Ultralytics YOLO11与Weights & Biases集成指南

在计算机视觉应用中,Ultralytics YOLO11已成为不可或缺的一部分。然而,训练、评估和部署这些复杂模型引入了许多挑战。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需要大量的仪器和实验管理。本指南将展示如何使用Weights & Biases来增强Ultralytics YOLO11的实验跟踪、模型检查点和模型性能的可视化。它还包括设置集成、训练、微调和使用Weights & Biases的交互式功能来可视化结果的说明。

安装必要的包

要安装Ultralytics YOLO和Weights & Biases所需的包,请使用以下命令:

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。在安装YOLO11所需的包时,如果遇到任何困难,请参考以获取解决方案和提示。

设置Weights & Biases环境

安装完必要的包后,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,以便将开发环境与W&B平台顺利连接。首先,初始化Weights & Biases环境,执行以下命令并按照提示操作:

import wandbwandb.login(key="<API_KEY>")

转到Weights & Biases认证页面,创建并获取API密钥。使用此密钥在W&B中认证环境。

使用Weights & Biases训练YOLO11

在深入使用Weights & Biases进行YOLO11模型训练的使用说明之前,请务必查看Ultralytics提供的。这将帮助为项目需求选择最合适的模型。

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

上述代码将自动记录W&B项目中的指标、超参数和模型工件。

Weights & Biases集成的主要特点

Weights & Biases与YOLO11集成的主要特点包括:

  • 训练期间实时跟踪指标
  • 超参数优化工具
  • 不同训练运行的比较分析
  • 通过图表可视化训练进度
  • 资源监控(CPU、GPU、内存使用情况)
  • 模型工件的管理和共享
  • 使用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,并在YOLO11项目上更有效地协作。

如何查看Weights & Biases仪表板

在运行带有W&B集成的训练脚本后,控制台输出将提供指向W&B仪表板的链接。点击链接或转到并登录到账户。导航到项目以查看详细的指标、可视化和模型性能数据。仪表板提供了对模型训练过程的洞察,使能够有效地分析和改进YOLO11模型。

如何禁用Weights & Biases日志记录

是的,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

这允许控制何时使用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:

  • 提供详细的训练指标可视化
  • 轻松比较不同模型版本
  • 提供超参数调整工具
  • 允许协作分析模型性能
  • 促进模型工件和结果的轻松共享
沪ICP备2024098111号-1
上海秋旦网络科技中心:上海市奉贤区金大公路8218号1幢 联系电话:17898875485