You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
206 lines
15 KiB
206 lines
15 KiB
--- |
|
comments: true |
|
description: Пошаговое руководство по обучению моделей YOLOv8 с использованием Ultralytics YOLO, включая примеры обучения на одном и нескольких GPU |
|
keywords: Ultralytics, YOLOv8, YOLO, обнаружение объектов, режим обучения, настраиваемый набор данных, обучение на GPU, много-GPU, гиперпараметры, примеры CLI, примеры Python |
|
--- |
|
|
|
# Обучение моделей с помощью Ultralytics YOLO |
|
|
|
<img width="1024" src="https://github.com/ultralytics/assets/raw/main/yolov8/banner-integrations.png" alt="Экосистема и интеграции Ultralytics YOLO"> |
|
|
|
## Введение |
|
|
|
Обучение глубокой обучающей модели включает в себя подачу данных и настройку её параметров, так чтобы она могла делать точные прогнозы. Режим обучения в Ultralytics YOLOv8 предназначен для эффективного и результативного обучения моделей обнаружения объектов с полным использованием возможностей современной аппаратуры. Это руководство нацелено на описание всех деталей, необходимых для начала обучения ваших моделей с использованием богатого набора функций YOLOv8. |
|
|
|
<p align="center"> |
|
<br> |
|
<iframe width="720" height="405" src="https://www.youtube.com/embed/LNwODJXcvt4?si=7n1UvGRLSd9p5wKs" |
|
title="YouTube video player" frameborder="0" |
|
allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" |
|
allowfullscreen> |
|
</iframe> |
|
<br> |
|
<strong>Смотреть:</strong> Как обучить модель YOLOv8 на вашем настраиваемом наборе данных в Google Colab. |
|
</p> |
|
|
|
## Почему стоит выбрать Ultralytics YOLO для обучения? |
|
|
|
Вот несколько убедительных причин использовать режим Train YOLOv8: |
|
|
|
- **Эффективность:** Используйте максимум возможностей вашего оборудования, будь то настройка с одним GPU или распределение нагрузки на несколько GPU. |
|
- **Универсальность:** Обучайте на настраиваемых наборах данных, помимо уже доступных, таких как COCO, VOC и ImageNet. |
|
- **Дружелюбный интерфейс:** Простой, но мощный интерфейс командной строки (CLI) и Python для прямолинейного опыта обучения. |
|
- **Гибкость гиперпараметров:** Широкий спектр настраиваемых гиперпараметров для тонкой настройки производительности модели. |
|
|
|
### Ключевые особенности режима Train |
|
|
|
Вот некоторые заметные особенности режима Train YOLOv8: |
|
|
|
- **Автоматическая загрузка набора данных:** Стандартные наборы данных, такие как COCO, VOC и ImageNet, загружаются автоматически при первом использовании. |
|
- **Поддержка многих GPU:** Масштабируйте усилия по обучению без проблем на нескольких GPU, чтобы ускорить процесс. |
|
- **Настройка гиперпараметров:** Возможность изменения гиперпараметров через файлы конфигурации YAML или аргументы CLI. |
|
- **Визуализация и мониторинг:** Отслеживание метрик обучения в реальном времени и визуализация процесса обучения для лучшего понимания. |
|
|
|
!!! Tip "Совет" |
|
|
|
* Наборы данных YOLOv8, такие как COCO, VOC, ImageNet и многие другие, автоматически загружаются при первом использовании, например, `yolo train data=coco.yaml` |
|
|
|
## Примеры использования |
|
|
|
Обучение YOLOv8n на наборе данных COCO128 в течение 100 эпох с размером изображения 640. Устройство для обучения может быть указано с помощью аргумента `device`. Если аргумент не передан, будет использоваться GPU `device=0`, если доступен, в противном случае будет использоваться `device=cpu`. Смотрите раздел Аргументы ниже для полного списка аргументов обучения. |
|
|
|
!!! Example "Пример обучения на одном GPU и CPU" |
|
|
|
Устройство определяется автоматически. Если доступен GPU, то он будет использован, иначе обучение начнется на CPU. |
|
|
|
=== "Python" |
|
|
|
```python |
|
from ultralytics import YOLO |
|
|
|
# Загрузить модель |
|
model = YOLO('yolov8n.yaml') # создать новую модель из YAML |
|
model = YOLO('yolov8n.pt') # загрузить предобученную модель (рекомендуется для обучения) |
|
model = YOLO('yolov8n.yaml').load('yolov8n.pt') # создать из YAML и перенести веса |
|
|
|
# Обучить модель |
|
results = model.train(data='coco128.yaml', epochs=100, imgsz=640) |
|
``` |
|
|
|
=== "CLI" |
|
|
|
```bash |
|
# Создать новую модель из YAML и начать обучение с нуля |
|
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640 |
|
|
|
# Начать обучение с предобученной модели *.pt |
|
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 |
|
|
|
# Создать новую модель из YAML, перенести предобученные веса и начать обучение |
|
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640 |
|
``` |
|
|
|
### Обучение на нескольких GPU |
|
|
|
Обучение на нескольких GPU позволяет более эффективно использовать доступные аппаратные ресурсы, распределяя нагрузку по обучению на несколько GPU. Эта функция доступна как через Python API, так и через командный интерфейс. Чтобы включить обучение на нескольких GPU, укажите идентификаторы устройств GPU, которые вы хотите использовать. |
|
|
|
!!! Example "Пример обучения на нескольких GPU" |
|
|
|
