Addestramento del modello con Ultralytics YOLO

Introduzione

L'addestramento di un modello di deep learning comporta l'inserimento di dati e la regolazione dei suoi parametri in modo che possa fare previsioni accurate. La modalità Train in Ultralytics YOLO11 è progettata per un addestramento efficace ed efficiente dei modelli di rilevamento oggetti, sfruttando appieno le moderne capacità hardware. Questa guida ha lo scopo di coprire tutti i dettagli necessari per iniziare ad addestrare i tuoi modelli utilizzando il robusto set di funzionalità di YOLO11.

Guarda: Come addestrare un modello YOLO sul tuo set di dati personalizzato in Google Colab.

Perché scegliere Ultralytics YOLO per l'addestramento?

Ecco alcuni motivi convincenti per optare per la modalità Train di YOLO11:

• Efficienza: Ottieni il massimo dal tuo hardware, sia che tu stia utilizzando una configurazione a singola GPU sia che tu stia scalando su più GPU.
• Versatilità: Esegui l'addestramento su set di dati personalizzati oltre a quelli facilmente disponibili come COCO, VOC e ImageNet.
• Facilità d'uso: Interfacce CLI e python semplici ma potenti per un'esperienza di training immediata.
• Flessibilità degli iperparametri: Un'ampia gamma di iperparametri personalizzabili per ottimizzare le prestazioni del modello.

Caratteristiche principali della modalità Train

Di seguito sono riportate alcune caratteristiche principali della modalità Train di YOLO11:

• Download automatico del dataset: I dataset standard come COCO, VOC e ImageNet vengono scaricati automaticamente al primo utilizzo.
• Supporto multi-GPU: Scala i tuoi sforzi di training senza problemi su più GPU per accelerare il processo.
• Configurazione degli iperparametri: Possibilità di modificare gli iperparametri tramite file di configurazione YAML o argomenti CLI.
• Visualizzazione e monitoraggio: Monitoraggio in tempo reale delle metriche di training e visualizzazione del processo di apprendimento per una migliore comprensione.

Esempi di utilizzo

Esegui il training di YOLO11n sul dataset COCO8 per 100 epoche con una dimensione dell'immagine di 640. Il dispositivo di training può essere specificato utilizzando l'argomento device . Se non viene passato alcun argomento, verrà utilizzata la GPU device=0 se disponibile, altrimenti verrà utilizzata la device='cpu' CPU. Consulta la sezione Argomenti di seguito per un elenco completo degli argomenti di training.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

Training multi-GPU

Il training multi-GPU consente un utilizzo più efficiente delle risorse hardware disponibili distribuendo il carico di training su più GPU. Questa funzionalità è disponibile sia tramite l'API python che tramite l'interfaccia a riga di comando. Per abilitare il training multi-GPU, specifica gli ID dei dispositivi GPU che desideri utilizzare.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Train the model with the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1

# Use the two most idle GPUs
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=-1,-1

Addestramento GPU inattiva

L'addestramento GPU inattiva consente la selezione automatica delle GPU meno utilizzate nei sistemi multi-GPU, ottimizzando l'utilizzo delle risorse senza selezione manuale della GPU. Questa funzionalità identifica le GPU disponibili in base alle metriche di utilizzo e alla disponibilità di VRAM.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train using the single most idle GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Train using the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

# Start training using the single most idle GPU
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=-1

# Start training using the two most idle GPUs
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=-1,-1

L'algoritmo di selezione automatica dà la priorità alle GPU con:

1. Percentuali di utilizzo della corrente inferiori
2. Maggiore memoria disponibile (VRAM libera)
3. Temperatura e consumo energetico inferiori

Questa funzionalità è particolarmente utile in ambienti di calcolo condivisi o quando si eseguono più processi di addestramento su modelli diversi. Si adatta automaticamente alle mutevoli condizioni del sistema, garantendo un'allocazione ottimale delle risorse senza intervento manuale.

