Đào tạo mô hình với Ultralytics YOLO

Giới thiệu

Đào tạo một mô hình học sâu liên quan đến việc cung cấp dữ liệu và điều chỉnh các tham số của nó để nó có thể đưa ra dự đoán chính xác. Chế độ tàu trong Ultralytics YOLOv8 được thiết kế để đào tạo hiệu quả và hiệu quả các mô hình phát hiện đối tượng, sử dụng đầy đủ các khả năng phần cứng hiện đại. Hướng dẫn này nhằm mục đích bao gồm tất cả các chi tiết bạn cần để bắt đầu đào tạo các mô hình của riêng bạn bằng cách sử dụng YOLOv8Bộ tính năng mạnh mẽ của nó.

Xem: Làm thế nào để đào tạo một YOLOv8 mô hình trên Tập dữ liệu tùy chỉnh của bạn trong Google Colab.

Tại sao chọn Ultralytics YOLO để đào tạo?

Dưới đây là một số lý do thuyết phục để lựa chọn: YOLOv8Chế độ tàu hỏa:

• Hiệu quả: Tận dụng tối đa phần cứng của bạn, cho dù bạn đang thiết lập một GPU hay mở rộng trên nhiều GPU.
• Linh hoạt: Đào tạo về các bộ dữ liệu tùy chỉnh ngoài các bộ dữ liệu có sẵn như COCO, VOC và ImageNet.
• Thân thiện với người dùng: Đơn giản nhưng mạnh mẽ CLI và Python giao diện cho trải nghiệm đào tạo đơn giản.
• Tính linh hoạt của siêu tham số: Một loạt các siêu tham số có thể tùy chỉnh để tinh chỉnh hiệu suất mô hình.

Các tính năng chính của chế độ tàu

Sau đây là một số tính năng đáng chú ý của YOLOv8Chế độ tàu hỏa:

• Tải xuống tập dữ liệu tự động: Các bộ dữ liệu tiêu chuẩn như COCO, VOC và ImageNet được tải xuống tự động vào lần sử dụng đầu tiên.
• Hỗ trợ đa GPU: Mở rộng quy mô nỗ lực đào tạo của bạn một cách liền mạch trên nhiều GPU để đẩy nhanh quá trình.
• Cấu hình siêu tham số: Tùy chọn sửa đổi siêu tham số thông qua tệp cấu hình YAML hoặc CLI lập luận.
• Trực quan hóa và giám sát: Theo dõi thời gian thực các số liệu đào tạo và trực quan hóa quá trình học tập để có thông tin chi tiết tốt hơn.

Ví dụ sử dụng

Xe lửa YOLOv8n trên bộ dữ liệu COCO8 cho 100 kỷ nguyên ở kích thước hình ảnh 640. Thiết bị đào tạo có thể được chỉ định bằng cách sử dụng device lý lẽ. Nếu không có đối số nào được thông qua, GPU device=0 sẽ được sử dụng nếu có, nếu không device='cpu' sẽ được sử dụng. Xem phần Đối số bên dưới để biết danh sách đầy đủ các đối số đào tạo.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

Đào tạo đa GPU

Đào tạo đa GPU cho phép sử dụng hiệu quả hơn các tài nguyên phần cứng có sẵn bằng cách phân phối tải đào tạo trên nhiều GPU. Tính năng này có sẵn thông qua cả hai Python API và giao diện dòng lệnh. Để bật đào tạo nhiều GPU, hãy chỉ định ID thiết bị GPU bạn muốn sử dụng.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640, device=[0, 1])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1

Đào tạo Apple M1 và M2 MPS

Với sự hỗ trợ cho chip Apple M1 và M2 được tích hợp trong Ultralytics YOLO giờ đây, bạn có thể đào tạo mô hình của mình trên các thiết bị sử dụng khung Metal Performance Shader (MPS) mạnh mẽ. MPS cung cấp một cách hiệu suất cao để thực hiện các tác vụ tính toán và xử lý hình ảnh trên silicon tùy chỉnh của Apple.

Để bật đào tạo trên chip Apple M1 và M2, bạn nên chỉ định 'mps' làm thiết bị của mình khi bắt đầu quá trình đào tạo. Dưới đây là một ví dụ về cách bạn có thể làm điều này trong Python và thông qua dòng lệnh:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data='coco8.yaml', epochs=100, imgsz=640, device='mps')

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

Trong khi tận dụng sức mạnh tính toán của chip M1 / M2, điều này cho phép xử lý hiệu quả hơn các tác vụ đào tạo. Để được hướng dẫn chi tiết hơn và các tùy chọn cấu hình nâng cao, vui lòng tham khảo PyTorch Tài liệu của Bộ Công an.

Tiếp tục các khóa đào tạo bị gián đoạn

Tiếp tục đào tạo từ trạng thái đã lưu trước đó là một tính năng quan trọng khi làm việc với các mô hình học sâu. Điều này có thể hữu ích trong các tình huống khác nhau, như khi quá trình đào tạo bị gián đoạn bất ngờ hoặc khi bạn muốn tiếp tục đào tạo một mô hình với dữ liệu mới hoặc cho nhiều kỷ nguyên hơn.

Khi đào tạo được nối lại, Ultralytics YOLO Tải trọng số từ mô hình đã lưu cuối cùng và cũng khôi phục trạng thái tối ưu hóa, bộ lập lịch tốc độ học tập và số kỷ nguyên. Điều này cho phép bạn tiếp tục quá trình đào tạo liền mạch từ nơi nó bị bỏ lại.

