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的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。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。
Weights & Biases 是一个尖端的 MLOps 平台，专为跟踪、可视化和管理机器学习实验而设计。它具有自动记录训练指标的功能，以实现完整的实验可重复性，提供交互式用户界面以简化数据分析，并提供高效的模型管理工具，以便在各种环境中部署。
要安装所需的 Ultralytics YOLO 和 Weights & Biases 包，请执行以下命令：
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。
安装完必要的包之后，下一步是配置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 平台之间建立无问题的连接。
首先，在工作区初始化 Weights & Biases 环境。可以通过执行以下命令并按照显示的说明进行操作来实现这一点：
import wandbwandb.login(key="<API_KEY>")
前往 Weights & Biases 授权页面创建并获取 API 密钥。使用此密钥来认证环境与 W&B。
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。
以下是使用Weights & Biases进行 YOLO11 模型训练的示例代码：
from ultralytics import YOLOmodel = YOLO("yolo11n.pt")model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
这将自动记录 W&B 项目中的指标、超参数和模型工件。
实时跟踪训练期间的指标：观察损失、精度和验证分数等指标随着训练的进行而发展，提供即时的信息以调整模型。
超参数优化工具：Weights & Biases 有助于微调诸如学习率、批量大小等关键参数，提高 YOLO11 的性能。
不同训练运行的比较分析：平台允许对不同的训练进行并排比较，这对于评估不同模型配置的影响至关重要。
通过图表可视化训练进度：主要指标的图形表示提供了对模型在各个周期中性能的直观理解。
资源监控（CPU、GPU、内存使用情况）：监控 CPU、GPU 和内存的使用情况，以优化训练过程的效率。
模型工件的管理和共享：访问和共享模型检查点，便于实施和协作。
使用 Weights & Biases 的图像叠加查看推理结果：使用 Weights & Biases 的交互式图像叠加在 Weights & Biases 上查看预测结果，提供清晰详细的模型在现实世界数据上的性能视图。有关 Weights & Biases 图像叠加能力的更多详细信息，请参阅此 。
本指南帮助探索了 Ultralytics YOLO 与 Weights & Biases 的集成。它展示了这种集成能够高效地跟踪和可视化模型训练和预测结果的能力。有关使用的更多信息，请访问 Weights & Biases 的 。此外，不要忘记查看 ，了解更多有趣的集成信息。
如何将 Weights & Biases 与Ultralytics YOLO11集成？
要将 Weights & Biases 与Ultralytics YOLO11集成，请执行以下操作：
pip install -U ultralytics wandbimport wandbwandb.login(key="<API_KEY>")from ultralytics import YOLOmodel = YOLO("yolo11n.pt")model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")这将自动记录 W&B 项目中的指标、超参数和模型工件。
Weights & Biases 与 YOLO11 集成的主要特点是什么？
主要特点包括：
这些特点有助于跟踪实验、优化模型，并在 YOLO11 项目上更有效地协作。
如何查看 YOLO11 训练的Weights & Biases仪表板？
在运行带有 W&B 集成的训练脚本后：
仪表板提供了对模型训练过程的洞察，允许有效地分析和改进 YOLO11 模型。
可以为 YOLO11 训练禁用 Weights & Biases 日志记录吗？
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：