Addestra più velocemente i modelli YOLO con Ultralytics Platform

La scorsa settimana, Ultralytics ha presentato Ultralytics Platform, un ambiente di lavoro unificato progettato per semplificare il modo in cui i team sviluppano, addestrano e distribuiscono i modelli di computer vision. Invece di gestire numerosi strumenti, la piattaforma riunisce tutto in un unico luogo. Passare dall'idea alla distribuzione con modelli di IA per la visione diventa semplice e senza complicazioni.

Questo è fondamentale perché la computer vision sta rapidamente diventando una componente essenziale di diversi settori. Alimenta applicazioni come l'ispezione nella produzione, l'analisi del retail e la navigazione autonoma.

Trasformare queste applicazioni basate sulla visione in sistemi affidabili dipende dalla qualità dell'addestramento dei modelli. L'addestramento di un modello consiste nell'apprendere da dati annotati, in modo che il modello possa riconoscere schemi e produrre previsioni accurate. In generale, modelli ben addestrati garantiscono prestazioni migliori e risultati più affidabili nelle applicazioni del mondo reale.

Tuttavia, addestrare un modello di computer vision non è sempre semplice. Il processo comprende diversi aspetti, come la configurazione degli ambienti, la selezione delle risorse di calcolo appropriate, la regolazione degli iperparametri e il monitoraggio di più esperimenti di addestramento. Quando questi passaggi sono distribuiti tra strumenti e sistemi diversi, il flusso di lavoro di addestramento diventa rapidamente complesso e difficile da gestire.

Ultralytics Platform risolve questo problema riunendo l'intero processo di addestramento in un'unica dashboard unificata. Puoi configurare, eseguire e monitorare i job di addestramento in un unico luogo, sia che tu lavori nel cloud, localmente o su Google Colab.

Fig. 1. Uno sguardo all'addestramento del modello con Ultralytics Platform (Fonte)

In questo articolo analizzeremo come Ultralytics Platform semplifica l'addestramento dei modelli e perché può offrirti un vantaggio nei tuoi progetti di IA per la visione. Iniziamo!

I modelli di computer vision apprendono dai dati attraverso l'addestramento#

Prima di approfondire il funzionamento dell'addestramento dei modelli su Ultralytics Platform, facciamo un passo indietro e vediamo cos'è l'addestramento di un modello e cosa comporta.

L'addestramento di un modello è il processo attraverso il quale un modello di computer vision impara a interpretare i dati visivi. Analizza immagini o video e modifica gradualmente i propri parametri interni per eseguire con precisione attività di visione come il rilevamento degli oggetti, la classificazione delle immagini e la segmentazione delle istanze. Con il tempo, il modello migliora apprendendo direttamente dai dati che analizza.

La qualità dell'addestramento dipende fortemente dai dataset. Puoi considerare un dataset come un insieme di schede didattiche che un insegnante userebbe per preparare uno studente: ogni esempio aiuta il modello a imparare cosa cercare.

Un tipico dataset di computer vision include immagini, generalmente in formati come JPG o PNG, e annotazioni che descrivono il contenuto di ogni immagine. Queste annotazioni, spesso archiviate in file JSON o TXT, forniscono le etichette e il contesto di cui il modello ha bisogno per apprendere in modo efficace.

Ma l'addestramento non consiste semplicemente nel fornire dati a un modello. Comprende diversi passaggi fondamentali, dalla preparazione del dataset alla selezione del modello appropriato e alla configurazione del processo di addestramento. Ora esaminiamo più da vicino alcuni di questi passaggi.

Uno sguardo alla preparazione dei dataset#

Potrebbe sembrare che, una volta ottenuto un dataset, tu possa iniziare immediatamente ad addestrare un modello, ma prima devi completare alcuni passaggi, come suddividere il dataset.

In genere, un dataset viene suddiviso in tre parti: set di addestramento, set di validazione e set di test. Le immagini di addestramento vengono utilizzate per insegnare al modello gli schemi presenti nei dati, mentre il set di validazione aiuta a monitorare e perfezionare le prestazioni durante l'addestramento.

Il set di test viene utilizzato alla fine per valutare le prestazioni del modello su dati completamente nuovi e mai visti. Questa configurazione aiuta a garantire che il modello non si limiti a memorizzare i dati, ma sia in grado di generalizzare a scenari del mondo reale.

