Meet YOLO26: next-gen vision AI.

Link to this section使用 Weights & Biases 进行 YOLO 实验跟踪与可视化#

目标检测模型（如Ultralytics YOLO26）已成为许多计算机视觉应用的核心。然而，训练、评估和部署这些复杂模型面临着多重挑战。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，都需要进行大量的仪表化和实验管理。



Watch: How to use Ultralytics YOLO26 with Weights and Biases

本指南展示了 Ultralytics YOLO26 与 Weights & Biases 的集成，旨在增强实验跟踪、模型检查点保存和模型性能可视化。指南还包含配置集成、训练、微调以及利用 Weights & Biases 的交互式功能可视化结果的操作说明。

Link to this sectionWeights & Biases#

Weights and Biases experiment tracking

Weights & Biases 是一个尖端的机器学习运维（MLOps）平台，旨在跟踪、可视化和管理机器学习实验。它具有训练指标自动记录功能以实现完整的实验可重复性，提供用于简化数据分析的交互式 UI，以及用于在不同环境中进行部署的高效模型管理工具。

Link to this section使用 Weights & Biases 进行 YOLO26 训练#

你可以使用 Weights & Biases 为你的 YOLO26 训练过程带来高效与自动化。该集成允许你跟踪实验、比较模型并做出数据驱动的决策，从而改进你的计算机视觉项目。

Link to this section安装#

要安装所需的软件包，请运行：

安装
# 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。如果在安装 YOLO26 所需的软件包时遇到任何困难，请参考我们的 常见问题指南 以获取解决方案和提示。

Link to this section配置 Weights & Biases#

在安装必要软件包后，下一步是设置你的 Weights & Biases 环境。这包括创建一个 Weights & Biases 账户并获取必要的 API 密钥，以便在你的开发环境与 W&B 平台之间建立流畅的连接。

首先在你的工作空间中初始化 Weights & Biases 环境。你可以通过运行以下命令并按照提示说明进行操作来完成此步骤。

初始 SDK 设置
import wandb

# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")

前往 Weights & Biases 授权页面创建并获取你的 API 密钥。在提示时使用此密钥，以验证你的环境与 W&B 的连接。

Link to this section用法：使用 Weights & Biases 训练 YOLO26#

在深入了解使用 Weights & Biases 训练 YOLO26 模型的说明之前，请务必查看 Ultralytics 提供的系列 YOLO26 模型。这将帮助你选择最符合项目需求的模型。

用法：使用 Weights & Biases 训练 YOLO26
from ultralytics import YOLO

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

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Link to this sectionW&B 参数#

参数默认值描述
projectNone指定在本地和 W&B 中记录的项目名称。这样你可以将多个运行组合在一起。
nameNone训练运行的名称。这决定了用于创建子文件夹的名称，以及用于 W&B 日志记录的名称。
启用或禁用 Weights & Biases

如果你想在 Ultralytics 中启用或禁用 Weights & Biases 日志记录，可以使用 yolo settings 命令。默认情况下，Weights & Biases 日志记录是禁用的。

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Link to this section理解输出#

运行上述用法代码片段后，你可以预期看到以下关键输出：

  • 创建一个带有唯一 ID 的新运行，标志着训练过程的开始。
  • 模型结构的简洁摘要，包括层数和参数数量。
  • Regular updates on important metrics such as box loss, cls loss, dfl loss, precision, recall, and mAP scores during each training epoch.
  • 在训练结束时，会显示详细指标，包括模型的推理速度和整体准确率（accuracy）指标。
  • 指向 Weights & Biases 仪表板的链接，用于对训练过程进行深入分析和可视化，同时提供本地日志文件位置的信息。

Link to this section查看 Weights & Biases 仪表板#

运行使用代码片段后，你可以通过输出中提供的链接访问 Weights & Biases (W&B) 仪表板。该仪表板提供了你使用 YOLO26 进行模型训练过程的全面视图。

Link to this sectionWeights & Biases 仪表板的关键功能#

  • 实时指标跟踪：观察训练过程中损失、准确率和验证分数等指标的演变，为模型调优提供即时洞察。了解如何使用 Weights & Biases 跟踪实验。

  • 超参数优化：Weights & Biases 有助于微调关键参数，如学习率、批大小（batch size）等，从而提高 YOLO26 的性能。这有助于你为特定数据集和任务找到最优配置。

