深度学习之wandb的基本使用

wandb 的基本使用

在深度学习训练网络的过程中，由于网络训练过程时间长，不可能一直关注训练中的每一轮结果，因此我们需要将训练过程中的结果可视化，留作后续的查看，从而确定训练过程是否出错。因此，我们需要使用到可视化工具，常用的几种可视化工具有：wandb（在线可视化）、tensorboard、这里主要介绍wandb的基本使用，tensorboard 的使用可参考我的另一篇博客 Tensorboard 的详细使用。

1、安装 wandb 库

pip install wandb

2、注册 wandb 账号

进入官网：https://wandb.ai/ 注册自己的账号，并依据提示，创建属于自己的 Team （相当于一个名称标识，后续需要用到），找到自己账户的 API密钥 ，记录下来。

3、登录 wandb 账号

# 在终端中输入 wandb login 进行登录，输入后，提示输入自身账号的API密钥，将上一步得到的密钥复制进去即可。
wandb login

PS D:\PythonProjects\Object-Detection> wandb login
wandb: Logging into wandb.ai. (Learn how to deploy a W&B server locally: https://wandb.me/wandb-server)
wandb: You can find your API key in your browser here: https://wandb.ai/authorize               
wandb: Paste an API key from your profile and hit enter, or press ctrl+c to quit: 输入自己账号的密钥            

# 此时登录成功，后续可以在代码中直接使用wandb库了。
wandb: Appending key for api.wandb.ai to your netrc file: C:\Users\LIULUSHENG/.netrc 

4、基本使用

import wandb

# 自定义一些本次训练的起始参数信息（数据集名称等等）（可选）
config = {
  "learning_rate": 0.001,
  "epochs": 100,
  "batch_size": 128,
  "image_size": 640
}

# 初始化（必填）
wandb.init(
    entity="zkhy",  # wandb上对应的team名称（必填）
    project="test-project",  # 本次的项目名称（必填）
    name="hello",  # 本次实验的名称（可选，如果不设置，wandb会自动生成本次实验名称）
    tags=["yolo", "lanes-detection"],  # 本次实验的标签（可选）
    notes="this is a training exp",  # 本次实验的备注（可选）
    config=config,  # 本次实验的配置说明（可选）
)

5、常见用法

5.1 使用 wandb.log() 记录数值信息

import wandb

# 设置一些本次训练的起始参数信息（数据集名称等等）
config = {
  "learning_rate": 0.001,
  "epochs": 100,
  "batch_size": 128,
  "image_size": 640
}

# 初始化
wandb.init(
    project="test-project",  # 本次的项目名称
    entity="zkhy",  # wandb上对应的team名称
    name="hello",  # 本次实验的名称（可选，如果不设置，wandb会自动生成本次实验名称）
    tags=["yolo", "lanes-detection"],  # 本次实验的标签
    notes="this is a training exp",  # 本次实验的备注
    config=config,  # 本次实验的配置说明
)

epochs = 10
# 通过wandb.log() 添加普通的数值图表信息
for i in range(epochs):
    # log中字典里的每一项都会生成一个图表信息
    wandb.log({
        "loss": random.randint(1, 6),
        "acc": random.randint(1, 100),
        "mAP.5": random.randint(10, 100)
    })

5.2 使用 wandb.Image() 记录图像信息

wandb.Image() 接收的是一个 numpy 格式的图像数据。

• 法一：直接使用 numpy 格式的图像数据

import wandb
import matplotlib.pyplot as plt

# 自定义一些本次训练的起始参数信息（数据集名称等等）（可选）
config = {
  "learning_rate": 0.001,
  "epochs": 100,
  "batch_size": 128,
  "image_size": 640
}

# 初始化（必填）
wandb.init(
    entity="zkhy",  # wandb上对应的team名称（必填）
    project="test-project",  # 本次的项目名称（必填）
    name="hello",  # 本次实验的名称（可选，如果不设置，wandb会自动生成本次实验名称）
    tags=["yolo", "lanes-detection"],  # 本次实验的标签（可选）
    notes="this is a training exp",  # 本次实验的备注（可选）
    config=config,  # 本次实验的配置说明（可选）
)

# 通过wandb.log() 和 wandb.Image() 添加图像信息
# 这里注意：由于上面代码已经使用了wandb.log()，并且迭代了10次，所以下面的wandb.log()会从10开始迭代5轮。
for i in range(5):
    # 读取图片，读取的图片是numpy格式数组(HWC)
    img = plt.imread("../../left_color.png")
    # print(type(img), img.shape)
    wandb.log({
        "images": wandb.Image(img),  # 接收的是一个numpy格式的数组
        "images_r": wandb.Image(img[:, :, 0])  # 切其中一个通道上传
    })

• 法二：通过 matplotlib 绘制图像，再将绘制的图像转换成 numpy 格式的图像数据进行上传

import wandb
import numpy as np
from matplotlib.backends.backend_agg import FigureCanvasAgg
import matplotlib.pyplot as plt

# 自定义一些本次训练的起始参数信息（数据集名称等等）（可选）
config = {
  "learning_rate": 0.001,
  "epochs": 100,
  "batch_size": 128,
  "image_size": 640
}

# 初始化（必填）
wandb.init(
    entity="zkhy",  # wandb上对应的team名称（必填）
    project="test-project",  # 本次的项目名称（必填）
    name="hello",  # 本次实验的名称（可选，如果不设置，wandb会自动生成本次实验名称）
    tags=["yolo", "lanes-detection"],  # 本次实验的标签（可选）
    notes="this is a training exp",  # 本次实验的备注（可选）
    config=config,  # 本次实验的配置说明（可选）
)

# 定义一个方法，将plt的图像转换为numpy格式数组
def plt_to_numpy(plt):
    canvas = FigureCanvasAgg(plt.gcf())
    # 绘制图像
    canvas.draw()
    # 获取图像尺寸
    w, h = canvas.get_width_height()
    # 解码string 得到argb图像
    buf = np.frombuffer(canvas.tostring_argb(), dtype=np.uint8)
    # 重构成w h 4(argb)图像
    buf.shape = (w, h, 4)
    # 转换为 RGBA
    buf = np.roll(buf, 3, axis=2)
    # 得到 Image RGBA图像对象 (需要Image对象的同学到此为止就可以了)
    image = Image.frombytes("RGBA", (w, h), buf.tobytes())
    # 转换为numpy array rgba四通道数组
    image = np.asarray(image)
    # print(type(image))
    return image

# 添加plt绘制的图像信息，上传到wandb
x = [1, 2, 3, 4, 5, 6]
y = [3, 2, 1, 10, 6, 9]
# 绘制折线图
plt.plot(x, y)
# 设置标题
plt.title("test plot chart")
# 将plt图像转换为numpy数组
to_numpy = plt_to_numpy(plt)

# 上传图像到wandb
wandb.log({
    "plt": wandb.Image(to_numpy)
})