yolov5权重和偏差记录

pytorch玩转深度学习

共 1238字,需浏览 3分钟

 ·

2021-08-22 16:47

关于权重和偏差

W&B视为机器学习模型的 GitHub。只需几行代码,即可保存调试、比较和重现模型所需的一切——架构、超参数、git 提交、模型权重、GPU 使用,甚至数据集和预测。

W&B 的轻量级集成适用于任何 Python 脚本,您可以注册一个免费帐户并在 5 分钟内开始跟踪和可视化模型。

W&B 被 OpenAI、Lyft、Github 和 MILA 等顶级研究人员使用,是机器学习最佳实践新标准的一部分。W&B 如何帮助您优化机器学习工作流程:

  • 实时调试模型性能

  • GPU 使用情况,自动可视化

  • 用于强大、可扩展的可视化的自定义图表

  • 与合作者互动分享见解

  • 高效优化超参数

  • 跟踪数据集、管道和生产模型

在你开始前

克隆这个 repo 并安装requirements.txt依赖项,包括Python>=3.8PyTorch>=1.7还要安装 W&B pip 包wandb

$ git clone https://github.com/ultralytics/yolov5  # clone repo
$ cd yolov5
$ pip install -r requirements.txt wandb # install

首次设置

当您第一次训练时,W&B 会提示您创建一个新帐户并为您生成一个API 密钥如果您是现有用户,则可以从 https://wandb.ai/authorize 检索您的密钥。此键用于告诉 W&B 在哪里记录您的数据。您只需要提供一次您的密钥,然后它就会在同一台设备上被记住。

W&B 将为您的训练运行创建一个云项目(默认为“YOLOv5”),并且每个新的训练运行都将在该项目中提供一个唯一的运行名称作为项目/名称。您还可以手动将项目和运行名称设置为:

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

查看运行

在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记录所有重要信息:

  • 训练损失

  • 验证损失

  • 指标:精度、召回率、mAP@0.5、mAP@0.5:0.95

  • 随着时间的推移学习率

  • GPU:类型、GPU 利用率、功率、温度、CUDA 内存使用情况

  • 系统:磁盘 I/0、CPU 使用率、RAM 内存使用率

  • 环境:操作系统和 Python 类型、Git 存储库和状态、训练命令

报告

W&B 报告可以从您保存的运行中创建,以便在线共享。创建报告后,您将收到一个链接,可用于公开分享您的结果。以下是根据所有四个 YOLOv5 模型的 COCO128 教程培训创建的示例报告(链接)。


浏览 106
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报