Selezionare il modello giusto per l'addestramento#

Un altro passaggio importante prima dell'addestramento consiste nello scegliere il modello da utilizzare. In molti casi, ciò significa selezionare un modello pre-addestrato. Modelli come quelli Ultralytics YOLO sono già addestrati su dataset di grandi dimensioni e hanno appreso schemi visivi generali, rappresentando quindi un ottimo punto di partenza.

L'utilizzo di questi modelli è un esempio di transfer learning, in cui costruisci a partire dalle conoscenze esistenti e adatti il modello alla tua attività specifica. Questo approccio aiuta ad accelerare l'addestramento e a migliorare i risultati, soprattutto quando lavori con una quantità limitata di dati.

Questi modelli sono inoltre disponibili in diverse dimensioni, ciascuna con un compromesso tra velocità e accuratezza. I modelli più piccoli sono più veloci ed efficienti, mentre quelli più grandi tendono a offrire una maggiore accuratezza, ma richiedono più risorse di calcolo.

Configurare i parametri di addestramento per i modelli di visione#

Dopo aver preparato il dataset e selezionato un modello, il passaggio successivo consiste nel configurare il modo in cui il modello apprende.

Un modello di computer vision viene addestrato utilizzando un insieme di parametri che determinano come elabora i dati, aggiorna i propri pesi e migliora nel tempo. Queste impostazioni influiscono direttamente sia sulla velocità di addestramento sia sull'accuratezza finale, rendendole essenziali per ottenere risultati solidi.

Ecco alcuni dei parametri di addestramento più utilizzati:

• Epoche: indica quante volte il modello attraversa l'intero dataset durante l'addestramento. Aumentare il numero di epoche offre al modello più opportunità di apprendere gli schemi presenti nei dati.
• Dimensione del batch: indica il numero di immagini elaborate insieme in un singolo passaggio di addestramento. Dimensioni del batch maggiori possono accelerare l'addestramento, ma richiedono più memoria.
• Dimensione dell'immagine: specifica la risoluzione delle immagini di input utilizzate durante l'addestramento. Risoluzioni più elevate possono migliorare l'accuratezza del rilevamento, ma aumentano il costo computazionale.
• Learning rate: indica la velocità con cui il modello aggiorna i propri parametri interni durante l'addestramento. Valori troppo alti o troppo bassi possono rendere instabile l'addestramento.
• Ottimizzatore: è l'algoritmo responsabile dell'aggiornamento dei parametri del modello sulla base dell'errore calcolato durante ogni iterazione di addestramento.

Nei flussi di lavoro basati su Ultralytics YOLO, queste configurazioni sono generalmente definite in un file YAML. Questo file specifica i percorsi dei dataset, i nomi delle classi e il modo in cui i dati vengono suddivisi. Funge da configurazione centrale che indica al modello come interpretare il dataset.

Da flussi di lavoro frammentati a un'esperienza unificata con Ultralytics Platform#

Abbiamo appena esaminato alcuni dei passaggi fondamentali dell'addestramento di un modello di computer vision, dalla preparazione dei dataset alla selezione di un modello e alla configurazione dei parametri di addestramento. Nella pratica, il processo spesso prosegue includendo il monitoraggio degli esperimenti, il confronto tra più esecuzioni di addestramento e il perfezionamento continuo dei modelli nel tempo.

Questi passaggi raramente vengono gestiti in un unico luogo. I dataset possono essere preparati con uno strumento, le esecuzioni di addestramento effettuate in un altro ambiente e il monitoraggio degli esperimenti gestito separatamente. Con la crescita dei progetti, questa frammentazione aggiunge complessità, rallenta le iterazioni e rende più difficile mantenere tutto organizzato.

Ultralytics Platform elimina questa complessità riunendo l'intero flusso di lavoro di addestramento in un unico ambiente. Invece di passare da uno strumento all'altro, puoi gestire i dataset, configurare l'addestramento, eseguire esperimenti e monitorare i risultati in un unico luogo.

Ora analizziamo come Ultralytics Platform rende più intelligente l'addestramento dei modelli.

Opzioni di addestramento supportate da Ultralytics Platform#

Nelle applicazioni del mondo reale, addestrare un modello di computer vision richiede spesso ambienti flessibili. A seconda delle dimensioni del dataset, della complessità del modello e dell'hardware disponibile, puoi scegliere di eseguire l'addestramento nel cloud, su una macchina locale o tramite ambienti notebook esterni.

