Rastreamento e Visualização de Experimentos YOLO com Weights & Biases

Modelos de detecção de objetos como o Ultralytics YOLO11 tornaram-se parte integrante de muitas aplicações de visão computacional. No entanto, treinar, avaliar e implementar esses modelos complexos apresenta vários desafios. Rastrear as principais métricas de treinamento, comparar variantes de modelo, analisar o comportamento do modelo e detectar problemas exigem instrumentação e gerenciamento de experimentos significativos.

Assista: Como usar o Ultralytics YOLO11 com Weights and Biases

Este guia demonstra a integração do Ultralytics YOLO11 com o Weights & Biases para rastreamento aprimorado de experimentos, checkpointing de modelos e visualização do desempenho do modelo. Também inclui instruções para configurar a integração, treinar, ajustar e visualizar os resultados usando os recursos interativos do Weights & Biases.

Weights & Biases

Weights & Biases é uma plataforma MLOps de ponta projetada para rastrear, visualizar e gerenciar experimentos de aprendizado de máquina. Possui registro automático de métricas de treinamento para total reprodutibilidade do experimento, uma interface de usuário interativa para análise de dados simplificada e ferramentas eficientes de gerenciamento de modelos para implantação em vários ambientes.

Treinamento YOLO11 com Weights & Biases

Você pode usar o Weights & Biases para trazer eficiência e automação ao seu processo de treinamento YOLO11. A integração permite rastrear experimentos, comparar modelos e tomar decisões orientadas por dados para melhorar seus projetos de visão computacional.

Instalação

Para instalar os pacotes necessários, execute:

# 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

Para obter instruções detalhadas e as melhores práticas relacionadas ao processo de instalação, consulte nosso guia de instalação do YOLO11. Ao instalar os pacotes necessários para o YOLO11, se você encontrar alguma dificuldade, consulte nosso guia de problemas comuns para soluções e dicas.

Configurando o Weights & Biases

Após instalar os pacotes necessários, a próxima etapa é configurar seu ambiente Weights & Biases. Isso inclui criar uma conta Weights & Biases e obter a chave de API necessária para uma conexão perfeita entre seu ambiente de desenvolvimento e a plataforma W&B.

Comece inicializando o ambiente Weights & Biases em seu espaço de trabalho. Você pode fazer isso executando o seguinte comando e seguindo as instruções solicitadas.

import wandb

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

# Initialize your Weights & Biases environment
wandb login YOUR_API_KEY

Navegue até a página de autorização do Weights & Biases para criar e recuperar sua chave de API. Use esta chave para autenticar seu ambiente com o W&B.

Uso: Treinando YOLO11 com Weights & Biases

Antes de mergulhar nas instruções de uso para o treinamento do modelo YOLO11 com Weights & Biases, certifique-se de verificar a variedade de modelos YOLO11 oferecidos pela Ultralytics. Isso ajudará você a escolher o modelo mais apropriado para os requisitos do seu projeto.

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

Argumentos W&B

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

Entendendo a Saída

Ao executar o trecho de código de uso acima, você pode esperar as seguintes saídas principais:

• A configuração de uma nova execução com seu ID exclusivo, indicando o início do processo de treinamento.
• Um resumo conciso da estrutura do modelo, incluindo o número de camadas e parâmetros.
• Atualizações regulares sobre métricas importantes, como box loss, cls loss, dfl loss, precisão, recall e pontuações mAP durante cada época de treinamento.
• Ao final do treinamento, são exibidas métricas detalhadas, incluindo a velocidade de inferência do modelo e as métricas gerais de precisão.
• Links para o painel do Weights & Biases para análise aprofundada e visualização do processo de treinamento, juntamente com informações sobre os locais dos arquivos de log locais.

Visualizando o Painel do Weights & Biases

Após executar o trecho de código de uso, você pode acessar o painel do Weights & Biases (W&B) através do link fornecido na saída. Este painel oferece uma visão abrangente do processo de treinamento do seu modelo com YOLO11.

Principais Recursos do Painel do Weights & Biases

• Rastreamento de Métricas em Tempo Real: Observe métricas como perda, precisão e pontuações de validação à medida que evoluem durante o treinamento, oferecendo insights imediatos para o ajuste do modelo. Veja como os experimentos são rastreados usando o Weights & Biases.

• Otimização de Hiperparâmetros: Weights & Biases auxilia no ajuste fino de parâmetros críticos como taxa de aprendizado, tamanho do lote e muito mais, melhorando o desempenho do YOLO11. Isso ajuda você a encontrar a configuração ideal para seu conjunto de dados e tarefa específicos.

• Análise Comparativa: A plataforma permite comparações lado a lado de diferentes execuções de treinamento, essencial para avaliar o impacto de várias configurações de modelo e entender quais mudanças melhoram o desempenho.

