使用 Weights & Biases 跟踪和可视化 YOLO 实验#

像 目标检测模型（例如 Ultralytics YOLO26）已成为许多计算机视觉应用不可或缺的一部分。然而，训练、评估和部署这些复杂模型会带来多项挑战。跟踪关键训练指标、比较模型变体、分析模型行为以及检测问题，都需要大量的埋点和实验管理工作。

本指南介绍 Ultralytics YOLO26 与 Weights & Biases 的集成，帮助你更好地跟踪实验、保存模型检查点并可视化模型性能。指南还介绍如何设置集成、进行训练，以及使用 Weights & Biases 的交互功能可视化结果。

Weights & Biases#

Weights & Biases 是一款先进的 MLOps 平台，专为跟踪、可视化和管理机器学习实验而设计。它支持自动记录训练指标，确保实验完全可复现；提供交互式界面，简化数据分析；还提供高效的模型管理工具，便于在各种环境中部署模型。

使用 Weights & Biases 训练 YOLO26#

你可以使用 Weights & Biases，让 YOLO26 训练流程更高效、更自动化。通过集成，你可以跟踪实验、比较模型，并基于数据做出决策，从而改进你的计算机视觉项目。

安装#

运行以下命令安装所需的软件包：

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

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。

配置 Weights & Biases#

安装所需的软件包后，下一步是设置 Weights & Biases 环境。这包括创建 Weights & Biases 账户并获取所需的 API 密钥，以便开发环境与 W&B 平台顺畅连接。

首先，在工作区中初始化 Weights & Biases 环境。你可以运行以下命令，并按照提示完成操作。

import wandb

# 初始化你的 Weights & Biases 环境
wandb.login(key="YOUR_API_KEY")

前往 Weights & Biases 授权页面创建并获取 API 密钥。系统提示时，使用此密钥验证你的环境并连接到 W&B。

用法：使用 Weights & Biases 训练 YOLO26#

在开始了解使用 Weights & Biases 训练 YOLO26 模型的步骤之前，请先查看 Ultralytics 提供的 YOLO26 模型。这有助于你根据项目需求选择最合适的模型。

from ultralytics import YOLO

# 加载 YOLO 模型
model = YOLO("yolo26n.pt")

# 训练和微调模型
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

W&B 参数#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

了解输出#

运行上方的用法代码片段后，你会看到以下关键输出：

• 新运行已创建并分配唯一 ID，表示训练过程已开始。
• 简明的模型结构摘要，包括层数和参数数量。
• 每个训练轮次期间，都会定期更新 box loss、cls loss、box-distance loss、精确率、召回率和 mAP 分数等重要指标。
• 训练结束时会显示详细指标，包括模型推理速度和整体准确率指标。
• 提供指向 Weights & Biases 信息中心的链接，便于深入分析和可视化训练过程，并提供本地日志文件位置的信息。

查看 Weights & Biases 信息中心#

运行用法代码片段后，你可以通过输出中提供的链接访问 Weights & Biases (W&B) 信息中心。此信息中心全面展示了 YOLO26 模型的训练过程。

Weights & Biases 信息中心的主要功能#

• 实时指标跟踪：观察 loss、准确率和验证分数等指标在训练过程中的变化，及时获取模型调优的参考信息。查看如何使用 Weights & Biases 跟踪实验。

• 超参数优化：Weights & Biases 可帮助你微调学习率、批量大小等关键参数，提升 YOLO26 的性能。这有助于你为特定数据集和任务找到最佳配置。

• 对比分析：该平台支持并排比较不同的训练运行，这对于评估各种模型配置的影响以及了解哪些更改能提升性能至关重要。

• 训练进度可视化：通过关键指标的图形化展示，直观了解模型在各轮训练中的表现。了解 Weights & Biases 如何帮助你可视化验证结果。

• 资源监控：跟踪 CPU、GPU 和内存使用情况，以优化训练流程的效率，并发现工作流中潜在的瓶颈。

• 模型制品管理：访问和共享模型检查点，便于部署，并支持团队成员在复杂项目中协作。

借助这些功能，你可以有效跟踪、分析和优化 YOLO26 模型的训练，确保模型在目标检测任务中达到尽可能好的性能和效率。

总结#

本指南帮助你了解 Ultralytics YOLO 与 Weights & Biases 的集成，并展示了该集成如何高效跟踪和可视化模型训练及预测结果。借助 W&B 的强大功能，你可以简化机器学习工作流、基于数据做出决策，并提升模型性能。

如需了解更多用法详情，请访问 Weights & Biases 官方文档，或查看 Soumik Rakshit 在 YOLO VISION 2023 上关于此集成的演讲。

此外，请查看 Ultralytics 集成指南页面，了解更多精彩集成，例如 MLflow 和 Comet ML。

常见问题#