使用 Ray Tune 和 YOLO11 进行高效的超参数调整

超参数调整对于通过发现最佳超参数集来实现最佳模型性能至关重要。这包括使用不同的超参数运行试验并评估每个试验的性能。

使用 Ultralytics YOLO11 和 Ray Tune 加速调优

Ultralytics YOLO11 结合了 Ray Tune 进行超参数调优，从而简化了 YOLO11 模型超参数的优化。借助 Ray Tune，您可以利用高级搜索策略、并行性和提前停止来加速调优过程。

Ray Tune

Ray Tune 是一个为效率和灵活性而设计的超参数调整库。它支持各种搜索策略、并行性和提前停止策略，并与包括 Ultralytics YOLO11 在内的流行机器学习框架无缝集成。

与 Weights & Biases 集成

YOLO11 还允许与 Weights & Biases 可选集成，以监控调优过程。

安装

要安装所需的软件包，请运行：

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]"

# Optionally install W&B for logging
pip install wandb

用法

from ultralytics import YOLO

# Load a YOLO11n model
model = YOLO("yolo11n.pt")

# Start tuning hyperparameters for YOLO11n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() 方法参数

字段 tune() YOLO11 中的 method 提供了一个易于使用的界面，用于使用 Ray Tune 进行超参数调整。它接受多个参数，允许您自定义调整过程。以下是每个参数的详细说明：

通过自定义这些参数，您可以微调超参数优化过程，以适应您的特定需求和可用的计算资源。

默认搜索空间描述

下表列出了 YOLO11 中使用 Ray Tune 进行超参数调优的默认搜索空间参数。每个参数都有一个由以下内容定义的特定值范围 tune.uniform().

自定义搜索空间示例

在此示例中，我们将演示如何将自定义搜索空间用于 Ray Tune 和 YOLO11 的超参数调整。通过提供自定义搜索空间，您可以将调整过程集中在感兴趣的特定超参数上。

from ray import tune

from ultralytics import YOLO

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

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-1)},
    epochs=50,
    use_ray=True,
)

在上面的代码片段中，我们使用 "yolo11n.pt" 预训练权重创建了一个 YOLO 模型。然后，我们调用 tune() method，使用 "coco8.yaml" 指定数据集配置。我们为初始学习率提供了一个自定义搜索空间 lr0 使用带有键“lr0”和值的字典 tune.uniform(1e-5, 1e-1)。最后，我们将额外的训练参数（例如 epoch 的数量）直接传递给 tune 方法，作为 epochs=50.

使用 Ray Tune 恢复中断的超参数调整会话

您可以通过传递以下参数来恢复中断的 Ray Tune 会话 resume=True。您可以选择性地传递目录 name 由 Ray Tune 在以下情况下使用 runs/{task} 恢复训练。否则，它将恢复上次中断的会话。你不需要提供 iterations 和 space 再次，但是您需要再次提供其余的训练参数，包括 data 和 epochs.

from ultralytics import YOLO

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

# Resume previous run
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Resume Ray Tune run with name 'tune_exp_2'
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

处理 Ray Tune 结果

在使用 Ray Tune 运行超参数调优实验后，您可能需要对获得的结果执行各种分析。本指南将引导您完成处理和分析这些结果的常见工作流程。

从目录加载调优实验结果

在使用以下工具运行调优实验后 tuner.fit()，您可以从目录加载结果。如果您在初始训练脚本退出后执行分析，这将特别有用。

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

基本实验级别分析

获取试验执行情况的概述。您可以快速检查试验期间是否存在任何错误。

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

基本试验级别分析

访问各个试验超参数配置和上次报告的指标。

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

绘制试验报告指标的完整历史记录

您可以绘制每次试验报告的指标历史记录，以查看指标随时间的变化情况。

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

总结

在本指南中，我们介绍了使用Ultralytics 分析用 Ray Tune 运行的实验结果的常用工作流程。关键步骤包括从目录中加载实验结果、执行基本的实验级和试验级分析以及绘制指标图。

查看 Ray Tune 的分析结果文档页面，以充分利用您的超参数调整实验，从而进行进一步探索。

常见问题

如何使用 Ray Tune 调整 YOLO11 模型的超参数？

要使用 Ray Tune 调整 Ultralytics YOLO11 模型的超参数，请按照以下步骤操作：

1. 安装所需的软件包：

   pip install -U ultralytics "ray[tune]"
   pip install wandb # optional for logging
   

2. 加载您的 YOLO11 模型并开始调优：

   from ultralytics import YOLO
   
   # Load a YOLO11 model
   model = YOLO("yolo11n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

它利用 Ray Tune 的高级搜索策略和并行性，从而高效地优化模型的超参数。更多信息，请查阅 Ray Tune 文档。

使用 Ray Tune 调整 YOLO11 的默认超参数是什么？

Ultralytics YOLO11 使用以下默认超参数，以便使用 Ray Tune 进行调整：

可以自定义这些超参数以满足您的特定需求。有关完整列表和更多详细信息，请参阅超参数调优指南。

如何将 Weights & Biases 与我的 YOLO11 模型调优集成？

要将 Weights & Biases (W&B) 与您的 Ultralytics YOLO11 调优过程集成：

1. 安装 W&B：

   pip install wandb
   

2. 修改您的调整脚本：

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo11n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

通过此设置，您可以在W&B中监视调整过程、跟踪超参数配置以及可视化结果。

为什么我应该使用 Ray Tune 和 YOLO11 进行超参数优化？

Ray Tune 为超参数优化提供了许多优势：

• 高级搜索策略： 利用贝叶斯优化和HyperOpt等算法进行高效的参数搜索。
• 并行性： 支持并行执行多个试验，从而显着加快调整过程。
• 提前停止： 采用诸如 ASHA 之类的策略，提前终止表现不佳的试验，从而节省计算资源。

Ray Tune 与 Ultralytics YOLO11 无缝集成，提供了一个易于使用的界面，可以有效地调整超参数。要开始使用，请查看超参数调整指南。

如何为 YOLO11 超参数调整定义自定义搜索空间？

要使用 Ray Tune 为您的 YOLO11 超参数调整定义自定义搜索空间：

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-1), "momentum": tune.uniform(0.6, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

这可以自定义超参数的范围，例如在调整过程中要探索的初始学习率和动量。有关高级配置，请参阅自定义搜索空间示例部分。

📅创建于 2 年前 ✏️已更新 5 天前

评论