利用YOLO11 增强实验跟踪和可视化功能Weights & Biases

物体检测模型，如 Ultralytics YOLO11等物体检测模型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的模型会带来一些挑战。跟踪关键训练指标、比较模型变体、分析模型行为和检测问题都需要大量的仪器和实验管理。

观看： 如何将Ultralytics YOLO11 与Weights and Biases

本指南展示了Ultralytics YOLO11 与Weights & Biases 的集成，以增强实验跟踪、模型检查点和模型性能的可视化。本指南还包括使用Weights & Biases 交互式功能设置集成、训练、微调和结果可视化的说明。

Weights & Biases

Weights & Biases是一个先进的MLOps 平台，用于跟踪、可视化和管理机器学习实验。它具有自动记录训练指标以实现全面的实验可重复性、用于简化数据分析的交互式用户界面以及用于在各种环境中部署的高效模型管理工具。

YOLO11 培训与Weights & Biases

您可以使用Weights & Biases 为您的YOLO11 训练过程带来效率和自动化。通过集成，您可以跟踪实验、比较模型并做出数据驱动的决策，从而改进您的计算机视觉项目。

安装

要安装所需的软件包，请运行

# 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YOLO11 安装指南。在安装YOLO11 所需的软件包时，如果遇到任何困难，请查阅我们的常见问题指南，了解解决方案和技巧。

配置Weights & Biases

安装必要的软件包后，下一步是设置Weights & Biases 环境。这包括创建Weights & Biases 账户和获取必要的 API 密钥，以便顺利连接开发环境和 W&B 平台。

首先在工作区中初始化Weights & Biases 环境。运行以下命令并按照提示说明操作即可。

import wandb

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

# Initialize your Weights & Biases environment
wandb login YOUR_API_KEY

导航至Weights & Biases 授权页面，创建并获取您的 API 密钥。使用此密钥与 W&B 对您的环境进行验证。

使用方法：培训YOLO11 Weights & Biases

在使用Weights & Biases 开始YOLO11 模型培训的使用说明之前，请务必查看 Ultralytics 提供的YOLO11 模型范围。这将有助于您根据项目要求选择最合适的模型。

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")

# Train and Fine-Tune the Model
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")

# Train a YOLO11 model with Weights & Biases
yolo train data=coco8.yaml epochs=5 project=ultralytics name=yolo11n

W&B 论点

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

了解输出

运行上面的使用代码片段后，您可以得到以下主要输出结果：

• 新运行的设置及其唯一 ID，表示训练过程的开始。
• 模型结构的简明摘要，包括层数和参数。
• 在每个训练周期内定期更新重要指标，如 box loss、cls loss、dfl loss、精确度、召回率和mAP 分数。
• 训练结束后，将显示详细的指标，包括模型的推理速度和总体准确度指标。
• 与Weights & Biases 仪表板的链接，用于对培训过程进行深入分析和可视化，以及有关本地日志文件位置的信息。

查看Weights & Biases 控制面板

运行使用代码段后，您可以通过输出中提供的链接访问Weights & Biases (W&B) 面板。通过YOLO11 ，可以全面查看模型的训练过程。

Weights & Biases 控制面板的主要功能

• 实时指标跟踪：观察损失、准确率和验证分数等指标在训练过程中的变化，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 有助于微调学习率、批量大小等关键参数，从而提高YOLO11 的性能。这可以帮助您找到适合特定数据集和任务的最佳配置。

• 比较分析：该平台可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变化可提高性能至关重要。

• 训练进度可视化：通过关键指标的图形表示，可以直观地了解模型在不同时间段的表现。了解Weights & Biases 如何帮助您实现验证结果的可视化。

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

• 模型工件管理：访问和共享模型检查点，方便部署和与团队成员就复杂项目进行协作。

• 通过图像叠加查看推理结果：使用Weights & Biases 中的交互式叠加功能，在图像上可视化预测结果，从而清晰详细地查看模型在真实世界数据上的表现。有关Weights & Biases' 图像叠加功能的更多详细信息，请查看此链接。了解Weights & Biases' 图像叠加如何帮助可视化模型推论。

通过使用这些功能，您可以有效地跟踪、分析和优化YOLO11 模型的训练，确保您的物体检测任务获得最佳性能和效率。

摘要

本指南帮助您了解Ultralytics YOLO 与Weights & Biases 的集成。它展示了该集成在高效跟踪和可视化模型训练和预测结果方面的能力。利用 W&B 的强大功能，您可以简化机器学习工作流程，做出数据驱动型决策，并提高模型性能。

有关使用的更多详情，请访问Weights & Biases 的官方文档，或浏览Soumik Rakshit在YOLO VISION 2023 上有关此集成的演示。

此外，请务必查看Ultralytics 集成指南页面，了解更多有关MLflow和Comet ML 等令人兴奋的集成的信息。

常见问题

如何将Weights & Biases 与Ultralytics YOLO11 整合？

将Weights & Biases 与Ultralytics YOLO11 整合：

1. 安装所需的软件包：

   pip install -U ultralytics wandb
   yolo settings wandb=True
   

2. 登录Weights & Biases 账户：

   import wandb
   
   wandb.login(key="YOUR_API_KEY")
   

3. 在启用 W&B 日志的情况下训练YOLO11 模型：

   from ultralytics import YOLO
   
   model = YOLO("yolo11n.pt")
   model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
   

这将自动把指标、超参数和模型工件记录到 W&B 项目中。

Weights & Biases 与YOLO11 集成的主要功能是什么？

主要功能包括

• 培训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
• 通过图表直观显示培训进度
• 资源监控（CPU,GPU, 内存使用情况）
• 模型工件管理和共享
• 通过图像叠加查看推理结果

这些功能有助于跟踪实验、优化模型以及在YOLO11 项目上进行更有效的合作。

如何查看Weights & Biases YOLO11 培训仪表板？

运行与 W&B 整合的培训脚本后：

1. 控制台输出中将提供 W&B 仪表板链接。
2. 点击链接或访问wandb.ai，登录您的账户。
3. 导航至您的项目，查看详细指标、可视化效果和模型性能数据。

仪表板可让您深入了解模型的训练过程，从而有效地分析和改进YOLO11 模型。

我能否禁用Weights & Biases 登录YOLO11 培训？

可以，您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

这样，您就可以控制何时使用 W&B 日志记录，而无需修改训练脚本。

Weights & Biases 如何帮助优化YOLO11 模型？

Weights & Biases 通过以下方式帮助优化YOLO11 模型

1. 提供详细的可视化培训指标
2. 便于对不同型号进行比较
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. 便于共享模型工件和结果

这些功能有助于研究人员和开发人员更快地迭代，并根据数据做出决策，以改进他们的YOLO11 模型。

📅创建于 1 年前 ✏️已更新 1 天前

评论