Tăng cường YOLO11 Theo dõi và trực quan hóa thí nghiệm với Weights & Biases

Q: How do I integrate Weights & Biases with Ultralytics YOLO11?

Để tích hợp Weights & Biases với Ultralytics YOLO11 : Thao tác này sẽ tự động ghi lại số liệu, siêu tham số và hiện vật mô hình vào dự án W&B của bạn.

Q: What are the key features of Weights & Biases integration with YOLO11?

Các tính năng chính bao gồm: Các tính năng này giúp theo dõi các thí nghiệm, tối ưu hóa các mô hình và cộng tác hiệu quả hơn trên YOLO11 dự án.

Q: How can I view the Weights & Biases dashboard for my YOLO11 training?

Sau khi chạy tập lệnh đào tạo của bạn với tích hợp W&B: Bảng điều khiển cung cấp thông tin chi tiết về quy trình đào tạo của mô hình, cho phép bạn phân tích và cải thiện YOLO11 mô hình hiệu quả.

Q: Can I disable Weights & Biases logging for YOLO11 training?

Có, bạn có thể tắt ghi nhật ký W&B bằng lệnh sau: Để bật lại ghi nhật ký, hãy sử dụng: Lệnh này cho phép bạn kiểm soát thời điểm bạn muốn sử dụng ghi nhật ký W&B mà không cần sửa đổi tập lệnh đào tạo của mình.

Q: How does Weights & Biases help in optimizing YOLO11 models?

Weights & Biases giúp tối ưu hóa YOLO11 mô hình theo: Các tính năng này giúp các nhà nghiên cứu và nhà phát triển lặp lại nhanh hơn và đưa ra quyết định dựa trên dữ liệu để cải thiện YOLO11 mô hình.

Các mô hình phát hiện đối tượng như Ultralytics YOLO11 đã trở thành một phần không thể thiếu của nhiều ứng dụng thị giác máy tính . Tuy nhiên, việc đào tạo, đánh giá và triển khai các mô hình phức tạp này lại đặt ra một số thách thức. Theo dõi các số liệu đào tạo chính, so sánh các biến thể mô hình, phân tích hành vi mô hình và phát hiện các vấn đề đòi hỏi phải có thiết bị đo lường và quản lý thử nghiệm đáng kể.

Đồng hồ: Cách sử dụng Ultralytics YOLO11 với Weights and Biases

Hướng dẫn này giới thiệu Ultralytics YOLO11 tích hợp với Weights & Biases để theo dõi thử nghiệm nâng cao, 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, đào tạo, tinh chỉnh và trực quan hóa kết quả bằng cách sử dụng Weights & Biases ' tính năng tương tác.

Weights & Biases

Weights & Biases Tổng quan

Weights & Biases là nền tảng MLOps tiên tiến được thiết kế để theo dõi, trực quan hóa và quản lý các thí nghiệm học máy . Nó có tính năng tự động ghi lại các số liệu đào tạo để tái tạo toàn bộ thí nghiệm, 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.

YOLO11 Đào tạo với Weights & Biases

Bạn có thể sử dụng Weights & Biases mang lại hiệu quả và tự động hóa cho bạn YOLO11 quá trình đào tạo.

Cài đặt

Để cài đặt các gói cần thiết, hãy chạy:

Cài đặt

CLI

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

Để biết hướng dẫn chi tiết và các biện pháp thực hành tốt nhất liên quan đến quy trình cài đặt, hãy nhớ kiểm tra 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 Sự cố thường gặp của chúng tôi để biết giải pháp và mẹo.

Cấu hình Weights & Biases

Sau khi cài đặt các gói cần thiết, bước tiếp theo là thiết lập Weights & Biases môi trường. Điều này bao gồm việc tạo ra một Weights & Biases tài khoản 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 Weights & Biases môi trường trong không gian làm việc của bạn. Bạn có thể thực hiện việc này bằng cách chạy lệnh sau và làm theo hướng dẫn được nhắc.

Thiết lập SDK ban đầu

PythonCLI

import wandb

# Initialize your Weights & Biases environment
wandb.login(key="<API_KEY>")

# Initialize your Weights & Biases environment
wandb login <API_KEY>

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

Sử dụng: Đào tạo YOLO11 với Weights & Biases

Trước khi đi sâu vào hướng dẫn sử dụng YOLO11 đào tạo mô hình với Weights & Biases , hãy chắc chắn kiểm tra 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 dự án của bạn.

Sử dụng: Đào tạo YOLO11 với Weights & Biases

PythonCLI

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

Lập luận của W&B

Lý lẽ	Mặc định	Sự miêu tả
dự án	`None`	Chỉ định tên của dự án được ghi lại cục bộ và trong W&B. Theo cách này, bạn có thể nhóm nhiều lần chạy lại với nhau.
tên	`None`	Tên của lần chạy đào tạo. Điều này xác định tên được sử dụng để tạo 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 Weights & Biases ghi nhật ký, bạn có thể sử dụng wandb lệnh. Theo mặc định, Weights & Biases ghi nhật ký được bật.

