Wandb使用文档-在YOLOv5中的设置

这个博客主要记录在yolov5中解释如何使用YOLOv5权重和偏差~

第一次设置

切换的细节

当您第一次训练时,W&B将提示您创建一个新帐户,并将为您生成一个**API密钥**。如果您是现有用户,您可以从https://wandb.ai/authorize检索密钥。这个键用来告诉W&B在哪里记录您的数据。你只需要提供一次密钥,然后它就会在同一台设备上被记住。

W&B将为您的培训运行创建一个云项目(默认为'YOLOv5'),并且每个新的培训运行将在该项目中提供一个唯一的运行名称project/name。你也可以手动设置你的项目和运行名称为:

$ python train.py --project ... --name ...

 

查看运行

在您训练时,将信息流从您的环境运行到W&B云控制台。这允许您实时监控甚至取消运行。所有重要信息都被记录:

  • Training & Validation losses(训练&验证损失)
  • Metrics: Precision, Recall, mAP@0.5, mAP@0.5:0.95(评估指标)
  • Learning Rate over time(学习率-随时变化的)
  • A bounding box debugging panel, showing the training progress over time(一个边界框调试面板,显示随时间的训练进度)
  • GPU: Type, GPU Utilization, power, temperature, CUDA memory usage
  • System: Disk I/0, CPU utilization, RAM memory usage
  • Your trained model as W&B Artifact
  • Environment: OS and Python types, Git repository and state, training command

 

禁用wandb

在该目录中禁用wandb后的训练不会创建wandb运行

wandb disabled

如果需要重新启用wandb,请运行wandb online命令

wandb online

高级用法

您可以利用W&B工件和表格集成来轻松地可视化和管理您的数据集、模型和培训评估。这里有一些快速的例子可以帮助你入门。

1:同时进行训练和日志评估

这是前一节的扩展,但它也将在上传数据集后进行训练。这也是评估表评估比较您的预测和每个epoch的验证集的基本事实。它使用已经上传的数据集的引用,所以没有图像将从您的系统上传超过一次。

终端开启命令:

python train.py --upload_data val

 py内开启

在train.py文件的add_argument(参数调节部分),对--upload_data这行加入default=True;即代表每次训练是默认开启上传验证集结果。 

 结果展示

2. 可视化和版本化数据集

使用W&B表记录、可视化、动态查询和理解您的数据。您可以使用以下命令将数据集记录为W&B表。这将生成一个{dataset}_wandb。Yaml文件,可以用来从数据集工件训练。

终端命令:

python utils/logger/wandb/log_dataset.py --project ... --name ... --data ..

py文件

在yolov5项目根目录下utils/loggers/wandb/log_dataset.py中。 

    parser.add_argument('--data', type=str, default='data/coco128.yaml', help='data.yaml path')
    parser.add_argument('--single-cls', action='store_true', help='train as single-class dataset')
    parser.add_argument('--project', type=str, default='YOLOv5', help='name of W&B Project')
    parser.add_argument('--entity', default=None, help='W&B entity')
    parser.add_argument('--name', type=str, default='log dataset', help='name of W&B run')

3:使用数据集工件进行训练

当您按照第一节所述上传数据集时,您将获得一个新的配置文件,其名称中添加了' _wandb '。此文件包含可用于直接从数据集工件训练模型的信息。这也记录了计算结果

4:将模型检查点保存为工件

要启用实验的保存和版本控制检查点,请传递'——save_period n '和

cammand基础,其中' n '表示检查点间隔。您还可以同时记录数据集和模型检查点。如果没有通过,则只记录最终的模型

python train.py --save_period 1

 5:从检查点工件运行恢复。

如果——resume参数以wandb-artifact://前缀开头,后面跟着运行路径,即wandb-artifact://username/project/runid,则可以使用artifacts恢复任何运行。这并不要求模型检查点出现在本地系统上。

python train.py --resume wandb-artifact://{run_path}

 6:从数据集工件和检查点工件运行简历。

不需要本地数据集或模型检查点。语法与前一节相同,但您需要将数据集和模型检查点作为工件进行lof,即set bot——upload_dataset或train from _wandb。Yaml文件和设置——save_period