Ultralytics Platform supporta le seguenti opzioni di addestramento per soddisfare queste esigenze:

• Addestramento nel cloud: l'addestramento viene eseguito su unità di elaborazione grafica (GPU) cloud gestite da Ultralytics. Questa opzione è ideale per dataset di grandi dimensioni o modelli più complessi che richiedono risorse computazionali significative.
• Addestramento locale: questa opzione utilizza l'hardware disponibile sulla tua macchina ed è ideale per esperimenti rapidi, test delle configurazioni o attività con dataset più piccoli. Per carichi di lavoro più scalabili, l'addestramento può essere eseguito anche nel tuo ambiente cloud, ad esempio AWS o GCP.
• Google Colab: con Ultralytics Platform puoi eseguire l'addestramento nell'ambiente notebook ospitato di Google Colab, ottenendo un flusso di lavoro flessibile basato sul browser senza dover configurare una macchina locale.

Esplorare l'addestramento nel cloud su Ultralytics Platform#

Per i progetti di computer vision, addestrare i modelli localmente o tramite ambienti notebook non è sempre semplice.

Ad esempio, nell'addestramento locale le prestazioni dipendono interamente dal tuo hardware, che può limitare la potenza di calcolo e rallentare la sperimentazione. Le GPU sono essenziali per un addestramento efficiente, ma non tutte le configurazioni ne garantiscono un accesso affidabile.

Sebbene gli ambienti notebook come Google Colab offrano un'alternativa mettendo a disposizione GPU basate sul cloud, le sessioni sono spesso temporanee e possono interrompere le esecuzioni di addestramento più lunghe. Con la crescita dei dataset e l'aumento della complessità dei flussi di lavoro, queste limitazioni possono trasformarsi rapidamente in colli di bottiglia, rendendo l'addestramento più lento e meno affidabile.

Ultralytics Platform affronta questo problema con la sua opzione di addestramento nel cloud. Fornisce un ambiente pronto all'uso in cui le dipendenze Python e i framework come PyTorch sono preconfigurati, consentendoti di iniziare l'addestramento senza configurazioni aggiuntive.

Da un'unica dashboard puoi avviare i job di addestramento e monitorare i progressi in tempo reale. Questo rende più semplice concentrarti sul miglioramento dei modelli invece di gestire l'infrastruttura.

Ora vediamo come iniziare con l'addestramento nel cloud su Ultralytics Platform.

Passaggio 1: seleziona un modello di base#

Il primo passaggio consiste nello scegliere un modello di base per la tua esecuzione di addestramento. Puoi selezionare un modello Ultralytics YOLO pre-addestrato, clonare un modello della community oppure caricare i tuoi pesi pre-addestrati per soddisfare requisiti personalizzati.

La piattaforma supporta tutti i modelli Ultralytics YOLO, inclusi Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8 e Ultralytics YOLOv5, ciascuno disponibile in diverse varianti di dimensione, come nano (n), small (s), medium (m), large (l) ed extra-large (x). Poiché le diverse varianti offrono un compromesso tra velocità e accuratezza, puoi scegliere il modello più adatto ai tuoi requisiti di prestazioni e calcolo.

Questi modelli supportano una serie di attività di computer vision già note agli utenti di Ultralytics YOLO, tra cui il rilevamento degli oggetti, la segmentazione delle istanze, la classificazione delle immagini, il rilevamento di bounding box orientati (OBB) e la stima della posa.

Se hai requisiti personalizzati, puoi anche caricare i pesi del tuo modello pre-addestrato. In questo modo puoi continuare ad addestrare o perfezionare un modello esistente, come un rilevatore di oggetti, direttamente nella piattaforma invece di partire da zero. È particolarmente utile se hai già addestrato un modello altrove o vuoi adattarlo a un caso d'uso più specifico.

Passaggio 2: seleziona un dataset#

Il passaggio successivo consiste nel selezionare un dataset per l'addestramento. Su Ultralytics Platform puoi utilizzare dataset preesistenti come il dataset COCO, clonare dataset della community oppure caricare un tuo dataset personalizzato adattato alla tua applicazione specifica.

La piattaforma supporta formati di annotazione comuni come Ultralytics YOLO e COCO e può anche gestire il caricamento di immagini non elaborate se intendi annotare dati personalizzati direttamente sulla piattaforma.

Dopo il caricamento, i dataset vengono elaborati automaticamente, inclusi la validazione, la normalizzazione, l'analisi delle etichette e la generazione delle statistiche. Questo ti offre una visibilità immediata sui dati, comprese la distribuzione delle classi e la struttura del dataset, e aiuta a garantire che tutto sia pronto per l'addestramento.

