开始使用

借助 YOLO26 与 TensorBoard 的集成获取视觉洞察

深入了解训练流程后,理解并微调 Ultralytics YOLO26 等计算机视觉模型会更加容易。模型训练可视化有助于了解模型的学习模式、性能指标和整体行为。YOLO26 与 TensorBoard 的集成让可视化和分析更加简单,也便于你更高效、更有依据地调整模型。

本指南介绍如何将 TensorBoard 与 YOLO26 配合使用。你将了解多种可视化方式,从跟踪指标到分析模型计算图。这些工具可以帮助你更好地了解 YOLO26 模型的性能。

TensorBoard#

TensorBoard 是 TensorFlow 的可视化工具包,广泛用于机器学习实验。TensorBoard 提供了一系列用于监控机器学习模型的可视化工具,包括跟踪损失和准确率等关键指标、可视化模型图,以及查看权重和偏置随时间变化的直方图。它还支持将嵌入投影到低维空间,并显示多媒体数据。

使用 TensorBoard 训练 YOLO26#

使用 TensorBoard 训练 YOLO26 模型十分简单,而且优势显著。

安装#

要安装所需软件包,请运行:

安装
# Install YOLO26 and TensorBoard
pip install ultralytics tensorboard

TensorBoard 是可选依赖项。安装后,使用 yolo settings tensorboard=True 启用一次回调;此设置会在后续训练运行中持续生效。

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。安装 YOLO26 所需的软件包时,如果遇到任何问题,请参阅我们的常见问题指南,获取解决方案和建议。

为 Google Colab 配置 TensorBoard#

使用 Google Colab 时,请在开始运行训练代码之前设置 TensorBoard:

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

用法#

启用或停用 TensorBoard

默认情况下,TensorBoard 日志记录处于停用状态。你可以使用 yolo settings 命令启用或停用日志记录。

# Enable TensorBoard logging
yolo settings tensorboard=True

# Disable TensorBoard logging
yolo settings tensorboard=False
用法
from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolo26n.pt")

# 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

运行上面的用法代码片段后,你会看到以下输出:

TensorBoard: Start with 'tensorboard --logdir runs/detect/train', view at http://localhost:6006/

此输出表明 TensorBoard 现在正在主动监控 YOLO26 训练过程。你可以通过 localhost:6006 访问 TensorBoard 控制面板,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 会显示在运行 TensorBoard 配置命令的同一个单元格中。

如需了解更多模型训练过程的相关信息,请务必查看我们的 YOLO26 模型训练指南。如果你想进一步了解日志记录、检查点、绘图和文件管理,请阅读我们的配置使用指南。

了解 YOLO26 训练的 TensorBoard#

本节介绍 YOLO26 训练场景下 TensorBoard 的主要功能和组件。TensorBoard 的三个关键部分是时间序列、标量和图。

时间序列#

TensorBoard 的时间序列功能可以动态、详细地呈现 YOLO26 模型各项训练指标随时间的变化,重点展示各训练轮次中指标的进展和趋势。以下是你可以看到的示例。

TensorBoard 时间序列训练指标可视化

TensorBoard 时间序列的主要功能#

  • 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查看。它对于关注训练过程的特定方面尤其有用。

  • 详细指标卡片:时间序列会将指标划分为不同类别,例如学习率(lr)、训练(train)和验证(val)指标,并为每项指标显示单独的卡片。

  • 图形化展示:时间序列部分中的每张卡片都会显示某个指标在整个训练过程中的详细图表。此可视化表示有助于发现训练过程中的趋势、模式或异常。

  • 深入分析:时间序列可对每项指标进行深入分析。例如,它会显示不同的学习率区间,让你了解学习率调整会如何影响模型的学习曲线。

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。它可以让你实时跟踪指标,及时发现并解决问题。它还会详细展示每项指标的变化过程,这对于微调模型和提升模型性能至关重要。

标量#

TensorBoard 中的标量用于绘制和分析 YOLO26 模型训练期间的损失和准确率等简单指标。标量可以清晰、简洁地展示这些指标如何随每个训练轮次变化,并帮助你了解模型学习的有效性和稳定性。以下是你可以看到的示例。

显示 YOLO 训练指标的 TensorBoard 标量仪表板

TensorBoard 标量的主要功能#

  • 学习率(lr)标签:这些标签显示学习率在不同阶段的变化(例如 lr/pg0、lr/pg1、lr/pg2)。这有助于你了解调整学习率对训练过程的影响。

  • 指标标签:标量包括以下性能指标:

    • metrics/mAP50(B):平均精度均值在 50%交并比(IoU)阈值下的值,对于评估目标检测准确率至关重要。

    • metrics/mAP50-95(B):在一系列 IoU 阈值下计算的平均精度均值,可更全面地评估准确率。

    • metrics/precision(B):精确率,即正确的正类预测占所有正类预测的比例。

    • metrics/recall(B):对于漏检代价高的模型尤为重要,召回率用于衡量模型检测所有相关实例的能力。

    • 如需了解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集和验证集的指标,便于对比模型在不同数据集上的表现。

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(例如损失曲线中的尖峰或不规则模式)可能揭示潜在问题,例如过拟合、欠拟合或学习率设置不当。通过密切监控这些标量,你可以做出明智的决策来优化训练过程,确保模型有效学习并达到预期性能。