CLI

# Enable Weights & Biases logging
wandb enabled

# Disable Weights & Biases logging
wandb disabled

Hiểu về đầu ra

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

Thiết lập một lượt chạy mới với ID duy nhất, cho biết quá trình đào tạo bắt đầu.
Tóm tắt ngắn gọn về cấu trúc của mô hình, bao gồm số lớp và tham số.
Cập nhật thường xuyên các số liệu quan trọng như mất hộp, mất cls, mất dfl, độ chính xác , độ thu hồi và điểm mAP trong mỗi giai đoạn đào tạo.
Khi kết thúc quá trình đào tạo, các số liệu chi tiết bao gồm tốc độ suy luận của mô hình và số liệu về độ chính xác tổng thể sẽ được hiển thị.
Liên kết đến Weights & Biases bảng điều khiển để phân tích chuyên sâu và trực quan hóa quá trình đào tạo, cùng với thông tin về vị trí tệp nhật ký cục bộ.

Xem Weights & Biases Bảng điều khiển

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

Các tính năng chính của Weights & Biases Bảng điều khiển

Theo dõi số liệu theo thời gian thực : Quan sát các số liệu như mất mát, độ chính xác và điểm xác thực khi chúng phát triển trong quá trình đào tạo, cung cấp thông tin chi tiết ngay lập tức để điều chỉnh mô hình. Xem cách các thí nghiệm được theo dõi bằng cách sử dụng Weights & Biases .
Tối ưu hóa siêu tham số : Weights & Biases hỗ trợ tinh chỉnh các thông số quan trọng như tốc độ học tập , quy mô lô và nhiều thông số khác, nâng cao hiệu suất của YOLO11 .
Phân tích so sánh : Nền tảng này cho phép so sánh song song các đợt đào tạo khác nhau, điều cần thiết để đánh giá tác động của nhiều cấu hình mô hình khác nhau.
Hình dung tiến trình đào tạo : Biểu diễn đồ họa của các số liệu chính cung cấp sự hiểu biết trực quan về hiệu suất của mô hình qua các thời kỳ. Xem cách Weights & Biases giúp bạn hình dung kết quả xác thực .
Giám sát tài nguyên : Theo dõi CPU , GPU và sử dụng bộ nhớ để tối ưu hóa hiệu quả của quá trình đào tạo.
Quản lý hiện vật mô hình : Truy cập và chia sẻ các điểm kiểm tra mô hình, tạo điều kiện triển khai và cộng tác dễ dàng.
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 góc nhìn rõ ràng và chi tiết về hiệu suất mô hình trên dữ liệu thực tế. Để biết thêm thông tin chi tiết về Weights & Biases 'khả năng phủ hình ảnh, hãy xem liên kết này. Xem cách lớp phủ hình ảnh của Weights & Biases giúp trực quan hóa suy luận mô hình .

Bằng cách sử dụng các tính năng này, bạn có thể theo dõi, phân tích và tối ưu hóa hiệu quả YOLO11 đào tạo mô hình, đảm bảo hiệu suất và hiệu quả tốt nhất có thể.

Bản tóm tắt

Hướng dẫn này đã giúp bạn khám phá Ultralytics YOLO tích hợp với Weights & Biases . Nó minh họa khả năng tích hợp này để theo dõi và trực quan hóa hiệu quả kết quả đào tạo và dự đoán mô hình.

Để biết thêm chi tiết về cách sử dụng, hãy truy cập tài liệu chính thức của Weights & Biases .

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

CÂU HỎI THƯỜNG GẶP

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

Để tích hợp Weights & Biases với Ultralytics YOLO11 :

Cài đặt các gói cần thiết:

pip install -U ultralytics wandb

Đăng nhập vào tài khoản của bạn Weights & Biases tài khoản:

import wandb

wandb.login(key="<API_KEY>")

Đào tạo của bạn YOLO11 mô hình có chức 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")

Thao tác này sẽ tự động ghi lại số liệu, siêu tham số và hiện vật mô hình vào dự án W&B của bạn.

Những đặc điểm chính của là gì? Weights & Biases tích hợp với YOLO11 ?

Các tính năng chính bao gồm:

Theo dõi số liệu thời gian thực trong quá trình đào tạo
Công cụ tối ưu hóa siêu tham số
Phân tích so sánh các đợt đào tạo khác nhau
Hình ảnh hóa tiến trình đào tạo thông qua biểu đồ
Giám sát tài nguyên ( CPU , GPU , sử dụng bộ nhớ)
Quản lý và chia sẻ hiện vật mô hình
Xem kết quả suy luận với lớp phủ hình ảnh

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

Làm thế nào tôi có thể xem Weights & Biases bảng điều khiển cho tôi YOLO11 đào tạo?

Sau khi chạy tập lệnh đào tạo của bạn với tích hợp W&B:

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

Bảng thông tin cung cấp thông tin chi tiết về quy trình đào tạo mô hình của bạn, cho phép bạn phân tích và cải thiện YOLO11 mô hình hiệu quả.