在 GitHub 上编辑页面 (EN)

通过 YOLO26 与 TensorBoard 的集成获取视觉洞察

当你深入了解 计算机视觉 模型（如 Ultralytics' YOLO26）的训练过程时，理解并微调这些模型会变得更加直观。模型训练可视化有助于深入洞察模型的学习模式、性能指标和整体行为。YOLO26 与 TensorBoard 的集成简化了这一可视化和分析过程，并能让你进行更高效、更明智的模型调整。

本指南涵盖了如何将 TensorBoard 与 YOLO26 结合使用。你将学习各种可视化方法，从跟踪指标到分析模型图。这些工具将帮助你更好地理解 YOLO26 模型的性能。

TensorBoard

TensorBoard training visualization dashboard

TensorBoard 是 TensorFlow 的可视化工具包，对于 机器学习 实验至关重要。TensorBoard 提供了一系列可视化工具，对于监控机器学习模型非常关键。这些工具包括跟踪损失和准确率等关键指标、可视化模型图，以及查看权重和偏差随时间变化的直方图。它还提供了将 嵌入 投影到低维空间以及显示多媒体数据的功能。

使用 TensorBoard 进行 YOLO26 训练

在训练 YOLO26 模型时使用 TensorBoard 非常简单，并且能带来显著的好处。

安装

要安装所需的包，请运行：

安装
# Install the required package for YOLO26 and Tensorboard
pip install ultralytics

TensorBoard 已预装在 YOLO26 中，无需为可视化目的进行额外的设置。

有关安装过程的详细说明和最佳实践，请务必查看我们的 YOLO26 安装指南。在安装 YOLO26 所需软件包时，如果你遇到任何困难，请参考我们的 常见问题指南 获取解决方案和建议。

为 Google Colab 配置 TensorBoard

在 Google Colab 中使用时，务必在开始训练代码之前设置好 TensorBoard：

为 Google Colab 配置 TensorBoard
%load_ext tensorboard
%tensorboard --logdir path/to/runs

使用方法

在深入了解使用说明之前，请务必查看 Ultralytics 提供的各种 YOLO26 模型。这将有助于你选择最符合项目需求的模型。

启用或禁用 TensorBoard

默认情况下，TensorBoard 日志记录是禁用的。你可以使用 yolo settings 命令来启用或禁用日志记录。

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False
使用方法
from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

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

运行上述使用代码片段后，你可以预期看到以下输出：

TensorBoard: Start with 'tensorboard --logdir path_to_your_tensorboard_logs', view at localhost:6006

此输出表明 TensorBoard 现在正在积极监控你的 YOLO26 训练会话。你可以访问 localhost:6006 的 TensorBoard 仪表板，查看实时训练指标和模型性能。对于在 Google Colab 中工作的用户，TensorBoard 将显示在你执行 TensorBoard 配置命令的同一个单元格中。

有关模型训练过程的更多信息，请务必查看我们的 YOLO26 模型训练指南。如果你有兴趣了解更多关于日志记录、检查点、绘图和文件管理的信息，请阅读我们的 配置使用指南。

了解用于 YOLO26 训练的 TensorBoard

现在，让我们重点了解在 YOLO26 训练背景下 TensorBoard 的各种功能和组件。TensorBoard 的三个关键部分是时间序列 (Time Series)、标量 (Scalars) 和图表 (Graphs)。

时间序列 (Time Series)

TensorBoard 中的时间序列功能为 YOLO26 模型的各种训练指标随时间的变化提供了动态且详细的视角。它专注于跨训练轮次的指标演变和趋势。以下是你可能会看到的示例。

TensorBoard 时间序列训练指标可视化

TensorBoard 中时间序列的关键功能

  • 筛选标签和固定卡片：此功能允许用户筛选特定指标并固定卡片，以便快速比较和访问。这对于专注于训练过程的特定方面特别有用。

  • 详细指标卡片：时间序列将指标划分为不同的类别，如 学习率 (lr)、训练 (train) 和验证 (val) 指标，每个类别由单独的卡片表示。

  • 图形显示：时间序列部分中的每张卡片都显示了特定指标在训练过程中的详细图表。这种可视化表示有助于识别训练过程中的趋势、模式或异常情况。

  • 深度分析：时间序列提供了对每个指标的深度分析。例如，显示了不同的学习率片段，提供了关于学习率调整如何影响模型学习曲线的洞察。

时间序列在 YOLO26 训练中的重要性

时间序列部分对于全面分析 YOLO26 模型的训练进度至关重要。它让你能够实时跟踪指标，以迅速识别并解决问题。它还提供了每个指标演变的详细视图，这对微调模型和提升其性能至关重要。

标量 (Scalars)

TensorBoard 中的标量对于在 YOLO26 模型训练过程中绘制和分析简单的指标（如损失和准确率）至关重要。它们提供了一个清晰简洁的视图，展示这些指标如何随着每个训练 轮次 而演变，从而深入了解模型的学习效果和稳定性。以下是你可能会看到的示例。

显示 YOLO 训练指标的 TensorBoard 标量仪表板

TensorBoard 中标量的关键功能

  • 学习率 (lr) 标签：这些标签显示了跨不同片段（例如 pg0、pg1、pg2）的学习率变化。这有助于我们了解学习率调整对训练过程的影响。

  • 指标标签：标量包含性能指标，例如：

    • mAP50 (B): Mean Average Precision at 50% Intersection over Union (IoU), crucial for assessing object detection accuracy.