python train.py --resume wandb-artifact://{run_path}

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而高性能,更加灵活和易用,当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。  本课程的YOLOv5使用ultralytics/yolov5,在Windows和Ubuntu系统上分别做项目演示。包括:安装YOLOv5、标注自己的数据集、准备自己的数据集(自动划分训练集和验证集)、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 除本课程《YOLOv5实战训练自己的数据集(Windows和Ubuntu演示)》外,本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程,包括:《YOLOv5(PyTorch)目标检测:原理与源码解析》课程链接:https://edu.csdn.net/course/detail/31428《YOLOv5目标检测实战:Flask Web部署》课程链接:https://edu.csdn.net/course/detail/31087《YOLOv5(PyTorch)目标检测实战:TensorRT加速部署》课程链接:https://edu.csdn.net/course/detail/32303《YOLOv5目标检测实战:Jetson Nano部署》课程链接:https://edu.csdn.net/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接:https://edu.csdn.net/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接:https://edu.csdn.net/course/detail/32744《YOLOv5实战国交通标志识别》课程链接:https://edu.csdn.net/course/detail/35209 《YOLOv5实战垃圾分类目标检测》课程链接:https://edu.csdn.net/course/detail/35284  
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而性能高,更加灵活和易用,当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。 本课程的YOLOv5使用ultralytics/yolov5,在Windows系统上做项目演示。包括:安装YOLOv5、标注自己的数据集、准备自己的数据集、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 希望学习Ubuntu上演示的同学,请前往 《YOLOv5(PyTorch)实战:训练自己的数据集(Ubuntu)》课程链接:https://edu.csdn.net/course/detail/30793  本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程,包括:《YOLOv5(PyTorch)目标检测实战:训练自己的数据集》Ubuntu系统 https://edu.csdn.net/course/detail/30793Windows系统 https://edu.csdn.net/course/detail/30923《YOLOv5(PyTorch)目标检测:原理与源码解析》课程链接:https://edu.csdn.net/course/detail/31428《YOLOv5目标检测实战:Flask Web部署》课程链接:https://edu.csdn.net/course/detail/31087《YOLOv5(PyTorch)目标检测实战:TensorRT加速部署》课程链接:https://edu.csdn.net/course/detail/32303《YOLOv5目标检测实战:Jetson Nano部署》课程链接:https://edu.csdn.net/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接:https://edu.csdn.net/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接:https://edu.csdn.net/course/detail/32744《YOLOv5实战国交通标志识别》课程链接:https://edu.csdn.net/course/detail/35209《YOLOv5实战垃圾分类目标检测》课程链接:https://edu.csdn.net/course/detail/35284       
感谢您的提问!使用YOLOv5wandb(Weight & Biases)结合可以方便地进行模型训练和性能跟踪。下面是使用wandb的步骤: 1. 首先,确保您已经安装了wandb库。可以使用以下命令进行安装: ```python pip install wandb ``` 2. 在您的YOLOv5项目导入wandb库: ```python import wandb ``` 3. 初始化wandb,并登录到您的wandb账户(如果没有账户,请先注册一个): ```python wandb.login() ``` 此命令将打开一个网页,您需要按照提示进行登录。 4. 在代码添加wandb.init()来初始化一个新的运行会话: ```python wandb.init(project='yolov5', entity='your_username') ``` 这里,'project'是您的项目的名称,'entity'是您的wandb用户名。 5. 设置wandb配置,包括模型参数、优化器、学习率等: ```python config = wandb.config config.learning_rate = 0.001 config.batch_size = 16 ... ``` 6. 在训练过程使用wandb.log()记录关键指标: ```python for epoch in range(num_epochs): # 训练过程更新指标 wandb.log({'epoch': epoch, 'loss': loss.item()}) ``` 7. 在您的训练脚本添加wandb.watch()以跟踪模型的梯度和参数: ```python model = YOLOv5() wandb.watch(model) ``` 8. 启动训练过程,并在训练过程进行指标记录: ```python with wandb.init(project='yolov5', entity='your_username'): # 训练代码 ``` 9. 运行训练脚本后,可以在wandb网站上查看训练过程记录的指标和图表。 这些是使用YOLOv5wandb结合进行模型训练和性能跟踪的基本步骤。您可以根据具体的需求和项目进行调整和扩展。希望对您有帮助!如有更多问题,请随时提问。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值