Đào tạo mô hình với Ultralytics YOLO

Giới thiệu

Đào tạo một mô hình học sâu bao gồm 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 đào tạo trong Ultralytics YOLO11 được thiết kế để đào tạo hiệu quả và hiệu suất các mô hình phát hiện đối tượng, tận dụng tối đa 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 YOLO11 's có bộ tính năng mạnh mẽ.

Đồng hồ: Làm thế nào để đào tạo một YOLO mô hình trên Bộ dữ liệu tùy chỉnh của bạn trong Google Hợp tác.

Tại sao chọn Ultralytics YOLO để đào tạo?

Dưới đây là một số lý do thuyết phục để lựa chọn YOLO11 Chế độ tàu hỏa:

• Hiệu quả: Tận dụng tối đa phần cứng của bạn, cho dù bạn chỉ sử dụng một máy GPU thiết lập hoặc mở rộng trên nhiều GPU.
• Tính linh hoạt: Đào tạo trên các tập dữ liệu tùy chỉnh ngoài các tập 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 trực quan.
• Tính linh hoạt của siêu tham số: Một loạt các siêu tham số có thể tùy chỉnh để tinh chỉnh hiệu suất của mô hình.

Các tính năng chính của chế độ Train

Sau đây là một số tính năng đáng chú ý của YOLO11 Chế độ tàu hỏa:

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

Ví dụ sử dụng

Đào tạo YOLO11n trên tập dữ liệu COCO8 trong 100 thời đại ở kích thước hình ảnh 640. Thiết bị đào tạo có thể được chỉ định bằng cách sử dụng device đối số. 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 Lập luận bên dưới để biết danh sách đầy đủ các lập luận đào tạo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.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=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.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=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

Đa- GPU Đào tạo

Đa- GPU đào tạo 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 Python API và giao diện dòng lệnh. Để kích hoạt đa GPU đào tạo, chỉ định GPU ID thiết bị bạn muốn sử dụng.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640 device=0,1

Apple Silicon MPS Đào tạo

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

Để kích hoạt đào tạo trên chip silicon của Apple, bạn nên chỉ định ' mps ' như thiết bị của bạn khi bắt đầu quá trình đào tạo. Dưới đây là một ví dụ về cách bạn có thể thực hiện điều này trong Python và thông qua dòng lệnh:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Trong khi tận dụng sức mạnh tính toán của chip silicon Apple, điều này cho phép xử lý hiệu quả hơn các tác vụ đào tạo. Để biết hướng dẫn chi tiết hơn và các tùy chọn cấu hình nâng cao, vui lòng tham khảo tài liệu PyTorch MPS .

Tiếp tục các buổi 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 nhiều tình huống khác nhau, chẳng hạn như khi quá trình đào tạo bị gián đoạn đột ngột hoặc khi bạn muốn tiếp tục đào tạo một mô hình với dữ liệu mới hoặc trong nhiều kỷ nguyên hơn.

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

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

Dưới đây là một ví dụ về cách tiếp tục quá trình 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 thiết lập resume=True, các train chức năng 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 được đặt thành False, các train chức năng này sẽ bắt đầu một phiên đào tạo mới.

Hãy nhớ rằng các điểm kiểm tra được lưu vào cuối mỗi kỷ nguyên theo mặc định hoặc theo các 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 huấn luyện.

Cài đặt tàu hỏa

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

Cài đặt tăng cường và siêu tham số

Các kỹ thuật tăng cường là cần thiết để cải thiện độ bền và hiệu suất của YOLO mô hình bằng cách đưa sự thay đổi vào dữ liệu đào tạo , giúp mô hình tổng quát hóa tốt hơn đối với dữ liệu chưa biết. Bảng sau đây phác thảo mục đích và hiệu ứng của từng đối số tăng cường:

Những thiết lập này có thể được điều chỉnh để đáp ứng các yêu cầu cụ thể của tập dữ liệu và nhiệm 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.

Ghi nhật ký

Trong đào tạo một YOLO11 mô hình, bạn có thể thấy việc theo dõi hiệu suất của mô hình theo thời gian là rất có giá trị. Đây chính là lúc việc ghi nhật ký phát huy tác dụng. Ultralytics ' YOLO cung cấp hỗ trợ cho ba loại trình ghi nhật ký - Comet , ClearML và TensorBoard.

