bảng điều khiển W&B của bạn sẽ được cung cấp trong kết quả đầu ra của bảng điều khiển (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 chỉ số 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 YOLO26 một cách hiệu quả.

Link to this sectionTôi có thể tắt tính năng ghi nhật ký Weights & Biases cho quá trình huấn luyện YOLO26 không?#

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

yolo settings wandb=False

Để bật lại ghi nhật ký, hãy sử dụng:

yolo settings wandb=True

Điều này cho phép bạn kiểm soát thời điểm bạn muốn sử dụng tính năng ghi nhật ký W&B mà không cần sửa đổi tập lệnh huấn luyện của mình.

Link to this sectionWeights & Biases giúp tối ưu hóa các mô hình YOLO26 như thế nào?#

Weights & Biases hỗ trợ tối ưu hóa các mô hình YOLO26 bằng cách:

1. Cung cấp các trực quan hóa chi tiết về các chỉ số huấn luyện
2. Cho phép so sánh dễ dàng giữa các phiên bản mô hình khác nhau
3. Cung cấp các công cụ cho tinh chỉnh siêu tham số
4. Cho phép phân tích hợp tác về hiệu suất mô hình
5. Tạo điều kiện chia sẻ dễ dàng các artifact mô hình và kết quả

Những tính năng này giúp các nhà nghiên cứu và lập trình viên lặp lại nhanh hơn và đưa ra các quyết định dựa trên dữ liệu để cải thiện các mô hình YOLO26 của họ.