I dataset vengono inoltre collegati automaticamente alle esecuzioni di addestramento, consentendoti di monitorare quali dati sono stati utilizzati per ciascun modello e di mantenere la coerenza tra gli esperimenti.

Passaggio 3: configura i parametri di addestramento#

Dopo aver scelto il dataset, puoi configurare i parametri di addestramento che controllano il modo in cui il modello apprende. Questi includono le epoche, la dimensione del batch, la dimensione dell'immagine e il nome dell'esecuzione per il log di addestramento. Molti di questi parametri influenzano sia la durata dell'addestramento sia le prestazioni finali del modello.

Per un addestramento più controllato, la piattaforma ti permette anche di modificare parametri avanzati come il learning rate, il tipo di ottimizzatore, le impostazioni di aumento del colore e altre opzioni di addestramento. Queste impostazioni possono perfezionare il processo di addestramento per migliorare l'accuratezza e la stabilità del modello.

Passaggio 4: seleziona una GPU#

Successivamente puoi selezionare la configurazione GPU per la tua esecuzione di addestramento. La scelta della GPU giusta dipende da fattori come le dimensioni del dataset, la dimensione del batch, la risoluzione delle immagini e la complessità del modello. Trovare il giusto equilibrio aiuta a mantenere efficiente l'addestramento senza utilizzare più risorse di calcolo del necessario.

Ultralytics Platform offre 22 opzioni GPU con diversi livelli di VRAM (memoria di una GPU) e potenza di calcolo, supportando attività di piccole dimensioni e carichi di lavoro su larga scala.

In questo modo puoi associare l'hardware alle tue esigenze specifiche, sia che tu stia addestrando modelli leggeri sia che lavori con dataset grandi e complessi. Per saperne di più, consulta l'elenco delle GPU disponibili nella pagina della documentazione sull'addestramento di Platform di Ultralytics.

Fig. 2. Alcune delle opzioni GPU disponibili tramite Ultralytics Platform (Fonte)

Passaggio 5: avvia l'addestramento nel cloud#

Dopo aver selezionato il modello, il dataset, i parametri di addestramento e l'opzione di calcolo, avviare un'esecuzione di addestramento è rapido. Dalla dashboard puoi avviare l'addestramento con un solo clic, mentre la piattaforma si occupa del resto, inizializzando l'ambiente ed eseguendo il job sulla GPU selezionata.

All'inizio dell'addestramento puoi monitorare i progressi direttamente nella piattaforma. La scheda Train offre visibilità in tempo reale sulle metriche principali, incluse le metriche delle prestazioni, le curve della loss, l'utilizzo del sistema e i log di addestramento in tempo reale.

Per saperne di più sull'addestramento locale o sull'utilizzo di Google Colab con Ultralytics Platform, puoi consultare altri tutorial nella documentazione di Platform ufficiale di Ultralytics.

Valutare e confrontare i modelli su Ultralytics Platform#

Una volta completato l'addestramento, il passaggio successivo consiste nel valutare le prestazioni del modello. Su Ultralytics Platform puoi confrontare più esecuzioni di addestramento all'interno di un progetto, ottenendo una visione chiara delle prestazioni dei diversi esperimenti.

Durante lo sviluppo dei modelli, l'addestramento viene spesso ripetuto più volte con impostazioni diverse, ad esempio modificando il learning rate, la dimensione del batch o la dimensione del modello, per migliorare i risultati. Ciascuna esecuzione produce un modello leggermente diverso, per questo è fondamentale confrontarle.

I progetti fungono da hub centrale in cui modelli ed esperimenti vengono organizzati insieme. Puoi monitorare i progressi, esaminare i risultati e mantenere la concentrazione senza passare da uno strumento o una vista all'altra.

Da questa vista unificata puoi anche analizzare metriche chiave delle prestazioni come precision, recall e mAP (precision media media) per capire come si comporta il modello nelle diverse classi. Puoi inoltre confrontare le esecuzioni di addestramento affiancate per individuare le configurazioni che offrono i risultati migliori.

Per completare queste metriche, puoi utilizzare la scheda Predict per testare rapidamente i modelli addestrati su immagini o dati di esempio, verificando visivamente le prestazioni e individuando potenziali problemi.

Grazie a queste informazioni puoi selezionare il modello con le prestazioni migliori, generalmente salvato come checkpoint “best.pt”, e passare alla fase successiva, che può consistere in un'ulteriore valutazione, nell'utilizzo del modello per eseguire inferenze o nella distribuzione del modello tramite la piattaforma.

