Addestra i modelli YOLO più velocemente con Ultralytics Platform

La scorsa settimana, Ultralytics ha presentato la Ultralytics Platform, uno spazio di lavoro unificato pensato per semplificare il modo in cui i team sviluppano, addestrano e distribuiscono modelli di visione artificiale. Invece di destreggiarti tra più strumenti, hai tutto in un unico posto. Passare dall'idea alla distribuzione di modelli di IA visiva diventa semplice.

È un aspetto fondamentale, perché la visione artificiale sta rapidamente diventando parte integrante di diversi settori. È alla base di applicazioni come il controllo qualità nella produzione, l'analisi nel commercio al dettaglio e la navigazione autonoma.

La trasformazione di queste applicazioni basate sulla visione artificiale in sistemi affidabili dipende dalla qualità dell'addestramento dei modelli. L'addestramento dei modelli consiste nell'apprendere da dati etichettati, così che il modello possa riconoscere schemi e formulare previsioni accurate. In generale, i modelli ben addestrati offrono prestazioni migliori e risultati più affidabili nelle applicazioni del mondo reale.

Tuttavia, addestrare un modello di visione artificiale non è sempre semplice. Il processo comprende diversi aspetti, come la configurazione degli ambienti, la scelta delle risorse di calcolo più adatte, la regolazione degli iperparametri e il monitoraggio di più esperimenti di addestramento. Quando queste fasi si svolgono con strumenti e sistemi diversi, il flusso di lavoro di addestramento diventa rapidamente complesso e difficile da gestire.

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

Fig. 1. Uno sguardo all'addestramento dei modelli nella Ultralytics Platform (Fonte)

In questo articolo vedremo come la Ultralytics Platform semplifica l'addestramento dei modelli e perché può darti un vantaggio nei tuoi progetti di IA visiva. Cominciamo!

I modelli di visione artificiale apprendono dai dati attraverso l'addestramento#

Prima di vedere come funziona l'addestramento dei modelli sulla Ultralytics Platform, facciamo un passo indietro e vediamo in cosa consiste e quali elementi comprende.

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

La qualità dell'addestramento dipende in larga misura dai dataset. Puoi immaginare un dataset come un mazzo di flashcard che un insegnante usa per istruire uno studente, dove ogni esempio aiuta il modello a imparare cosa cercare.

Un tipico dataset di visione artificiale comprende immagini, solitamente in formati come JPG o PNG, e annotazioni che descrivono il contenuto di ciascuna immagine. Queste annotazioni, spesso salvate in file JSON o TXT, forniscono le etichette e il contesto necessari al modello per apprendere in modo efficace.

L'addestramento, però, non consiste semplicemente nel fornire dati a un modello. Comprende diverse fasi fondamentali, dalla preparazione del dataset alla scelta del modello giusto e alla configurazione del processo di addestramento. Vediamo più da vicino alcune di queste fasi.

Come si preparano i dataset#

Potresti pensare che, una volta ottenuto un dataset, sia possibile iniziare subito 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 convalida e set di test. Le immagini di addestramento servono a insegnare al modello gli schemi presenti nei dati, mentre il set di convalida aiuta a monitorare e perfezionare le prestazioni durante l'addestramento.

Il set di test serve, al termine del processo, a valutare le prestazioni del modello su dati completamente nuovi e mai visti prima. Questa configurazione aiuta a garantire che il modello non si limiti a memorizzare i dati, ma sappia generalizzare a scenari del mondo reale.

Scegliere il modello giusto per l'addestramento#

Un altro passaggio importante prima dell'addestramento è scegliere il modello da usare. In molti casi, questo significa selezionare un modello preaddestrato. I modelli come quelli Ultralytics YOLO sono già addestrati su grandi dataset e hanno appreso schemi visivi generali, perciò rappresentano un ottimo punto di partenza.

Usare questi modelli è un esempio di transfer learning: si parte da conoscenze esistenti e si adatta il modello alla propria attività specifica. Questo approccio accelera l'addestramento e migliora i risultati, soprattutto quando i dati a disposizione sono limitati.

Questi modelli sono disponibili anche 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 artificiale#

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 visione artificiale viene addestrato con una serie 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, perciò sono essenziali per ottenere risultati eccellenti.

Ecco alcuni dei parametri di addestramento più usati:

• Epoche: indicano quante volte il modello esamina l'intero dataset durante l'addestramento. Aumentando il numero di epoche, il modello ha più occasioni per apprendere gli schemi presenti nei dati.
• Dimensione del batch: indica il numero di immagini elaborate insieme in un singolo passaggio di addestramento. Batch più grandi possono accelerare l'addestramento, ma richiedono più memoria.
• Dimensione dell'immagine: specifica la risoluzione delle immagini di input usate durante l'addestramento. Risoluzioni più elevate possono migliorare l'accuratezza del rilevamento, ma aumentano il costo computazionale.
• Tasso di apprendimento: 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 che aggiorna i parametri del modello in base all'errore calcolato a ogni iterazione di addestramento.

