Suivi et visualisation des expériences YOLO avec Weights & Biases

Les modèles de détection d'objets tels que Ultralytics YOLO11 sont devenus essentiels à de nombreuses applications de vision par ordinateur. Cependant, l'entraînement, l'évaluation et le déploiement de ces modèles complexes posent plusieurs défis. Le suivi des métriques d'entraînement clés, la comparaison des variantes de modèles, l'analyse du comportement des modèles et la détection des problèmes nécessitent une instrumentation et une gestion des expériences importantes.

Regarder : Comment utiliser Ultralytics YOLO11 avec Weights and Biases

Ce guide présente l'intégration d'Ultralytics YOLO11 avec Weights & Biases pour un suivi amélioré des expériences, la création de points de contrôle de modèles et la visualisation des performances du modèle. Il comprend également des instructions pour configurer l'intégration, l'entraînement, le réglage fin et la visualisation des résultats à l'aide des fonctionnalités interactives de Weights & Biases.

Weights & Biases

Weights & Biases est une plateforme MLOps de pointe conçue pour le suivi, la visualisation et la gestion des expériences d'apprentissage automatique. Elle comprend l'enregistrement automatique des métriques d'entraînement pour une reproductibilité complète des expériences, une interface utilisateur interactive pour une analyse des données rationalisée et des outils de gestion des modèles efficaces pour le déploiement dans divers environnements.

Entraînement de YOLO11 avec Weights & Biases

Vous pouvez utiliser Weights & Biases pour apporter efficacité et automatisation à votre processus d'entraînement YOLO11. L'intégration vous permet de suivre les expériences, de comparer les modèles et de prendre des décisions basées sur les données pour améliorer vos projets de vision par ordinateur.

Installation

Pour installer les packages requis, exécutez :

# 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

Pour obtenir des instructions détaillées et les meilleures pratiques relatives au processus d'installation, consultez notre guide d'installation de YOLO11. Lors de l'installation des packages requis pour YOLO11, si vous rencontrez des difficultés, consultez notre guide des problèmes courants pour obtenir des solutions et des conseils.

Configuration de Weights & Biases

Après avoir installé les packages nécessaires, l'étape suivante consiste à configurer votre environnement Weights & Biases. Cela comprend la création d'un compte Weights & Biases et l'obtention de la clé API nécessaire pour une connexion fluide entre votre environnement de développement et la plateforme W&B.

Commencez par initialiser l'environnement Weights & Biases dans votre espace de travail. Vous pouvez le faire en exécutant la commande suivante et en suivant les instructions.

import wandb

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

# Initialize your Weights & Biases environment
wandb login YOUR_API_KEY

Accédez à la page d'autorisation Weights & Biases pour créer et récupérer votre clé API. Utilisez cette clé pour authentifier votre environnement avec W&B.

Utilisation : Entraînement de YOLO11 avec Weights & Biases

Avant de plonger dans les instructions d'utilisation pour l'entraînement du modèle YOLO11 avec Weights & Biases, assurez-vous de consulter la gamme de modèles YOLO11 proposés par Ultralytics. Cela vous aidera à choisir le modèle le plus approprié pour les exigences de votre projet.

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

Arguments W&B

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Comprendre la sortie

Après avoir exécuté l'extrait de code d'utilisation ci-dessus, vous pouvez vous attendre aux principaux résultats suivants :

• La configuration d'une nouvelle exécution avec son ID unique, indiquant le début du processus d'entraînement.
• Un résumé concis de la structure du modèle, incluant le nombre de couches et de paramètres.
• Mises à jour régulières sur les métriques importantes telles que la perte de boîte, la perte de cls, la perte de dfl, la précision, le rappel et les scores mAP pendant chaque époque d'entraînement.
• À la fin de l'entraînement, des métriques détaillées, incluant la vitesse d'inférence du modèle et les métriques globales de précision, sont affichées.
• Liens vers le tableau de bord Weights & Biases pour une analyse approfondie et une visualisation du processus d'entraînement, ainsi que des informations sur les emplacements des fichiers journaux locaux.

Affichage du tableau de bord Weights & Biases

Après avoir exécuté l'extrait de code d'utilisation, vous pouvez accéder au tableau de bord Weights & Biases (W&B) via le lien fourni dans la sortie. Ce tableau de bord offre une vue complète du processus d'entraînement de votre modèle avec YOLO11.

Principales fonctionnalités du tableau de bord Weights & Biases

• Suivi des métriques en temps réel : observez les métriques telles que la perte, la précision et les scores de validation au fur et à mesure de leur évolution pendant l'entraînement, offrant des informations immédiates pour le réglage du modèle. Découvrez comment les expériences sont suivies à l'aide de Weights & Biases.

• Optimisation des Hyperparamètres : Weights & Biases aide à affiner les paramètres critiques tels que le taux d'apprentissage, la taille des lots, et plus encore, améliorant ainsi les performances de YOLO11. Cela vous aide à trouver la configuration optimale pour votre ensemble de données et votre tâche spécifiques.

• Analyse comparative : La plateforme permet des comparaisons côte à côte de différentes exécutions d'entraînement, essentielles pour évaluer l'impact de diverses configurations de modèle et comprendre quelles modifications améliorent les performances.