• Visualização do Progresso do Treinamento: Representações gráficas de métricas-chave fornecem uma compreensão intuitiva do desempenho do modelo em todas as épocas. Veja como o Weights & Biases ajuda você a visualizar os resultados da validação.

• Monitoramento de Recursos: Monitore o uso de CPU, GPU e memória para otimizar a eficiência do processo de treinamento e identificar possíveis gargalos no seu fluxo de trabalho.

• Gerenciamento de Artefatos de Modelo: Acesse e compartilhe checkpoints de modelo, facilitando a implantação e a colaboração com membros da equipe em projetos complexos.

• Visualização dos Resultados da Inferência com Sobreposição de Imagem: Visualize os resultados da previsão em imagens usando sobreposições interativas no Weights & Biases, proporcionando uma visão clara e detalhada do desempenho do modelo em dados do mundo real. Para obter informações mais detalhadas, consulte os recursos de sobreposição de imagem do Weights & Biases.

Ao usar esses recursos, você pode rastrear, analisar e otimizar efetivamente o treinamento do seu modelo YOLO11, garantindo o melhor desempenho e eficiência possíveis para suas tarefas de detecção de objetos.

Resumo

Este guia ajudou você a explorar a integração do Ultralytics YOLO com o Weights & Biases. Ele ilustra a capacidade desta integração de rastrear e visualizar eficientemente os resultados de treinamento e previsão do modelo. Ao aproveitar os poderosos recursos do W&B, você pode otimizar seu fluxo de trabalho de aprendizado de máquina, tomar decisões orientadas por dados e melhorar o desempenho do seu modelo.

Para mais detalhes sobre a utilização, visite a documentação oficial do Weights & Biases ou explore a apresentação de Soumik Rakshit da YOLO VISION 2023 sobre esta integração.

Além disso, certifique-se de verificar a página do guia de integração Ultralytics, para saber mais sobre diferentes integrações interessantes como MLflow e Comet ML.

FAQ

Como faço para integrar o Weights & Biases com o Ultralytics YOLO11?

Para integrar o Weights & Biases com o Ultralytics YOLO11:

1. Instale os pacotes necessários:

   pip install -U ultralytics wandb
   yolo settings wandb=True
   

2. Faça login na sua conta do Weights & Biases:

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

3. Treine seu modelo YOLO11 com o registro do W&B habilitado:

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

Isso registrará automaticamente métricas, hiperparâmetros e artefatos do modelo no seu projeto W&B.

Quais são os principais recursos da integração do Weights & Biases com o YOLO11?

Os principais recursos incluem:

• Rastreamento de métricas em tempo real durante o treinamento
• Ferramentas de otimização de hiperparâmetros
• Análise comparativa de diferentes execuções de treinamento
• Visualização do progresso do treinamento através de gráficos
• Monitoramento de recursos (CPU, GPU, uso de memória)
• Gerenciamento e compartilhamento de artefatos do modelo
• Visualização dos resultados da inferência com sobreposições de imagem

Esses recursos ajudam no rastreamento de experimentos, na otimização de modelos e na colaboração mais eficaz em projetos YOLO11.

Como posso visualizar o painel do Weights & Biases para meu treinamento YOLO11?

Após executar seu script de treinamento com a integração do W&B:

1. Um link para o seu painel do W&B será fornecido na saída do console.
2. Clique no link ou acesse wandb.ai e faça login na sua conta.
3. Navegue até seu projeto para visualizar métricas detalhadas, visualizações e dados de desempenho do modelo.

O painel oferece insights sobre o processo de treinamento do seu modelo, permitindo que você analise e melhore seus modelos YOLO11 de forma eficaz.

Posso desativar o registro do Weights & Biases para o treinamento YOLO11?

Sim, você pode desativar o registro do W&B usando o seguinte comando:

yolo settings wandb=False

Para reativar o registro, use:

yolo settings wandb=True

Isso permite que você controle quando deseja usar o registro do W&B sem modificar seus scripts de treinamento.

Como o Weights & Biases ajuda na otimização de modelos YOLO11?

O Weights & Biases ajuda a otimizar os modelos YOLO11 por meio de:

1. Fornecimento de visualizações detalhadas das métricas de treinamento
2. Habilitação de comparação fácil entre diferentes versões de modelo
3. Oferta de ferramentas para ajuste de hiperparâmetros
4. Permissão para análise colaborativa do desempenho do modelo
5. Facilitação do compartilhamento fácil de artefatos e resultados do modelo

Esses recursos ajudam pesquisadores e desenvolvedores a iterar mais rapidamente e a tomar decisões orientadas por dados para melhorar seus modelos YOLO11.

📅 Criado há 1 ano ✏️ Atualizado há 2 meses

Comentários