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、交互式用户界面以简化数据分析，以及高效的模型管理工具以用于在各种环境中部署。

YOLO11 培训与Weights & Biases

您可以使用Weights & Biases 为您的YOLO11 培训流程带来效率和自动化。

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

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="<API_KEY>")

# Initialize your Weights & Biases environment
wandb login <API_KEY>

导航至Weights & Biases 授权页面，创建并获取您的 API 密钥。使用此密钥向 W&B 验证您的环境。

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
wandb enabled

# Disable Weights & Biases logging
wandb disabled

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 可帮助微调学习率、批量大小等关键参数，从而提高YOLO11 的性能。

• 比较分析：该平台可对不同的训练运行进行并排比较，这对评估各种模型配置的影响至关重要。

• 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 和内存使用情况，优化培训过程的效率。

• 模型工件管理：访问和共享模型检查点，方便部署和协作。

• 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，确保最佳的性能和效率。

摘要

本指南可帮助您探索Ultralytics YOLO 与Weights & Biases 的集成。它说明了该集成可有效跟踪和可视化模型训练和预测结果的能力。

有关使用的更多详情，请访问Weights & Biases' 官方文档。

此外，请务必查看Ultralytics 集成指南页面，了解更多不同的精彩集成。

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

1. 登录Weights & Biases 账户：

import wandb

wandb.login(key="<API_KEY>")

1. 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：

wandb disabled

要重新启用日志记录，请使用

wandb enabled

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。

📅 11 个月前创建✏️ 2 个月前更新

评论