使用 Ray Tune 和 YOLO26 进行高效超参数调优

超参数调优对于通过寻找最优超参数组合来达到模型最佳性能至关重要。这涉及运行具有不同超参数的试验并评估每次试验的性能。

使用 Ultralytics YOLO26 和 Ray Tune 加速调优

Ultralytics YOLO26 集成了 Ray Tune 用于超参数调优，简化了 YOLO26 模型超参数的优化过程。借助 Ray Tune，你可以利用先进的搜索策略、并行计算和提前停止机制来加快调优过程。

Ray Tune

Ray Tune 是一个专为高效和灵活设计的超参数调优库。它支持多种搜索策略、并行计算和提前停止策略，并能与流行的 机器学习 框架无缝集成，包括 Ultralytics YOLO26。

与 Weights & Biases 集成

YOLO26 还允许可选地与 Weights & Biases 集成，以监控调优过程。

安装

要安装所需的包，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 YOLO26n model
model = YOLO("yolo26n.pt")

# Start tuning hyperparameters for YOLO26n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() 方法参数

在 tune() YOLO26 中的方法为使用 Ray Tune 进行超参数调优提供了一个简单易用的界面。它接受多个参数，让你能够自定义调优过程。下面是每个参数的详细说明：

通过自定义这些参数，你可以根据自己的特定需求和可用的计算资源微调超参数优化过程。

默认搜索空间说明

下表列出了 YOLO26 中使用 Ray Tune 进行超参数调优的默认搜索空间参数。每个参数都有一个特定的数值范围，由 tune.uniform().

自定义搜索空间示例

在此示例中，我们演示了如何为 Ray Tune 和 YOLO26 的超参数调优使用自定义搜索空间。通过提供自定义搜索空间，你可以将调优过程聚焦于感兴趣的特定超参数。

from ray import tune

from ultralytics import YOLO

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

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-2)},
    epochs=50,
    use_ray=True,
)

在上面的代码片段中，我们使用 "yolo26n.pt" 预训练权重创建了一个 YOLO 模型。然后，我们调用 tune() 方法，指定数据集配置为 "coco8.yaml"。我们为初始学习率 lr0 提供了一个自定义搜索空间，使用键 "lr0" 和值 tune.uniform(1e-5, 1e-2)。最后，我们将额外的训练参数（例如 epoch 数）直接作为 epochs=50.

传递给 tune 方法。

搜索算法示例mode="max"。如果 search_alg你可以按名称选择 Ray Tune 搜索策略。对于基于字符串的搜索算法，Ultralytics 将自动使用当前任务的默认优化指标和 BasicVariantGenerator.

from ultralytics import YOLO

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

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg="optuna",
    use_ray=True,
)

将字符串 `search_alg` 与 `model.tune()` 一起使用

from ray.tune.search.optuna import OptunaSearch

from ultralytics import YOLO

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

# Define a searcher
searcher = OptunaSearch(
    metric="metrics/mAP50-95(B)",
    mode="max",
)

result_grid = model.tune(
    data="coco8.yaml",
    epochs=50,
    search_alg=searcher,
    use_ray=True,
)

将 `OptunaSearch` 对象与 `model.tune()` 一起使用

恢复被中断的 Ray Tune 超参数调优会话resume=True 来恢复中断的超参数调优会话。你可以选择传递在 name你可以通过传递 runs/{task} Ray Tune 在 iterations 和 space 下使用的参数来恢复中断的 Ray Tune 会话。否则，它将恢复最后一次中断的会话。你不需要再次提供 data 和 epochs.

from ultralytics import YOLO

# Define a YOLO model
model = YOLO("yolo26n.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)

，但你需要再次提供其余的训练参数，包括

处理 Ray Tune 结果

在使用 Ray Tune 运行超参数调优实验后，你可能希望对获得的结果进行各种分析。本指南将带你了解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tuner.fit()在使用

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()

运行调优实验后，你可以从目录加载结果。这非常有用，特别是如果你是在初始训练脚本退出后进行分析。

基础实验级分析

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

获取试验执行情况的概览。你可以快速检查试验期间是否出现任何错误。

基础试验级分析

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

访问单个试验的超参数配置和最后报告的指标。

绘制试验报告指标的完整历史记录

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

你可以绘制每个试验的报告指标历史记录，以查看指标随时间的演变情况。

在本指南中，我们介绍了使用 Ultralytics 运行 Ray Tune 实验结果分析的常见工作流程。关键步骤包括从目录加载实验结果、执行基础的实验级和试验级分析，以及绘制指标图表。通过查看 Ray Tune 的 分析结果

FAQ

文档页面进行深入探索，以充分利用你的超参数调优实验。

如何使用 Ray Tune 调整我的 YOLO26 模型超参数？

1. 。它在 Windows 或 macOS 上不可用。

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

2. 要使用 Ray Tune 调整你的 Ultralytics YOLO26 模型超参数，请按照以下步骤操作：

   from ultralytics import YOLO
   
   # Load a YOLO26 model
   model = YOLO("yolo26n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)

加载你的 YOLO26 模型并开始调优：这利用了 Ray Tune 的高级搜索策略和并行计算来高效优化模型的超参数。有关更多信息，请查阅 .

Ray Tune 文档

使用 Ray Tune 进行 YOLO26 调优的默认超参数是什么？

这些超参数可以根据你的特定需求进行定制。有关完整列表和更多详细信息，请参阅 超参数调优 指南。

我该如何将Weights & Biases集成到我的YOLO26模型调优中？

要将Weights & Biases (W&B) 集成到你的Ultralytics YOLO26调优流程中，请执行以下操作：

1. 安装W&B：

   pip install wandb

2. 修改你的调优脚本：

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo26n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)

此设置将使你能够监控调优过程、跟踪超参数配置，并在W&B中可视化结果。

为什么我应该使用Ray Tune进行YOLO26的超参数优化？

Ray Tune为超参数优化提供了众多优势：

• 高级搜索策略： 利用诸如 Bayesian Optimization 和HyperOpt等算法进行高效的参数搜索。
• 并行计算： 支持多个试验的并行执行，显著加快调优过程。
• 提前停止： 采用如ASHA等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 YOLO26无缝集成，提供了一个易于使用的接口来有效地调优超参数。要开始使用，请查看 超参数调优 指南。

我该如何为YOLO26超参数调优定义自定义搜索空间？

要通过Ray Tune为你的YOLO26超参数调优定义自定义搜索空间，请执行以下操作：

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-2), "momentum": tune.uniform(0.7, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

这可以自定义在调优过程中需要探索的超参数范围，例如初始学习率和动量。有关高级配置，请参阅 自定义搜索空间示例 部分找到。