Fig. 3. Un esempio di visualizzazione delle metriche su Ultralytics Platform (Fonte)

Stimare il costo dell'addestramento su Ultralytics Platform#

L'addestramento di modelli per il rilevamento degli oggetti nel cloud comporta costi di calcolo, soprattutto quando accedi a GPU ad alte prestazioni. Per rendere il processo più pratico, Ultralytics Platform fornisce una stima dei costi prima dell'inizio dell'addestramento.

Offre una visibilità chiara sull'utilizzo previsto, aiutandoti a pianificare i carichi di lavoro, gestire il budget ed evitare spese impreviste prima di avviare un job di addestramento. Ecco come verificare i costi stimati prima di iniziare l'addestramento.

Come viene stimato il tempo di addestramento#

Per stimare accuratamente il costo, la piattaforma calcola innanzitutto quanto tempo richiederà una singola epoca di addestramento. Ciò dipende da fattori come le dimensioni del dataset, le dimensioni del modello, la risoluzione delle immagini, la dimensione del batch e la velocità della GPU selezionata.

Utilizzando questi dati, determina il tempo stimato per epoca e lo estende all'intera esecuzione di addestramento. La durata totale viene calcolata combinando il tempo di tutte le epoche con un piccolo sovraccarico di avvio.

Il sovraccarico tiene conto di attività come l'inizializzazione dell'ambiente, il caricamento dei dataset e la preparazione della GPU, garantendo che la stima rifletta l'intero processo di addestramento, non solo il ciclo di addestramento.

Come viene calcolato il costo dell'addestramento#

Una volta stimato il tempo totale di addestramento, la piattaforma lo converte in un costo utilizzando la tariffa oraria della GPU selezionata.

Combinando la durata dell'addestramento con il prezzo della GPU, possiamo ottenere una stima chiara del costo dell'esecuzione prima ancora che inizi.

Avere visibilità anticipata rende semplice modificare la configurazione, ad esempio regolando i parametri di addestramento o selezionando una GPU diversa, così puoi bilanciare in modo più efficace prestazioni e costi.

Fig. 4. Configurazione dell'addestramento del modello e stima dei costi su Ultralytics Platform (Fonte)

Principali vantaggi dell'utilizzo di Ultralytics Platform per l'addestramento dei modelli#

Finora abbiamo esaminato i passaggi fondamentali dell'addestramento dei modelli di computer vision e il modo in cui si integrano su Ultralytics Platform.

Oltre a queste funzionalità principali, sono disponibili ulteriori capacità che migliorano il flusso di lavoro di addestramento. Ecco una panoramica di alcuni dei principali vantaggi dell'utilizzo di Ultralytics Platform per l'addestramento dei modelli:

• Riproducibilità integrata degli esperimenti: ogni esecuzione di addestramento viene registrata automaticamente con la configurazione completa, inclusi modello, dataset, parametri e configurazione di calcolo. Questo rende semplice riprendere gli esperimenti e riprodurre i risultati in modo affidabile.
• Insight sull'addestramento nel tempo: invece di visualizzare solo i risultati finali, puoi monitorare l'evoluzione delle prestazioni durante le epoche, comprendendo meglio il comportamento del modello durante l'addestramento.
• Riduzione degli oneri operativi: gestendo in background la configurazione dell'ambiente, la gestione delle dipendenze e dell'infrastruttura, la piattaforma ti permette di concentrarti maggiormente sullo sviluppo del modello e meno sulla configurazione.
• Organizzazione centralizzata degli esperimenti: i progetti fungono da unico spazio per gestire modelli, dataset ed esecuzioni di addestramento, aiutandoti a mantenere strutturati gli esperimenti man mano che i flussi di lavoro diventano più complessi.

Punti chiave#

L'addestramento è una delle fasi più importanti del ciclo di vita di un modello di machine learning. Determina con quale accuratezza un modello può riconoscere e interpretare i dati visivi.

Combinando la configurazione dei dati di addestramento, il monitoraggio, il confronto tra esperimenti e la stima dei costi in un unico ambiente, Ultralytics Platform semplifica il processo di creazione di modelli di computer vision ad alte prestazioni e della loro preparazione per la distribuzione.

Scopri la nostra community in crescita e il nostro repository GitHub per saperne di più sulla visione artificiale. Se vuoi creare soluzioni di visione, dai un'occhiata alle nostre opzioni di licenza. Esplora le nostre pagine dedicate alle soluzioni per conoscere meglio i vantaggi della visione artificiale nella produzione e dell'AI nell'agricoltura.