Чтобы обучить с использованием 2 GPU, устройств CUDA 0 и 1 используйте следующие команды. Расширьте до дополнительных GPU по мере необходимости. |
|
|
|
=== "Python" |
|
|
|
```python |
|
from ultralytics import YOLO |
|
|
|
# Загрузить модель |
|
model = YOLO('yolov8n.pt') # загрузить предобученную модель (рекомендуется для обучения) |
|
|
|
# Обучить модель с использованием 2 GPU |
|
results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device=[0, 1]) |
|
``` |
|
|
|
=== "CLI" |
|
|
|
```bash |
|
# Начать обучение с предобученной модели *.pt используя GPU 0 и 1 |
|
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1 |
|
``` |
|
|
|
### Обучение на Apple M1 и M2 с использованием MPS |
|
|
|
С интеграцией поддержки чипов Apple M1 и M2 в модели Ultralytics YOLO теперь можно обучать ваши модели на устройствах, использующих мощную платформу Metal Performance Shaders (MPS). MPS предлагает производительный способ выполнения вычислений и задач обработки изображений на пользовательских кремниевых чипах Apple. |
|
|
|
Чтобы запустить обучение на чипах Apple M1 и M2, вы должны указать 'mps' в качестве вашего устройства при запуске процесса обучения. Ниже приведены примеры использования Python и командной строки: |
|
|
|
!!! Example "Пример обучения с MPS" |
|
|
|
=== "Python" |
|
|
|
```python |
|
from ultralytics import YOLO |
|
|
|
# Загрузить модель |
|
model = YOLO('yolov8n.pt') # загрузить предобученную модель (рекомендуется для обучения) |
|
|
|
# Обучить модель с использованием MPS |
|
results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device='mps') |
|
``` |
|
|
|
=== "CLI" |
|
|
|
```bash |
|
# Начать обучение с предобученной модели *.pt используя MPS |
|
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps |
|
``` |
|
|
|
Используя вычислительные возможности чипов M1/M2, это позволяет более эффективно обрабатывать задачи обучения. Для более подробного руководства и расширенных параметров конфигурации, пожалуйста, обратитесь к [документации PyTorch MPS](https://pytorch.org/docs/stable/notes/mps.html). |
|
|
|
## Логирование |
|
|
|
В процессе обучения модели YOLOv8 вы можете найти ценным отслеживание производительности модели со временем. Здесь на помощь приходит логирование. YOLO от Ultralytics поддерживает три типа логгеров - Comet, ClearML и TensorBoard. |
|
|
|
Чтобы использовать логгер, выберите его из выпадающего меню в приведенном выше примере кода и запустите его. Выбранный логгер будет установлен и инициализирован. |
|
|
|
### Comet |
|
|
|
[Comet](https://www.comet.ml/site/) - это платформа, которая позволяет ученым и разработчикам отслеживать, сравнивать, объяснять и оптимизировать эксперименты и модели. Она предоставляет такие функции, как метрики в реальном времени, сравнение кода и отслеживание гиперпараметров. |
|
|
|
Чтобы использовать Comet: |
|
|
|
!!! Example "Пример" |
|
|
|
=== "Python" |
|
```python |
|
# pip install comet_ml |
|
import comet_ml |
|
|
|
comet_ml.init() |
|
``` |
|
|
|
Не забудьте войти в свою учетную запись Comet на их сайте и получить свой API-ключ. Вам нужно будет добавить его в переменные среды или в свой скрипт, чтобы вести журнал своих экспериментов. |
|
|
|
### ClearML |
|
|
|
[ClearML](https://www.clear.ml/) - это открытая платформа, которая автоматизирует отслеживание экспериментов и помогает в эффективном обмене ресурсами. Она предназначена для помощи командам в управлении, выполнении и воспроизведении их работы в области ML более эффективно. |
|
|
|
Чтобы использовать ClearML: |
|
|
|
!!! Example "Пример" |
|
|
|
=== "Python" |
|
```python |
|
# pip install clearml |
|
import clearml |
|
|
|
clearml.browser_login() |
|
``` |
|
|
|
После запуска этого скрипта вам нужно будет войти в вашу учетную запись ClearML в браузере и аутентифицировать вашу сессию. |
|
|
|
### TensorBoard |
|
|
|
[TensorBoard](https://www.tensorflow.org/tensorboard) - это инструмент визуализации для TensorFlow. Он позволяет вам визуализировать граф TensorFlow, выводить количественные метрики о выполнении вашего графа и показывать дополнительные данные, такие как изображения, проходящие через него. |
|
|
|
Чтобы использовать TensorBoard в [Google Colab](https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb): |
|
|
|
!!! Example "Пример" |
|
|
|
=== "CLI" |
|
```bash |
|
load_ext tensorboard |
|
tensorboard --logdir ultralytics/runs # заменить на директорию 'runs' |
|
``` |
|
|
|
Чтобы использовать TensorBoard локально, запустите приведенную ниже команду и просмотрите результаты по адресу http://localhost:6006/. |
|
|
|
!!! Example "Пример" |
|
|
|
=== "CLI" |
|
```bash |
|
tensorboard --logdir ultralytics/runs # заменить на директорию 'runs' |
|
``` |
|
|
|
Это загрузит TensorBoard и направит его к каталогу, где сохраняются ваши журналы обучения. |
|
|
|
После настройки вашего логгера вы можете продолжать обучение модели. Все метрики обучения будут автоматически записаны на выбранной вами платформе, и вы сможете получить доступ к этим журналам, чтобы отслеживать производительность вашей модели со временем, сравнивать различные модели и определять области для улучшения.
|
|
|