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。
本指南展示了如何将Ultralytics YOLO11与Weights & Biases集成，以增强实验跟踪、模型检查点和模型性能的可视化。它还包括了设置集成、训练、微调和使用Weights & Biases的交互式功能可视化结果的说明。
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，一个交互式用户界面，用于简化数据分析，以及高效的模型管理工具，用于在各种环境中部署。
可以使用Weights & Biases为YOLO11训练过程带来效率和自动化。以下是安装所需包的步骤：
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。
安装所需包后，下一步是设置Weights & Biases环境。这包括创建Weights & Biases账户并获取必要的API密钥，以实现开发环境与W&B平台之间的无缝连接。
import wandb
wandb.login(key="<API_KEY>")
转到Weights & Biases的授权页面，创建并获取API密钥。使用此密钥对W&B环境进行身份验证。
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 YOLO
model = YOLO("yolo11n.pt")
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
以上代码片段的使用将产生以下关键结果：
Weights & Biases仪表板提供了对模型训练过程的全面视图，具有以下关键特点：
通过使用这些功能，可以有效地跟踪、分析和优化YOLO11模型的训练，确保最佳可能的性能和效率。
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。更多使用信息可以在上找到。同时，不要忘记查看页面，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：
pip install -U ultralytics wandbimport wandb; wandb.login(key="<API_KEY>")from ultralytics import YOLO; model = YOLO("yolo11n.pt"); model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")这将自动将指标、超参数和模型工件记录到W&B项目中。
Weights & Biases与YOLO11集成的关键特点是什么？
关键特点包括：
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：