在计算机视觉领域，Ultralytics YOLO模型已经成为许多应用的核心。然而，这些复杂模型的训练、评估和部署带来了一系列挑战。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。
本指南展示了如何将Ultralytics YOLO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。
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以实现完整实验可重复性、交互式 UI 以简化数据分析和高效的模型管理工具，以便在各种环境中部署。
使用 Weights & Biases，可以为 YOLO11 训练过程带来效率和自动化。要安装所需的软件包，请运行以下命令：
pip install -U ultralytics wandb
对于安装过程中的详细说明和最佳实践，请务必查看 。如果在安装 YOLO11 所需的软件包时遇到任何困难，请咨询 以获得解决方案和提示。
安装必要的软件包后，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，以便顺利连接开发环境和 W&B 平台。
首先在工作区中初始化Weights & Biases环境。运行以下命令并按照提示操作即可：
import wandb; wandb.login(key="<API_KEY>")
导航至 Weights & Biases 授权页面，创建并获取 API 密钥。使用此密钥向 W&B 验证环境。
在开始使用 YOLO11模型训练与Weights & Biases的使用说明之前，请务必查看 Ultralytics 提供的 YOLO11 模型范围。这将帮助为项目需求选择最合适的模型。
使用以下代码片段进行 YOLO11模型训练与 Weights & Biases 的使用：
from ultralytics import YOLO; model = YOLO("yolo11n.pt"); model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo11n")
运行上述使用代码片段后，可以得到以下主要输出结果：新运行的设置及其唯一 ID，表示训练过程的开始；模型结构的简明摘要，包括层数和参数；在每个训练周期期间，关于 box loss、cls loss、dfl loss、precision、recall 和 mAP 分数等重要指标的定期更新。
训练结束时，将显示包括模型推理速度和整体准确性指标在内的详细指标。还可以通过提供的链接访问 Weights & Biases 仪表板，以对培训过程进行深入分析和可视化，并获取有关本地日志文件位置的信息。
Weights & Biases 控制面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。通过图像叠加查看推理结果，使用 Weights & Biases 中的交互式叠加功能，在图像上可视化预测结果，从而清晰详细地查看模型在真实世界数据上的表现。