    • mAP50-95 (B)：在一定范围的 IoU 阈值上计算的 平均精度均值，提供了更全面的准确率评估。

    • Precision (B)：表示正确预测的正观测值的比例，是了解预测 准确率 的关键。

    • Recall (B)：对于漏检后果严重的模型非常重要，该指标衡量了检测所有相关实例的能力。

    • 要了解有关不同指标的更多信息，请阅读我们的 性能指标指南。

  • 训练和验证标签 (train, val)：这些标签专门显示训练和验证数据集的指标，允许对跨不同数据集的模型性能进行比较分析。

监控标量的重要性

观察标量指标对于微调 YOLO26 模型至关重要。这些指标的变化，如损失图中的尖峰或不规则模式，可以突出显示潜在问题，例如 过拟合、欠拟合 或不适当的学习率设置。通过密切监控这些标量，你可以做出明智的决定来优化训练过程，确保模型有效学习并达到预期的性能。

标量与时间序列的区别

虽然 TensorBoard 中的标量和时间序列都用于跟踪指标，但它们的服务目的略有不同。标量侧重于将损失和准确率等简单指标绘制为标量值。它们提供了一个高层级的概览，展示这些指标如何随每个训练轮次而变化。与此同时，TensorBoard 的时间序列部分提供了各种指标的更详细的时间线视图。它对于监控指标随时间的进展和趋势特别有用，从而能够深入挖掘训练过程的细节。

图表 (Graphs)

TensorBoard 的图表部分可视化了 YOLO26 模型的计算图，展示了操作和数据在模型内部的流动方式。这是一个强大的工具，用于理解模型结构、确保所有层连接正确以及识别数据流中的任何潜在瓶颈。以下是你可能会看到的示例。

YOLO 模型的 TensorBoard 计算图可视化

图表对于调试模型特别有用，尤其是在 YOLO26 等 深度学习 模型中常见的复杂架构中。它们有助于验证层连接和模型的整体设计。

总结

本指南旨在帮助你使用 TensorBoard 与 YOLO26 进行机器学习模型训练的可视化和分析。它侧重于解释关键的 TensorBoard 功能如何在 YOLO26 训练会话期间提供对训练指标和模型性能的洞察。

有关这些功能的更详细探索和有效利用策略，你可以参考 TensorFlow 的官方 TensorBoard 文档 及其 GitHub 仓库。

想了解更多关于 Ultralytics 的各种集成吗？查看 Ultralytics 集成指南页面，看看还有哪些令人兴奋的功能等待被发现！

常见问题 (FAQ)

将 TensorBoard 与 YOLO26 结合使用有什么好处？

将 TensorBoard 与 YOLO26 结合使用提供了多种对高效模型训练至关重要的可视化工具：

  • 实时指标跟踪： 实时跟踪损失、准确率、精度和召回率等关键指标。
  • 模型图可视化： 通过可视化计算图来理解和调试模型架构。
  • 嵌入可视化： 将嵌入投影到低维空间以获得更好的洞察。

这些工具使你能够做出明智的调整，以增强 YOLO26 模型的性能。有关 TensorBoard 功能的更多详细信息，请查看 TensorFlow 的 TensorBoard 指南。

在训练 YOLO26 模型时，如何使用 TensorBoard 监控训练指标？

要在使用 TensorBoard 训练 YOLO26 模型时监控训练指标，请按照以下步骤操作：

  1. 安装 TensorBoard 和 YOLO26： 运行 pip install ultralytics，其中包括 TensorBoard。
  2. 配置 TensorBoard 日志记录： 在训练过程中，YOLO26 会将指标记录到指定的日志目录中。
  3. 启动 TensorBoard： 使用命令 tensorboard --logdir path/to/your/tensorboard/logs 启动 TensorBoard。

可以通过 localhost:6006 访问的 TensorBoard 仪表板提供了对各种训练指标的实时洞察。有关训练配置的更深入信息，请访问我们的 YOLO26 配置指南。

在训练 YOLO26 模型时，我可以用 TensorBoard 可视化哪些指标？

在训练 YOLO26 模型时，TensorBoard 允许你可视化一系列重要的指标，包括：

  • 损失（训练和验证）： 指示模型在训练和验证期间的表现。
  • 准确率/精度/召回率： 用于评估检测准确率的关键性能指标。
  • 学习率： 跟踪学习率变化以了解其对训练动态的影响。
  • mAP（平均精度均值）： 用于全面评估在不同 IoU 阈值下的 目标检测 准确率。

这些可视化对于跟踪模型性能和进行必要的优化至关重要。有关这些指标的更多信息，请参考我们的 性能指标指南。

我可以在 Google Colab 环境中使用 TensorBoard 训练 YOLO26 吗？

是的，你可以在 Google Colab 环境中使用 TensorBoard 来训练 YOLO26 模型。这里有一个简单的设置：

为 Google Colab 配置 TensorBoard
%load_ext tensorboard
%tensorboard --logdir path/to/runs

然后，运行 YOLO26 训练脚本：

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

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

TensorBoard 将在 Colab 中可视化训练进度，提供对损失和准确率等指标的实时洞察。有关配置 YOLO26 训练的更多详细信息，请参阅我们的详细 YOLO26 安装指南。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher15Y-Y-T-G2RIRizwanMunawar2PDpderrenger1WIWillie Maddox1MAMatthewNoyce1ABabirami-vina1

评论