Để sử dụng trình ghi nhật ký, hãy chọn trình ghi nhật ký đó từ menu thả xuống trong đoạn mã ở trên và chạy trình ghi nhật ký đó. 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 dữ liệu và nhà phát triển theo dõi, so sánh, giải thích và tối ưu hóa các thí nghiệm và mô hình. Nó cung cấp các chức năng như số liệu thời gian thực, sự khác biệt về mã và theo dõi siêu tham số.

Để sử dụng Comet :

# pip install comet_ml
import comet_ml

comet_ml.init()

Nhớ đăng nhập vào tài khoản của bạn Comet tài khoản trên trang web của họ và lấy khóa API của bạn. Bạn sẽ cần thêm khóa này vào biến môi trường hoặc tập lệnh của mình để ghi lại các thử nghiệm của bạn.

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 hiện và tái tạo công việc ML của họ hiệu quả hơn.

Để sử dụng ClearML :

# pip install clearml
import clearml

clearml.browser_login()

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

Bảng TensorBoard

TensorBoard là một bộ công cụ trực quan hóa cho TensorFlow . Nó cho phép bạn trực quan hóa TensorFlow biểu đồ, vẽ các số liệu định lượng về quá trình thực hiện 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 bên dưới và xem kết quả tại http://localhost:6006/ .

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

Thao tác này sẽ tải TensorBoard và chuyển hướng 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. Tất cả số liệu đào tạo sẽ được tự động ghi lại trong nền tảng bạn chọn và bạn có thể truy cập các nhật ký này để theo dõi hiệu suất của mô hình theo thời gian, so sánh các mô hình khác nhau và xác định các lĩnh vực cần cải thiện.

CÂU HỎI THƯỜNG GẶP

Làm thế nào để tôi đào tạo một mô hình phát hiện đối tượng bằng cách sử dụng Ultralytics YOLO11 ?

Để đào tạo một mô hình phát hiện đối tượng bằng cách sử dụng Ultralytics YOLO11 , bạn có thể sử dụng Python API hoặc CLI . Dưới đây là ví dụ cho cả hai:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Để biết thêm chi tiết, hãy tham khảo phần Cài đặt tàu .

Những đặc điểm chính của là gì? Ultralytics YOLO11 Chế độ tàu hỏa?

Các tính năng chính của Ultralytics YOLO11 Chế độ Train bao gồm:

• Tải xuống bộ dữ liệu tự động: Tự động tải xuống các bộ dữ liệu chuẩn như COCO, VOC và ImageNet.
• Hỗ trợ nhiều GPU : Mở rộng quy mô đào tạo trên nhiều GPU để xử lý nhanh hơn.
• Cấu hình siêu tham số: Tùy chỉnh siêu tham số thông qua các tệp YAML hoặc CLI lập luận.
• Trực quan hóa và giám sát: Theo dõi số liệu đào tạo theo thời gian thực để có cái nhìn sâu sắc hơn.

Những tính năng này giúp việc đào tạo hiệu quả và tùy chỉnh theo nhu cầu của bạn. Để biết thêm chi tiết, hãy xem phần Các tính năng chính của Chế độ đào tạo .

Làm thế nào để tôi tiếp tục đào tạo từ một phiên bị gián đoạn trong Ultralytics YOLO11 ?

Để tiếp tục đào tạo từ một phiên bị gián đoạn, hãy đặt resume lập luận cho True và chỉ định đường dẫn đến điểm kiểm tra đã lưu cuối cùng.

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

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

yolo train resume model=path/to/last.pt

Kiểm tra phần Tiếp tục đào tạo bị gián đoạn để biết thêm thông tin.

Tôi có thể tập luyện không? YOLO11 mô hình trên chip silicon của Apple?

Đúng, Ultralytics YOLO11 hỗ trợ đào tạo trên chip silicon của Apple sử dụng Metal Performance Shaders ( MPS ) khung. Chỉ định ' mps ' như một thiết bị luyện tập của bạn.

from ultralytics import YOLO

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

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Để biết thêm chi tiết, hãy tham khảo phần Đào tạo Apple Silicon MPS .

Cài đặt đào tạo phổ biến là gì và tôi cấu hình chúng như thế nào?

Ultralytics YOLO11 cho phép bạn cấu hình nhiều thiết lập đào tạo khác nhau như kích thước lô, tốc độ học, kỷ nguyên và nhiều hơn nữa thông qua các đối số. Sau đây là tổng quan ngắn gọn:

Để biết hướng dẫn chi tiết về cài đặt đào tạo, hãy xem phần Cài đặt đào tạo .

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 1 tháng

Bình luận