Bạn có thể dễ dàng tiếp tục đào tạo trong Ultralytics YOLO bằng cách thiết lập resume Lập luận để True Khi gọi train phương pháp và chỉ định đường dẫn đến .pt tệp chứa trọng lượng mô hình được đào tạo một phần.

Dưới đây là ví dụ về cách tiếp tục đào tạo bị gián đoạn bằng cách sử dụng Python và thông qua dòng lệnh:

from ultralytics import YOLO

# Load a model
model = YOLO('path/to/last.pt')  # load a partially trained model

# Resume training
results = model.train(resume=True)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

Bằng cách cài đặt resume=True, các train Hàm sẽ tiếp tục đào tạo từ nơi nó dừng lại, sử dụng trạng thái được lưu trữ trong tệp 'path / to / last.pt'. Nếu resume Đối số bị bỏ qua hoặc đặt thành False, các train Chức năng sẽ bắt đầu một buổi đào tạo mới.

Hãy nhớ rằng các điểm kiểm tra được lưu vào cuối mỗi kỷ nguyên theo mặc định hoặc trong khoảng thời gian cố định bằng cách sử dụng save_period lập luận, vì vậy bạn phải hoàn thành ít nhất 1 kỷ nguyên để tiếp tục chạy đào tạo.

Cài đặt tàu

Cài đặt đào tạo cho YOLO Các mô hình bao gồm các siêu tham số và cấu hình khác nhau được sử dụng trong quá trình đào tạo. Các cài đặt này ảnh hưởng đến hiệu suất, tốc độ và độ chính xác của mô hình. Các cài đặt đào tạo chính bao gồm kích thước lô, tốc độ học tập, động lượng và giảm cân. Ngoài ra, việc lựa chọn trình tối ưu hóa, chức năng mất mát và thành phần tập dữ liệu đào tạo có thể ảnh hưởng đến quá trình đào tạo. Điều chỉnh và thử nghiệm cẩn thận với các cài đặt này là rất quan trọng để tối ưu hóa hiệu suất.

Cài đặt tăng cường và siêu tham số

Kỹ thuật tăng cường là điều cần thiết để cải thiện sự mạnh mẽ và hiệu suất của YOLO Mô hình hóa bằng cách đưa sự thay đổi vào dữ liệu đào tạo, giúp mô hình khái quát hóa tốt hơn cho dữ liệu không nhìn thấy. Bảng sau đây phác thảo mục đích và hiệu quả của mỗi đối số tăng cường:

Các cài đặt này có thể được điều chỉnh để đáp ứng các yêu cầu cụ thể của tập dữ liệu và tác vụ trong tầm tay. Thử nghiệm với các giá trị khác nhau có thể giúp tìm ra chiến lược tăng cường tối ưu dẫn đến hiệu suất mô hình tốt nhất.

Đăng nhập

Trong đào tạo một YOLOv8 Mô hình, bạn có thể thấy nó có giá trị để theo dõi hiệu suất của mô hình theo thời gian. Đây là lúc ghi nhật ký phát huy tác dụng. Ultralytics' YOLO Cung cấp hỗ trợ cho ba loại logger - Comet, ClearMLvà TensorBoard.

Để sử dụng trình ghi nhật ký, hãy chọn nó từ menu thả xuống trong đoạn mã ở trên và chạy nó. Trình ghi nhật ký đã chọn sẽ được cài đặt và khởi tạo.

Comet

Comet là một nền tảng cho phép các nhà khoa học và nhà phát triển dữ liệu theo dõi, so sánh, giải thích và tối ưu hóa các thử nghiệm và mô hình. Nó cung cấp các chức năng như số liệu thời gian thực, mã khác biệt và theo dõi siêu tham số.

Sử dụng Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

Hãy nhớ đăng nhập vào Comet tài khoản trên trang web của họ và nhận khóa API của bạn. Bạn sẽ cần thêm thông tin này vào các biến môi trường hoặc tập lệnh để ghi nhật ký thử nghiệm.

ClearML

ClearML là một nền tảng mã nguồn mở tự động theo dõi các thử nghiệm và giúp chia sẻ tài nguyên hiệu quả. Nó được thiết kế để giúp các nhóm quản lý, thực thi và tái tạo công việc ML của họ hiệu quả hơn.

Sử dụng ClearML:

# pip install clearml
import clearml

clearml.browser_login()

Sau khi chạy tập lệnh này, bạn sẽ cần đăng nhập vào ClearML tài khoản trên trình duyệt và xác thực phiên của bạn.

TensorBoard

TensorBoard là một bộ công cụ trực quan hóa cho TensorFlow. Nó cho phép bạn hình dung TensorFlow biểu đồ, vẽ số liệu định lượng về việc thực thi biểu đồ của bạn và hiển thị dữ liệu bổ sung như hình ảnh đi qua biểu đồ.

Để sử dụng TensorBoard trong Google Colab:

load_ext tensorboard
tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

Để sử dụng TensorBoard cục bộ, hãy chạy lệnh dưới đây và xem kết quả tại http://localhost:6006/.

tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

Thao tác này sẽ tải TensorBoard và hướng nó đến thư mục lưu nhật ký đào tạo của bạn.

Sau khi thiết lập trình ghi nhật ký, bạn có thể tiến hành đào tạo mô hình của mình. Tất cả các chỉ số đào tạo sẽ được tự động đăng nhập vào nền tảng bạn đã chọn và bạn có thể truy cập các nhật ký này để theo dõi hiệu suất mô hình của mình theo thời gian, so sánh các mô hình khác nhau và xác định các lĩnh vực cần cải thiện.

Ý kiến