标量与时间序列的区别#

TensorBoard 中的标量和时间序列都用于跟踪指标,但用途略有不同。标量侧重于将损失和准确率等简单指标绘制为标量值,概览这些指标在每个训练轮次中的变化情况。TensorBoard 的时间序列部分则提供各种指标的详细时间线视图。它尤其适用于监控指标随时间推移的进展和趋势,让你深入了解训练过程的具体情况。

计算图#

TensorBoard 的图部分会将 YOLO26 模型的计算图可视化,展示模型内部的运算和数据流。这有助于理解模型结构、检查所有层是否正确连接,以及识别数据流中的潜在瓶颈。以下是你可以看到的示例。

YOLO 模型的 TensorBoard 计算图可视化

计算图对于调试模型尤其有用,特别是调试 YOLO26 等深度学习模型中常见的复杂架构时。计算图有助于验证层之间的连接和模型的整体设计。

总结#

本指南旨在帮助你使用 TensorBoard 可视化和分析机器学习模型训练情况。指南重点介绍 TensorBoard 的关键功能如何帮助你了解 YOLO26 训练过程中的训练指标和模型性能。

如需深入了解这些功能及其有效使用策略,请参阅 TensorFlow 官方的 TensorBoard 文档和 GitHub 仓库。

常见问题#

  • 将 TensorBoard 与 YOLO26 搭配使用,可以获得多种对高效训练模型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、精确率和召回率等关键指标。
    • 模型计算图可视化:通过可视化计算图来了解和调试模型架构。

    借助这些工具,你可以有针对性地调整模型,从而提升 YOLO26 的性能。如需详细了解 TensorBoard 的功能,请查看 TensorFlow 的 TensorBoard 指南。

  • 使用 TensorBoard 训练 YOLO26 模型并监控训练指标,请按以下步骤操作:

    1. 安装 TensorBoard 和 YOLO26:运行 pip install ultralytics tensorboard。
    2. 启用 TensorBoard 日志记录:运行 yolo settings tensorboard=True。训练期间,YOLO26 会将指标写入运行目录。
    3. 启动 TensorBoard:运行 tensorboard --logdir path/to/runs 启动 TensorBoard,并将其指向训练运行目录(例如 runs/detect/train)。

    访问 localhost:6006 即可打开 TensorBoard 仪表板,实时查看各种训练指标。如需深入了解训练配置,请访问我们的 YOLO26 配置指南。

  • 训练 YOLO26 模型时,你可以使用 TensorBoard 可视化一系列重要指标,包括:

    • 损失(训练和验证):表示模型在训练和验证期间的表现。
    • 准确率/精确率/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,了解其对训练动态的影响。
    • mAP(平均精确率):用于全面评估不同 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并进行必要的优化至关重要。如需了解这些指标的更多信息,请参阅我们的性能指标指南。

  • 可以,你可以在 Google Colab 环境中使用 TensorBoard 训练 YOLO26 模型。以下是快速设置方法:

    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
    
    # 加载预训练模型
    model = YOLO("yolo26n.pt")
    
    # 训练模型
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    TensorBoard 会在 Colab 中可视化训练进度,让你实时了解损失和准确率等指标。

评论6

提出问题、分享结果,或帮助其他人。

  1. HoseinHashemiGitHub

    I found enabling tensorboard from within the YOLO training script more comfortable reducing CLI commands.

    from ultralytics import settings
    settings.update({"tensorboard": True})
    1. Glenn JocherUltralytics

      Yes, that’s supported—settings.update({"tensorboard": True}) is a nice way to enable logging from Python (it persists in your Ultralytics settings across runs), and you can disable it later with settings.update({"tensorboard": False}); details on where logs are written and how to view them are in the TensorBoard integration guide (feel free to drop any follow-up questions here so the team can see them).

    1. Glenn JocherUltralytics(已编辑)

      @ruslanraupoff to forward TensorBoard from Docker, map the port using -p 6006:6006 when running your container and start TensorBoard with tensorboard --logdir /path/to/runs. Yes, you can use YOLO CLI for training; enable TensorBoard logging once with yolo settings tensorboard=True and the logs are saved in the run directory under runs/ for TensorBoard visualization. See our Docker Quickstart for setup details.

      1
    1. Glenn JocherUltralytics(已编辑)

      @lauravchrobak hi there!

      Thank you for pointing that out. It seems like the code snippet got truncated. Here's the complete usage example for integrating YOLO26 with TensorBoard. First enable the setting once:

      yolo settings tensorboard=True
      from ultralytics import YOLO
      
      # Load a pre-trained model
      model = YOLO("yolo26n.pt")
      
      # Train the model
      results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

      After starting the training code, start TensorBoard on the run directory printed in the log to visualize the training metrics:

      tensorboard --logdir runs/detect/train

      You can then access the TensorBoard dashboard at http://localhost:6006/ to monitor your training progress in real-time.

      For more detailed guidance, you can visit our TensorBoard integration documentation.

      If you encounter any issues, please ensure you are using the latest version of the Ultralytics package. If the problem persists, providing a minimum reproducible example would be very helpful. You can find more information on how to create one here.

      Happy training! 🚀