  • 比较分析：该平台允许并排比较不同的训练运行，这对评估不同模型配置的影响以及了解哪些更改改进了性能至关重要。

  • 训练进度可视化：关键指标的图形化表示提供了对模型跨轮次性能的直观理解。查看 Weights & Biases 如何帮你可视化验证结果。

  • 资源监控：跟踪 CPU、GPU 和内存使用情况，以优化训练过程的效率并识别工作流中的潜在瓶颈。

  • 模型制品管理：访问并共享模型检查点，促进复杂项目上的轻松部署和团队成员协作。

  • 使用图像叠加查看推理结果：使用 Weights & Biases 中的交互式叠加层可视化图像上的预测结果，清晰详细地展示模型在现实数据上的性能。欲了解更多详细信息，请参阅 Weights & Biases 的图像叠加功能。

通过使用这些功能，你可以有效地跟踪、分析和优化你的 YOLO26 模型训练，确保你的目标检测任务获得尽可能最佳的性能和效率。

Link to this section总结#

本指南帮助你探索了 Ultralytics YOLO 与 Weights & Biases 的集成。它说明了该集成在高效跟踪和可视化模型训练及预测结果方面的能力。通过利用 W&B 的强大功能，你可以简化你的机器学习工作流，做出数据驱动的决策，并改进模型的性能。

欲了解更多使用详情，请访问 Weights & Biases 官方文档或探索 Soumik Rakshit 关于此集成的演示文稿（来自 YOLO VISION 2023）。

此外，请务必查看 Ultralytics 集成指南页面，以了解更多关于MLflow 和 Comet ML 等令人兴奋的集成信息。

Link to this section常见问题解答#

Link to this section如何将 Weights & Biases 与 Ultralytics YOLO26 集成？#

要将 Weights & Biases 与 Ultralytics YOLO26 集成：

  1. 安装所需的包：

    pip install -U ultralytics wandb
yolo settings wandb=True

  2. 登录你的 Weights & Biases 账户：

    import wandb

wandb.login(key="YOUR_API_KEY")

  3. 在启用 W&B 日志记录的情况下训练你的 YOLO26 模型：

    from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

这将自动把指标、超参数和模型制品记录到你的 W&B 项目中。

Link to this sectionWeights & Biases 与 YOLO26 集成的关键功能有哪些？#

关键功能包括：

  • 训练期间的实时指标跟踪
  • 超参数优化工具
  • 不同训练运行的比较分析
  • 通过图表实现训练进度可视化
  • 资源监控（CPU、GPU、内存使用情况）
  • 模型制品管理与共享
  • 使用图像叠加查看推理结果

这些功能有助于在 YOLO26 项目中进行实验跟踪、模型优化以及更有效的协作。

Link to this section我该如何查看 YOLO26 训练的 Weights & Biases 仪表板？#

在运行带有 W&B 集成的训练脚本后：

  1. 控制台输出中将提供指向你的 W&B 仪表板的链接。
  2. 点击该链接或前往 wandb.ai 并登录你的账户。
  3. 导航至你的项目以查看详细指标、可视化图表和模型性能数据。

仪表板提供了对模型训练过程的洞察，使你能够有效地分析并改进你的 YOLO26 模型。

Link to this section我可以禁用 YOLO26 训练的 Weights & Biases 日志记录吗？#

可以，你可以使用以下命令禁用 W&B 日志记录：

yolo settings wandb=False

要重新启用日志记录，请使用：

yolo settings wandb=True

这允许你在不修改训练脚本的情况下控制何时使用 W&B 日志记录。

Link to this sectionWeights & Biases 如何帮助优化 YOLO26 模型？#

Weights & Biases 通过以下方式帮助优化 YOLO26 模型：

  1. 提供详细的训练指标可视化
  2. 实现不同模型版本之间的轻松比较
  3. 提供超参数调优工具
  4. 支持协作分析模型性能
  5. 促进模型制品和结果的轻松共享

这些功能帮助研究人员和开发人员更快地进行迭代，并做出数据驱动的决策以改进他们的 YOLO26 模型。

贡献者
GLglenn-jocher22RIRizwanMunawar3Y-Y-T-G2JKjk4e1MAMatthewNoyce1AMambitious-octopus1IVIvorZhu3311ABabirami-vina1

评论