• Visualisation de la progression de l'entraînement : les représentations graphiques des métriques clés fournissent une compréhension intuitive des performances du modèle à travers les époques. Découvrez comment Weights & Biases vous aide à visualiser les résultats de la validation.

• Surveillance des ressources : Gardez une trace de l’utilisation du CPU, du GPU et de la mémoire pour optimiser l’efficacité du processus d’entraînement et identifier les goulots d’étranglement potentiels dans votre flux de travail.

• Gestion des artefacts de modèle : Accédez et partagez les points de contrôle du modèle, facilitant ainsi le déploiement et la collaboration avec les membres de l'équipe sur des projets complexes.

• Affichage des résultats de l'inférence avec superposition d'images : Visualisez les résultats de la prédiction sur les images à l'aide de superpositions interactives dans Weights & Biases, offrant une vue claire et détaillée des performances du modèle sur des données réelles. Pour plus d'informations, consultez les fonctionnalités de superposition d'images de Weights & Biases.

En utilisant ces fonctionnalités, vous pouvez suivre, analyser et optimiser efficacement l'entraînement de votre modèle YOLO11, garantissant ainsi les meilleures performances et l'efficacité possible pour vos tâches de détection d'objets.

Résumé

Ce guide vous a aidé à explorer l'intégration d'Ultralytics YOLO avec Weights & Biases. Il illustre la capacité de cette intégration à suivre et à visualiser efficacement les résultats de l'entraînement et de la prédiction des modèles. En tirant parti des puissantes fonctionnalités de W&B, vous pouvez rationaliser votre flux de travail d'apprentissage automatique, prendre des décisions fondées sur des données et améliorer les performances de votre modèle.

Pour plus de détails sur l'utilisation, consultez la documentation officielle de Weights & Biases ou explorez la présentation de Soumik Rakshit de YOLO VISION 2023 sur cette intégration.

De plus, assurez-vous de consulter la page du guide d'intégration Ultralytics, pour en savoir plus sur les différentes intégrations intéressantes comme MLflow et Comet ML.

FAQ

Comment intégrer Weights & Biases à Ultralytics YOLO11 ?

Pour intégrer Weights & Biases avec Ultralytics YOLO11 :

1. Installez les packages requis:

   pip install -U ultralytics wandb
   yolo settings wandb=True
   

2. Connectez-vous à votre compte Weights & Biases :

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

3. Entraînez votre modèle YOLO11 avec la journalisation W&B activée :

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

Cela enregistrera automatiquement les métriques, les hyperparamètres et les artefacts du modèle dans votre projet W&B.

Quelles sont les principales fonctionnalités de l'intégration de Weights & Biases avec YOLO11 ?

Les principales fonctionnalités comprennent :

• Suivi des métriques en temps réel pendant l'entraînement
• Outils d'optimisation des hyperparamètres
• Analyse comparative de différentes exécutions d'entraînement
• Visualisation de la progression de l'entraînement à travers des graphiques
• Surveillance des ressources (CPU, GPU, utilisation de la mémoire)
• Gestion et partage des artefacts de modèle
• Affichage des résultats d'inférence avec des superpositions d'images

Ces fonctionnalités aident à suivre les expériences, à optimiser les modèles et à collaborer plus efficacement sur les projets YOLO11.

Comment puis-je afficher le tableau de bord Weights & Biases pour mon entraînement YOLO11 ?

Après avoir exécuté votre script d'entraînement avec l'intégration de W&B :

1. Un lien vers votre tableau de bord W&B sera fourni dans la sortie de la console.
2. Cliquez sur le lien ou allez sur wandb.ai et connectez-vous à votre compte.
3. Naviguez jusqu'à votre projet pour afficher les métriques détaillées, les visualisations et les données de performance du modèle.

Le tableau de bord offre des informations sur le processus d'entraînement de votre modèle, vous permettant d'analyser et d'améliorer efficacement vos modèles YOLO11.

Puis-je désactiver la journalisation Weights & Biases pour l'entraînement YOLO11 ?

Oui, vous pouvez désactiver la journalisation W&B en utilisant la commande suivante :

yolo settings wandb=False

Pour réactiver la journalisation, utilisez :

yolo settings wandb=True

Cela vous permet de contrôler quand vous souhaitez utiliser la journalisation W&B sans modifier vos scripts d'entraînement.

Comment Weights & Biases aide-t-il à optimiser les modèles YOLO11 ?

Weights & Biases aide à optimiser les modèles YOLO11 en :

1. Fournissant des visualisations détaillées des métriques d'entraînement
2. Permettant une comparaison facile entre différentes versions de modèle
3. Offrant des outils pour le réglage des hyperparamètres
4. Permettant une analyse collaborative des performances du modèle
5. Facilitant le partage facile des artefacts et des résultats du modèle

Ces fonctionnalités aident les chercheurs et les développeurs à itérer plus rapidement et à prendre des décisions basées sur les données pour améliorer leurs modèles YOLO11.

📅 Créé il y a 1 an ✏️ Mis à jour il y a 3 mois

Commentaires