Addestramento MPS su Apple Silicon

Grazie al supporto per i chip Apple Silicon integrati nei modelli Ultralytics YOLO, ora è possibile eseguire il training dei modelli su dispositivi che utilizzano il potente framework Metal Performance Shaders (MPS). MPS offre un modo ad alte prestazioni per eseguire attività di calcolo ed elaborazione delle immagini sul silicio personalizzato di Apple.

Per abilitare il training sui chip Apple Silicon, è necessario specificare 'mps' come dispositivo quando si avvia il processo di training. Di seguito è riportato un esempio di come è possibile farlo in python e tramite la riga di comando:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Sfruttando la potenza di calcolo dei chip Apple Silicon, ciò consente un'elaborazione più efficiente delle attività di training. Per una guida più dettagliata e opzioni di configurazione avanzate, fare riferimento alla documentazione PyTorch MPS.

Ripresa di addestramenti interrotti

La ripresa del training da uno stato precedentemente salvato è una funzionalità cruciale quando si lavora con modelli di deep learning. Questo può essere utile in vari scenari, come quando il processo di training è stato interrotto inaspettatamente o quando si desidera continuare a eseguire il training di un modello con nuovi dati o per più epoche.

Quando il training viene ripreso, Ultralytics YOLO carica i pesi dall'ultimo modello salvato e ripristina anche lo stato dell'ottimizzatore, lo scheduler del learning rate e il numero di epoca. Ciò consente di continuare il processo di training senza interruzioni da dove era stato interrotto.

È possibile riprendere facilmente l'addestramento in Ultralytics YOLO impostando l'argomento resume a True quando si richiama il metodo train e specificando il percorso del file .pt contenente i pesi del modello parzialmente addestrato.

Di seguito è riportato un esempio di come riprendere un addestramento interrotto utilizzando python e tramite la riga di comando:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

Impostando resume=True, la funzione train continuerà l'addestramento da dove era stato interrotto, utilizzando lo stato memorizzato nel file 'path\/to\/last.pt'. Se l'argomento resume viene omesso o impostato su False, la funzione train , la funzione avvierà una nuova sessione di addestramento.

Ricorda che i checkpoint vengono salvati alla fine di ogni epoca per impostazione predefinita, o a intervalli fissi utilizzando l'argomento save_period , quindi è necessario completare almeno 1 epoca per riprendere un'esecuzione di addestramento.

Impostazioni di Training

Le impostazioni di addestramento per i modelli YOLO comprendono vari iperparametri e configurazioni utilizzati durante il processo di addestramento. Queste impostazioni influenzano le prestazioni, la velocità e l'accuratezza del modello. Le impostazioni chiave dell'addestramento includono la dimensione del batch, il tasso di apprendimento, il momentum e il decadimento del peso. Inoltre, la scelta dell'ottimizzatore, della funzione di perdita e della composizione del set di dati di addestramento può influire sul processo di addestramento. Un'attenta messa a punto e la sperimentazione con queste impostazioni sono fondamentali per ottimizzare le prestazioni.

Impostazioni di aumento dati e iperparametri

Le tecniche di augmentation sono essenziali per migliorare la robustezza e le prestazioni dei modelli YOLO introducendo variabilità nei dati di addestramento, aiutando il modello a generalizzare meglio a dati non ancora visti. La tabella seguente descrive lo scopo e l'effetto di ciascun argomento di augmentation:

Queste impostazioni possono essere regolate per soddisfare i requisiti specifici del set di dati e dell'attività da svolgere. Sperimentare con valori diversi può aiutare a trovare la strategia di augmentation ottimale che porta alle migliori prestazioni del modello.

Logging

Durante l'addestramento di un modello YOLO11, potrebbe essere utile tenere traccia delle prestazioni del modello nel tempo. È qui che entra in gioco il logging. Ultralytics YOLO fornisce supporto per tre tipi di logger: Comet, ClearML e TensorBoard.

Per utilizzare un logger, selezionalo dal menu a tendina nello snippet di codice qui sopra ed eseguilo. Il logger scelto verrà installato e inizializzato.

Comet

Comet è una piattaforma che consente a data scientist e sviluppatori di tracciare, confrontare, spiegare e ottimizzare esperimenti e modelli. Fornisce funzionalità come metriche in tempo reale, differenze di codice e tracciamento degli iperparametri.

