Ajuste eficiente de hiperparámetros con Ray Tune y YOLO11

El ajuste de hiperparámetros es vital para lograr el máximo rendimiento del modelo descubriendo el conjunto óptimo de hiperparámetros. Para ello, se realizan pruebas con distintos hiperparámetros y se evalúa el rendimiento de cada una de ellas.

Acelere el ajuste con Ultralytics YOLO11 y Ray Tune

Ultralytics YOLO11 incorpora Ray Tune para el ajuste de hiperparámetros, agilizando la optimización de los hiperparámetros del modelo YOLO11 . Con Ray Tune, puede utilizar estrategias de búsqueda avanzadas, paralelismo y detención temprana para agilizar el proceso de ajuste.

Ray Tune

Ray Tune es una biblioteca de ajuste de hiperparámetros diseñada para ofrecer eficiencia y flexibilidad. Admite varias estrategias de búsqueda, paralelismo y estrategias de parada temprana, y se integra a la perfección con marcos de aprendizaje automático populares, como Ultralytics YOLO11 .

Integración con Weights & Biases

YOLO11 también permite la integración opcional con Weights & Biases para supervisar el proceso de ajuste.

Instalación

Para instalar los paquetes necesarios, ejecute

# Install and update Ultralytics and Ray Tune packages
pip install -U ultralytics "ray[tune]"

# Optionally install W&B for logging
pip install wandb

Utilización

from ultralytics import YOLO

# Load a YOLO11n model
model = YOLO("yolo11n.pt")

# Start tuning hyperparameters for YOLO11n training on the COCO8 dataset
result_grid = model.tune(data="coco8.yaml", use_ray=True)

tune() Parámetros del método

En tune() en YOLO11 proporciona una interfaz fácil de usar para el ajuste de hiperparámetros con Ray Tune. Acepta varios argumentos que permiten personalizar el proceso de ajuste. A continuación encontrará una explicación detallada de cada parámetro:

Al personalizar estos parámetros, puede ajustar el proceso de optimización de hiperparámetros para adaptarlo a sus necesidades específicas y a los recursos informáticos disponibles.

Espacio de búsqueda por defecto Descripción

La siguiente tabla enumera los parámetros del espacio de búsqueda por defecto para el ajuste de hiperparámetros en YOLO11 con Ray Tune. Cada parámetro tiene un rango de valores específico definido por tune.uniform().

Ejemplo de espacio de búsqueda personalizado

En este ejemplo, demostramos cómo utilizar un espacio de búsqueda personalizado para el ajuste de hiperparámetros con Ray Tune y YOLO11. Al proporcionar un espacio de búsqueda personalizado, puede centrar el proceso de ajuste en hiperparámetros específicos de interés.

from ray import tune

from ultralytics import YOLO

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

# Run Ray Tune on the model
result_grid = model.tune(
    data="coco8.yaml",
    space={"lr0": tune.uniform(1e-5, 1e-1)},
    epochs=50,
    use_ray=True,
)

En el fragmento de código anterior, creamos un modelo YOLO con las ponderaciones preentrenadas "yolo11n.pt". A continuación, llamamos a la función tune() especificando la configuración del conjunto de datos con "coco8.yaml". Proporcionamos un espacio de búsqueda personalizado para la tasa de aprendizaje inicial lr0 utilizando un diccionario con la clave "lr0" y el valor tune.uniform(1e-5, 1e-1). Por último, pasamos argumentos de entrenamiento adicionales, como el número de épocas, directamente al método tune como epochs=50.

Reanudación de una sesión interrumpida de ajuste de hiperparámetros con Ray Tune

Puede reanudar una sesión Ray Tune interrumpida pasando resume=True. Puede pasar opcionalmente el directorio name utilizado por Ray Tune bajo runs/{task} para reanudar. En caso contrario, reanudaría la última sesión interrumpida. No es necesario proporcionar el iterations y space de nuevo, pero tiene que proporcionar el resto de los argumentos de formación de nuevo incluyendo data y epochs.

from ultralytics import YOLO

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

# Resume previous run
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, resume=True)

# Resume Ray Tune run with name 'tune_exp_2'
results = model.tune(use_ray=True, data="coco8.yaml", epochs=50, name="tune_exp_2", resume=True)

Procesamiento de los resultados de Ray Tune

Después de ejecutar un experimento de ajuste de hiperparámetros con Ray Tune, es posible que desee realizar diversos análisis de los resultados obtenidos. Esta guía le llevará a través de flujos de trabajo comunes para procesar y analizar estos resultados.

Carga de los resultados de un experimento Tune desde un directorio

Tras realizar el experimento de ajuste con tuner.fit()puede cargar los resultados desde un directorio. Esto es útil, especialmente si está realizando el análisis después de que el script de entrenamiento inicial haya salido.

experiment_path = f"{storage_path}/{exp_name}"
print(f"Loading results from {experiment_path}...")

restored_tuner = tune.Tuner.restore(experiment_path, trainable=train_mnist)
result_grid = restored_tuner.get_results()

Análisis básico a nivel experimental

Obtenga una visión general del rendimiento de las pruebas. Puede comprobar rápidamente si se ha producido algún error durante las pruebas.

if result_grid.errors:
    print("One or more trials failed!")
else:
    print("No errors!")

