在众多计算机视觉应用中，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带来了许多挑战。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工具和实验管理。
安装与配置
要开始使用 Weights & Biases 与Ultralytics YOLO11 的集成，首先需要安装必要的包。这可以通过以下命令完成：
pip install -U ultralytics wandb
对于安装过程中的详细指导和最佳实践，请参考 。如果在安装 YOLO11 所需的包时遇到任何困难，请查阅 以获得解决方案和提示。
设置 Weights & Biases
安装完必要的包后，下一步是设置Weights & Biases环境。这包括创建一个 Weights & Biases 账户并获取必要的 API 密钥，以便在开发环境和 W&B 平台之间建立顺畅的连接。
首先，在工作区初始化 Weights & Biases 环境。运行以下命令并按照消息提示进行初始化：
import wandb; wandb.login(key="<API_KEY>")
前往Weights & Biases认证页面生成并查找 API 密钥。使用此密钥通过 W&B 对环境进行认证。
使用 Weights & Biases 训练 YOLO11
在深入研究使用 Weights & Biases 训练 YOLO11 模型的使用说明之前，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。
使用 Weights & Biases 可以为 YOLO11 训练过程带来效率和自动化。
from ultralytics import YOLO; model = YOLO("yolo11n.pt"); model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
以上代码将自动记录指标、超参数和模型工件到 W&B 项目中。
Weights & Biases仪表板
运行使用代码片段后，可以通过输出中提供的链接访问 Weights & Biases (W&B) 仪表板。此仪表板提供了模型训练过程的全面视图，使用 YOLO11。
W&B 仪表板的主要功能包括实时指标跟踪、超参数优化、比较分析、训练进度可视化、资源监控和模型工件管理。