Per utilizzare Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

Ricordati di accedere al tuo account Comet sul loro sito web e di ottenere la tua chiave API. Dovrai aggiungerla alle tue variabili d'ambiente o al tuo script per registrare i tuoi esperimenti.

ClearML

ClearML è una piattaforma open-source che automatizza il tracciamento degli esperimenti e aiuta a condividere le risorse in modo efficiente. È progettata per aiutare i team a gestire, eseguire e riprodurre il proprio lavoro di ML in modo più efficiente.

Per utilizzare ClearML:

# pip install clearml
import clearml

clearml.browser_login()

Dopo aver eseguito questo script, dovrai accedere al tuo account ClearML sul browser e autenticare la tua sessione.

TensorBoard

TensorBoard è un toolkit di visualizzazione per TensorFlow. Ti permette di visualizzare il tuo grafo TensorFlow, tracciare metriche quantitative sull'esecuzione del tuo grafo e mostrare dati aggiuntivi come le immagini che lo attraversano.

Per utilizzare TensorBoard in Google Colab:

load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directory

Per utilizzare TensorBoard localmente, esegui il comando seguente e visualizza i risultati su http://localhost:6006/.

tensorboard --logdir ultralytics/runs # replace with 'runs' directory

Questo caricherà TensorBoard e lo indirizzerà alla directory in cui sono salvati i log di training.

Dopo aver configurato il logger, puoi procedere con il training del modello. Tutte le metriche di training verranno automaticamente registrate nella piattaforma scelta e potrai accedere a questi log per monitorare le prestazioni del tuo modello nel tempo, confrontare diversi modelli e identificare aree di miglioramento.

FAQ

Come posso addestrare un modello di object detection usando Ultralytics YOLO11?

Per addestrare un modello di object detection usando Ultralytics YOLO11, puoi usare l'API Python o la CLI. Di seguito è riportato un esempio per entrambi:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Per maggiori dettagli, consulta la sezione Impostazioni di addestramento.

Quali sono le caratteristiche principali della modalità Train di Ultralytics YOLO11?

Le caratteristiche principali della modalità Train di Ultralytics YOLO11 includono:

• Download automatico del dataset: Scarica automaticamente dataset standard come COCO, VOC e ImageNet.
• Supporto multi-GPU: Scala l'addestramento su più GPU per un'elaborazione più rapida.
• Configurazione degli iperparametri: Personalizza gli iperparametri tramite file YAML o argomenti CLI.
• Visualizzazione e monitoraggio: Monitoraggio in tempo reale delle metriche di addestramento per una migliore comprensione.

Queste funzionalità rendono l'addestramento efficiente e personalizzabile in base alle tue esigenze. Per maggiori dettagli, consulta la sezione Funzionalità chiave della modalità Train.

Come posso riprendere l'addestramento da una sessione interrotta in Ultralytics YOLO11?

Per riprendere l'addestramento da una sessione interrotta, imposta il parametro resume a True e specifica il percorso dell'ultimo checkpoint salvato.

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

# Resume training
results = model.train(resume=True)

yolo train resume model=path/to/last.pt

Consulta la sezione su Ripresa di addestramenti interrotti per maggiori informazioni.

Posso addestrare modelli YOLO11 su chip Apple Silicon?

Sì, Ultralytics YOLO11 supporta l'addestramento su chip Apple Silicon utilizzando il framework Metal Performance Shaders (MPS). Specifica 'mps' come dispositivo di addestramento.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Per maggiori dettagli, consulta la sezione Addestramento MPS su Apple Silicon.

Quali sono le impostazioni di addestramento comuni e come posso configurarle?

Ultralytics YOLO11 ti consente di configurare una varietà di impostazioni di addestramento come la dimensione del batch, il learning rate, le epoche e altro tramite argomenti. Ecco una breve panoramica:

Per una guida approfondita sulle impostazioni di training, consulta la sezione Impostazioni di training.

📅 Creato 1 anno fa ✏️ Aggiornato 1 mese fa

Commenti