在 GitHub 上编辑页面 (EN)

使用 Weights & Biases 进行 YOLO 实验跟踪与可视化

Object detection models like Ultralytics YOLO26 have become integral to many computer vision applications. However, training, evaluating, and deploying these complex models introduce several challenges. Tracking key training metrics, comparing model variants, analyzing model behavior, and detecting issues require significant instrumentation and experiment management.



Watch: How to use Ultralytics YOLO26 with Weights and Biases

本指南展示了 Ultralytics YOLO26 与 Weights & Biases 的集成，以增强实验跟踪、模型检查点管理和模型性能可视化。其中还包含了设置集成、训练、微调以及使用 Weights & Biases 交互式功能可视化结果的说明。

Weights & Biases

Weights and Biases experiment tracking

Weights & Biases 是一款尖端的 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以实现全面的实验可重复性，提供用于简化数据分析的交互式 UI，并具备用于在各种环境中部署的高效模型管理工具。

使用 Weights & Biases 进行 YOLO26 训练

你可以使用 Weights & Biases 为你的 YOLO26 训练过程带来效率与自动化。通过此集成，你可以跟踪实验、比较模型，并做出数据驱动的决策，从而改善你的 计算机视觉 项目。

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。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。

配置 Weights & Biases

在安装必要的包之后，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和 W&B 平台之间建立顺利的连接。

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。

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。在系统提示时使用此密钥，以验证你的环境与 W&B 的连接。

用法：使用 Weights & Biases 训练 YOLO26

在深入了解使用 Weights & Biases 进行 YOLO26 模型训练的说明之前，请务必查看 Ultralytics 提供的 YOLO26 系列模型。这将帮助你为项目需求选择最合适的模型。

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")

W&B 参数

参数默认值描述
projectNone指定本地和 W&B 中记录的项目名称。这样你可以将多个运行分组在一起。
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 日志记录处于禁用状态。

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

理解输出

运行上述用法代码片段后，你可以期待获得以下关键输出：

  • 设置一个带有唯一 ID 的新运行，表示训练过程的开始。
  • 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.
  • 训练结束时，会显示详细的指标，包括模型的推理速度和整体 准确率 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，以及关于本地日志文件位置的信息。

查看 Weights & Biases 仪表板

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) 仪表板。此仪表板提供了使用 YOLO26 进行模型训练过程的全面视图。

Weights & Biases 仪表板的关键功能

  • 实时指标跟踪：观察损失、准确率和验证分数等指标在训练期间的变化，为模型调整提供即时见解。查看如何使用 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 等，从而提升 YOLO26 的性能。这有助于你找到针对特定数据集和任务的最佳配置。

  • 比较分析：该平台允许对不同的训练运行进行并排比较，这对于评估各种模型配置的影响以及了解哪些更改能够提高性能至关重要。

  • 训练进度可视化：关键指标的图形表示提供了对模型跨 epoch 性能的直观理解。查看 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，促进团队成员之间在复杂项目上的轻松部署与协作。

  • 通过图像覆盖查看推理结果：在 Weights & Biases 中使用交互式覆盖图来可视化图像上的预测结果，清晰详细地展示模型在真实数据上的性能。有关更多详细信息，请参阅 Weights & Biases 的 图像覆盖功能。

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 任务获得最佳的性能和效率。

总结

本指南帮助你探索了 Ultralytics YOLO 与 Weights & Biases 的集成。它说明了该集成能够高效跟踪和可视化模型训练及预测结果的能力。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，并提高模型的性能。

有关用法的更多详细信息，请访问 Weights & Biases 官方文档 或浏览 Soumik Rakshit 关于此集成的演讲（来自 YOLO VISION 2023）。

此外，请务必查看 Ultralytics 集成指南页面，了解更多令人兴奋的集成，例如 MLflow 和 Comet ML。

常见问题 (FAQ)

如何将 Weights & Biases 与 Ultralytics YOLO26 集成？

要将 Weights & Biases 与 Ultralytics YOLO26 集成：

  1. 安装所需的软件包：

    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")

这将自动将指标、超参数和模型制品记录到你的 W&B 项目中。

Weights & 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的可视化
  • 资源监控（CPU、GPU、内存使用情况）
  • 模型制品管理与共享
  • 通过图像覆盖查看推理结果

这些功能有助于跟踪实验、优化模型，并更有效地在 YOLO26 项目上进行协作。

我该如何查看 YOLO26 训练的 Weights & Biases 仪表板？

在使用 W&B 集成运行训练脚本后：

  1. 控制台输出中将提供指向你的 W&B 仪表板的链接。
  2. 点击链接或转到 wandb.ai 并登录你的账户。
  3. 导航到你的项目，查看详细的指标、可视化和模型性能数据。

仪表板提供了对模型训练过程的深入见解，使你能够有效地分析和改进你的 YOLO26 模型。

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

这使你能够在不修改训练脚本的情况下控制何时使用 W&B 日志记录。

Weights & 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 超参数调整 工具
  4. 允许对模型性能进行协作分析
  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者更快地迭代，并做出数据驱动的决策来改进他们的 YOLO26 模型。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher21RIRizwanMunawar3Y-Y-T-G2JKjk4e1MAMatthewNoyce1AMambitious-octopus1IVIvorZhu3311ABabirami-vina1

评论