Análisis básico a nivel de prueba

Acceda a las configuraciones individuales de los hiperparámetros de los ensayos y a las últimas métricas notificadas.

for i, result in enumerate(result_grid):
    print(f"Trial #{i}: Configuration: {result.config}, Last Reported Metrics: {result.metrics}")

Trazado de todo el historial de métricas notificadas para un ensayo

Puede trazar el historial de las métricas notificadas de cada ensayo para ver cómo evolucionan las métricas a lo largo del tiempo.

import matplotlib.pyplot as plt

for i, result in enumerate(result_grid):
    plt.plot(
        result.metrics_dataframe["training_iteration"],
        result.metrics_dataframe["mean_accuracy"],
        label=f"Trial {i}",
    )

plt.xlabel("Training Iterations")
plt.ylabel("Mean Accuracy")
plt.legend()
plt.show()

Resumen

En esta documentación, cubrimos flujos de trabajo comunes para analizar los resultados de experimentos ejecutados con Ray Tune utilizando Ultralytics. Los pasos clave incluyen la carga de los resultados del experimento desde un directorio, la realización de análisis básicos a nivel de experimento y a nivel de prueba y el trazado de métricas.

Explore más a fondo la página de documentación de Ray Tune Analyze Results para sacar el máximo partido a sus experimentos de ajuste de hiperparámetros.

PREGUNTAS FRECUENTES

¿Cómo sintonizo los hiperparámetros de mi modelo YOLO11 utilizando Ray Tune?

Para sintonizar los hiperparámetros de su modelo Ultralytics YOLO11 utilizando Ray Tune, siga estos pasos:

1. Instale los paquetes necesarios:

   pip install -U ultralytics "ray[tune]"
   pip install wandb # optional for logging
   

2. Cargue su modelo YOLO11 y empiece a afinar:

   from ultralytics import YOLO
   
   # Load a YOLO11 model
   model = YOLO("yolo11n.pt")
   
   # Start tuning with the COCO8 dataset
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

Utiliza las estrategias de búsqueda avanzada y el paralelismo de Ray Tune para optimizar eficazmente los hiperparámetros de su modelo. Para obtener más información, consulte la documentación de Ray Tune.

¿Cuáles son los hiperparámetros por defecto para la sintonización de YOLO11 con Ray Tune?

Ultralytics YOLO11 utiliza los siguientes hiperparámetros por defecto para la sintonización con Ray Tune:

Estos hiperparámetros pueden personalizarse para adaptarlos a sus necesidades específicas. Para obtener una lista completa y más detalles, consulte la guía de ajuste de hiperparámetros.

¿Cómo puedo integrar Weights & Biases en la puesta a punto de mi modelo YOLO11 ?

Para integrar Weights & Biases (W&B) en su proceso de ajuste Ultralytics YOLO11 :

1. Instalar W&B:

   pip install wandb
   

2. Modifique su script de ajuste:

   import wandb
   
   from ultralytics import YOLO
   
   wandb.init(project="YOLO-Tuning", entity="your-entity")
   
   # Load YOLO model
   model = YOLO("yolo11n.pt")
   
   # Tune hyperparameters
   result_grid = model.tune(data="coco8.yaml", use_ray=True)
   

Esta configuración le permitirá supervisar el proceso de ajuste, realizar un seguimiento de las configuraciones de hiperparámetros y visualizar los resultados en W&B.

¿Por qué debería utilizar Ray Tune para la optimización de hiperparámetros con YOLO11?

Ray Tune ofrece numerosas ventajas para la optimización de hiperparámetros:

• Estrategias de búsqueda avanzadas: Utiliza algoritmos como Bayesian Optimization e HyperOpt para la búsqueda eficiente de parámetros.
• Paralelismo: Admite la ejecución en paralelo de múltiples ensayos, lo que acelera significativamente el proceso de ajuste.
• Detención temprana: Emplea estrategias como ASHA para terminar antes los ensayos de bajo rendimiento, ahorrando recursos computacionales.

Ray Tune se integra a la perfección con Ultralytics YOLO11, proporcionando una interfaz fácil de usar para ajustar hiperparámetros de forma eficaz. Para empezar, consulte la guía de ajuste de hiperparámetros.

¿Cómo puedo definir un espacio de búsqueda personalizado para el ajuste de hiperparámetros en YOLO11 ?

Para definir un espacio de búsqueda personalizado para su YOLO11 ajuste de hiperparámetros con Ray Tune:

from ray import tune

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
search_space = {"lr0": tune.uniform(1e-5, 1e-1), "momentum": tune.uniform(0.6, 0.98)}
result_grid = model.tune(data="coco8.yaml", space=search_space, use_ray=True)

Esto personaliza el rango de hiperparámetros como la tasa de aprendizaje inicial y el impulso a explorar durante el proceso de ajuste. Para configuraciones avanzadas, consulte la sección Ejemplo de espacio de búsqueda personalizado.

Creado hace 1 año ✏️ Actualizado hace 7 días

Comentarios