Weights & Biases ile YOLO Deney Takibi ve Görselleştirme
Nesne tespiti gibi Ultralytics YOLO11 modelleri, birçok bilgisayar görüşü uygulaması için ayrılmaz bir parça haline geldi. Ancak, bu karmaşık modelleri eğitmek, değerlendirmek ve dağıtmak çeşitli zorlukları beraberinde getirir. Temel eğitim metriklerini izlemek, model varyantlarını karşılaştırmak, model davranışını analiz etmek ve sorunları tespit etmek önemli ölçüde araç ve deney yönetimi gerektirir.
İzle: Ultralytics YOLO11, Weights and Biases ile nasıl kullanılır
Bu kılavuz, gelişmiş deney takibi, model kontrol noktası oluşturma ve model performansının görselleştirilmesi için Ultralytics YOLO11'in Weights & Biases ile entegrasyonunu göstermektedir. Ayrıca, entegrasyonun kurulumu, eğitimi, ince ayarı ve Weights & Biases'in etkileşimli özelliklerini kullanarak sonuçların görselleştirilmesi için talimatlar içermektedir.
Weights & Biases
Weights & Biases, makine öğrenimi deneylerini izlemek, görselleştirmek ve yönetmek için tasarlanmış son teknoloji bir MLOps platformudur. Tam deney tekrarlanabilirliği için eğitim metriklerinin otomatik olarak kaydedilmesi, aerodinamik veri analizi için etkileşimli bir kullanıcı arayüzü ve çeşitli ortamlarda dağıtım için verimli model yönetim araçları içerir.
Weights & Biases ile YOLO11 Eğitimi
YOLO11 eğitim sürecinize verimlilik ve otomasyon katmak için Weights & Biases'ı kullanabilirsiniz. Bu entegrasyon, deneyleri izlemenize, modelleri karşılaştırmanıza ve bilgisayar görüşü projelerinizi geliştirmek için veriye dayalı kararlar almanıza olanak tanır.
Kurulum
Gerekli paketleri kurmak için şunu çalıştırın:
Kurulum
# 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
Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için YOLO11 Kurulum kılavuzumuza göz atmayı unutmayın. YOLO11 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Sık Karşılaşılan Sorunlar kılavuzumuza başvurun.
Weights & Biases'ı Yapılandırma
Gerekli paketleri kurduktan sonraki adım, Weights & Biases ortamınızı ayarlamaktır. Bu, bir Weights & Biases hesabı oluşturmayı ve geliştirme ortamınız ile W&B platformu arasında sorunsuz bir bağlantı için gerekli API anahtarını edinmeyi içerir.
Çalışma alanınızda Weights & Biases ortamını başlatarak başlayın. Bunu, aşağıdaki komutu çalıştırarak ve istenen talimatları izleyerek yapabilirsiniz.
Başlangıç SDK Kurulumu
import wandb
# Initialize your Weights & Biases environment
wandb.login(key="YOUR_API_KEY")
# Initialize your Weights & Biases environment
wandb login YOUR_API_KEY
API anahtarınızı oluşturmak ve almak için Weights & Biases yetkilendirme sayfasına gidin. Ortamınızı W&B ile kimlik doğrulamak için bu anahtarı kullanın.
Kullanım: Weights & Biases ile YOLO11'i eğitme
Weights & Biases ile YOLO11 model eğitimi için kullanım talimatlarına geçmeden önce, Ultralytics tarafından sunulan YOLO11 modelleri yelpazesine göz atmayı unutmayın. Bu, proje gereksinimleriniz için en uygun modeli seçmenize yardımcı olacaktır.
Kullanım: Weights & Biases ile YOLO11'i eğitme
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 Argümanları
Argüman | Varsayılan | Açıklama |
---|---|---|
proje | None |
Yerel olarak ve W&B'de günlüğe kaydedilen projenin adını belirtir. Bu şekilde birden çok çalıştırmayı bir araya getirebilirsiniz. |
ad | None |
Eğitim çalıştırmasının adı. Bu, alt klasörler oluşturmak için kullanılan adı ve W&B günlüğü için kullanılan adı belirler |
Weights & Biases'ı Etkinleştir veya Devre Dışı Bırak
Ultralytics'te Weights & Biases günlüğünü etkinleştirmek veya devre dışı bırakmak istiyorsanız, şunu kullanabilirsiniz: yolo settings
komutu. Varsayılan olarak, Weights & Biases günlüğe kaydetme devre dışıdır.
# Enable Weights & Biases logging
yolo settings wandb=True
# Disable Weights & Biases logging
yolo settings wandb=False
Çıktıyı Anlama
Yukarıdaki kullanım kodu parçacığını çalıştırdıktan sonra, aşağıdaki temel çıktıları bekleyebilirsiniz:
- Eğitim sürecinin başlangıcını gösteren benzersiz kimliği ile yeni bir çalıştırmanın kurulumu.
- Modelin katman ve parametre sayısı dahil yapısının özlü bir özeti.
- Her eğitim epoku sırasında kutu kaybı, sınıflandırma kaybı, dfl kaybı, kesinlik, duyarlılık ve mAP skorları gibi önemli metrikler üzerinde düzenli güncellemeler.
- Eğitimin sonunda, modelin çıkarım hızı ve genel doğruluk metrikleri dahil olmak üzere ayrıntılı metrikler görüntülenir.
- Eğitim sürecinin derinlemesine analizi ve görselleştirilmesi için Weights & Biases panosuna ve yerel günlük dosyası konumları hakkında bilgilere bağlantılar.
Weights & Biases Panosunu Görüntüleme
Kullanım kodu parçasını çalıştırdıktan sonra, çıktıda sağlanan bağlantı aracılığıyla Weights & Biases (W&B) panosuna erişebilirsiniz. Bu pano, YOLO11 ile modelinizin eğitim sürecinin kapsamlı bir görünümünü sunar.
Weights & Biases Panosunun Temel Özellikleri
-
Gerçek Zamanlı Metrik İzleme: Eğitim sırasında kayıp, doğruluk ve doğrulama puanları gibi metriklerin nasıl geliştiğini gözlemleyerek model ayarlaması için anında içgörüler sunar. Weights & Biases kullanılarak deneylerin nasıl izlendiğini görün.
-
Hiperparametre Optimizasyonu: Weights & Biases, öğrenme oranı, batch boyutu ve daha fazlası gibi kritik parametrelerin ince ayarlanmasına yardımcı olarak YOLO11'in performansını artırır. Bu, belirli veri kümeniz ve göreviniz için en uygun yapılandırmayı bulmanıza yardımcı olur.
-
Karşılaştırmalı Analiz: Platform, farklı eğitim çalıştırmalarının yan yana karşılaştırılmasına olanak tanır; bu, çeşitli model yapılandırmalarının etkisini değerlendirmek ve hangi değişikliklerin performansı iyileştirdiğini anlamak için önemlidir.
-
Eğitim İlerlemesinin Görselleştirilmesi: Temel metriklerin grafiksel gösterimleri, modelin dönemler genelindeki performansı hakkında sezgisel bir anlayış sağlar. Weights & Biases'in doğrulama sonuçlarını görselleştirmenize nasıl yardımcı olduğunu görün.
-
Kaynak İzleme: Eğitim sürecinin verimliliğini optimize etmek ve iş akışınızdaki potansiyel darboğazları belirlemek için CPU, GPU ve bellek kullanımını takip edin.
-
Model Artefaktları Yönetimi: Model kontrol noktalarına erişin ve paylaşın, bu da karmaşık projelerde ekip üyeleriyle kolay dağıtımı ve işbirliğini kolaylaştırır.
-
Görüntü Katmanıyla Çıkarım Sonuçlarını Görüntüleme: Weights & Biases'daki etkileşimli katmanları kullanarak görüntüler üzerindeki tahmin sonuçlarını görselleştirin ve modelin gerçek dünya verileri üzerindeki performansının net ve ayrıntılı bir görünümünü sağlayın. Daha ayrıntılı bilgi için Weights & Biases'ın görüntü katmanı özelliklerine bakın.
Bu özellikleri kullanarak, YOLO11 modelinizin eğitimini etkili bir şekilde izleyebilir, analiz edebilir ve optimize edebilir, nesne algılama görevleriniz için mümkün olan en iyi performansı ve verimliliği sağlayabilirsiniz.
Özet
Bu kılavuz, Ultralytics YOLO'nun Weights & Biases ile entegrasyonunu keşfetmenize yardımcı oldu. Bu entegrasyonun model eğitimi ve tahmin sonuçlarını verimli bir şekilde izleme ve görselleştirme yeteneğini göstermektedir. W&B'nin güçlü özelliklerinden yararlanarak, makine öğrenimi iş akışınızı kolaylaştırabilir, veriye dayalı kararlar alabilir ve modelinizin performansını artırabilirsiniz.
Kullanım hakkında daha fazla bilgi için Weights & Biases'ın resmi belgelerini ziyaret edin veya YOLO VISION 2023'teki Soumik Rakshit'in bu entegrasyonla ilgili sunumunu inceleyin.
Ayrıca, MLflow ve Comet ML gibi farklı heyecan verici entegrasyonlar hakkında daha fazla bilgi edinmek için Ultralytics entegrasyon kılavuzu sayfasını incelediğinizden emin olun.
SSS
Weights & Biases'ı Ultralytics YOLO11 ile nasıl entegre ederim?
Weights & Biases'ı Ultralytics YOLO11 ile entegre etmek için:
-
Gerekli paketleri kurun:
pip install -U ultralytics wandb yolo settings wandb=True
-
Weights & Biases hesabınıza giriş yapın:
import wandb wandb.login(key="YOUR_API_KEY")
-
W&B günlüğü etkinleştirilmiş olarak YOLO11 modelinizi eğitin:
from ultralytics import YOLO model = YOLO("yolo11n.pt") model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
Bu, metrikleri, hiperparametreleri ve model yapılarını otomatik olarak W&B projenize kaydedecektir.
Weights & Biases'ın YOLO11 ile entegrasyonunun temel özellikleri nelerdir?
Temel özellikler şunları içerir:
- Eğitim sırasında gerçek zamanlı metrik izleme
- Hiperparametre optimizasyon araçları
- Farklı eğitim çalıştırmalarının karşılaştırmalı analizi
- Grafikler aracılığıyla eğitim ilerlemesinin görselleştirilmesi
- Kaynak izleme (CPU, GPU, bellek kullanımı)
- Model artefakt yönetimi ve paylaşımı
- Görüntü katmanlarıyla çıkarım sonuçlarını görüntüleme
Bu özellikler, deneyleri izlemeye, modelleri optimize etmeye ve YOLO11 projelerinde daha etkili bir şekilde işbirliği yapmaya yardımcı olur.
YOLO11 eğitimim için Weights & Biases panosunu nasıl görüntüleyebilirim?
W&B entegrasyonu ile eğitim komut dosyanızı çalıştırdıktan sonra:
- W&B kontrol panelinize bir bağlantı, konsol çıktısında sağlanacaktır.
- Bağlantıya tıklayın veya wandb.ai adresine gidin ve hesabınıza giriş yapın.
- Ayrıntılı metrikleri, görselleştirmeleri ve model performans verilerini görüntülemek için projenize gidin.
Kontrol paneli, modelinizin eğitim sürecine dair içgörüler sunarak, YOLO11 modellerinizi etkili bir şekilde analiz etmenize ve geliştirmenize olanak tanır.
YOLO11 eğitimi için Weights & Biases günlüğünü devre dışı bırakabilir miyim?
Evet, aşağıdaki komutu kullanarak W&B günlüğünü devre dışı bırakabilirsiniz:
yolo settings wandb=False
Günlüğü yeniden etkinleştirmek için şunu kullanın:
yolo settings wandb=True
Bu, eğitim komut dosyalarınızı değiştirmeden W&B günlüğünü ne zaman kullanmak istediğinizi kontrol etmenizi sağlar.
Weights & Biases, YOLO11 modellerini optimize etmede nasıl yardımcı olur?
Weights & Biases, YOLO11 modellerini optimize etmeye yardımcı olur:
- Eğitim metriklerinin ayrıntılı görselleştirmelerini sağlama
- Farklı model versiyonları arasında kolay karşılaştırma olanağı sağlar
- Hiperparametre ayarlama için araçlar sunma
- Model performansının işbirlikçi analizine olanak tanıma
- Model çıktılarını ve sonuçlarını kolayca paylaşmayı kolaylaştırma
Bu özellikler, araştırmacıların ve geliştiricilerin daha hızlı yineleme yapmasına ve YOLO11 modellerini iyileştirmek için veriye dayalı kararlar almasına yardımcı olur.