Nei flussi di lavoro basati su Ultralytics YOLO, queste configurazioni vengono solitamente definite in un file YAML. Il file specifica i percorsi dei dataset, i nomi delle classi e la suddivisione dei dati. Funge da configurazione centrale che indica al modello come interpretare il dataset.

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

Abbiamo appena visto alcuni dei passaggi fondamentali per addestrare un modello di visione artificiale, dalla preparazione dei dataset alla scelta del modello e alla configurazione dei parametri di addestramento. In pratica, il processo spesso si estende al monitoraggio degli esperimenti, al confronto di più sessioni di addestramento e al continuo perfezionamento dei modelli nel tempo.

Queste fasi raramente si svolgono tutte nello stesso posto. I dataset possono essere preparati con uno strumento, le sessioni di addestramento eseguite in un altro ambiente e il monitoraggio degli esperimenti gestito separatamente. Man mano che i progetti crescono, questa frammentazione aggiunge complessità, rallenta le iterazioni e rende più difficile tenere tutto in ordine.

La 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 dataset, configurare l'addestramento, eseguire esperimenti e monitorare i risultati in un unico posto.

Vediamo ora come la Ultralytics Platform rende più intelligente l'addestramento dei modelli.

Opzioni di addestramento supportate dalla Ultralytics Platform#

Nelle applicazioni del mondo reale, l'addestramento di un modello di visione artificiale 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 in ambienti notebook esterni.

Per soddisfare queste esigenze, la Ultralytics Platform supporta le seguenti opzioni di addestramento:

• Addestramento nel cloud: l'addestramento viene eseguito su unità di elaborazione grafica (GPUs) cloud gestite da Ultralytics. Questa opzione è ideale per dataset più grandi o modelli più complessi che richiedono notevoli risorse di calcolo.
• Addestramento locale: questa opzione usa l'hardware disponibile sulla tua macchina ed è ideale per esperimenti rapidi, per testare configurazioni o per lavorare con dataset più piccoli. Per carichi di lavoro più scalabili, puoi eseguire l'addestramento anche nel tuo ambiente cloud, ad esempio su AWS o GCP.
• Google Colab: con la Ultralytics Platform puoi eseguire l'addestramento nell'ambiente notebook ospitato di Google Colab, grazie a un flusso di lavoro flessibile basato sul browser che non richiede la configurazione di una macchina locale.

Alla scoperta dell'addestramento nel cloud sulla Ultralytics Platform#

Nei progetti di visione artificiale, addestrare modelli localmente o in ambienti notebook non è sempre semplice.

Per esempio, con l'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.

Gli ambienti notebook come Google Colab offrono un'alternativa grazie alle GPU basate sul cloud, ma le sessioni sono spesso temporanee e possono interrompere le sessioni di addestramento più lunghe. Con la crescita dei dataset e l'aumento della complessità dei flussi di lavoro, queste limitazioni possono diventare rapidamente colli di bottiglia, rallentando l'addestramento e rendendolo meno affidabile.

La Ultralytics Platform affronta questo problema con l'opzione di addestramento nel cloud. Offre un ambiente pronto all'uso in cui le dipendenze Python e i framework come PyTorch sono preconfigurati, così puoi iniziare ad addestrare senza ulteriori configurazioni.

Da un'unica dashboard puoi avviare i processi di addestramento e monitorarne i progressi in tempo reale. In questo modo, è più facile concentrarti sul miglioramento dei modelli invece che sulla gestione dell'infrastruttura.

Vediamo ora come iniziare con l'addestramento nel cloud sulla Ultralytics Platform.

Passaggio 1: seleziona un modello di base#

Il primo passaggio consiste nello scegliere un modello di base per la sessione di addestramento. Puoi selezionare un modello Ultralytics YOLO preaddestrato, clonare un modello della community oppure caricare i tuoi pesi preaddestrati per soddisfare requisiti personalizzati.

La piattaforma supporta tutti i modelli Ultralytics YOLO, tra cui 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 di calcolo.

Questi modelli supportano diverse attività di visione artificiale già note agli utenti di Ultralytics YOLO, tra cui il rilevamento degli oggetti, la segmentazione delle istanze, la classificazione delle immagini, il rilevamento di riquadri di delimitazione orientati (OBB) e la stima della posa.

Se hai requisiti personalizzati, puoi anche caricare i tuoi pesi di un modello preaddestrato. In questo modo puoi continuare ad addestrare o perfezionare un modello esistente, come un rilevatore di oggetti, direttamente sulla piattaforma, senza dover 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. Sulla Ultralytics Platform puoi usare dataset già esistenti come COCO, clonare dataset della community oppure caricare un dataset personalizzato per la tua applicazione specifica.

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

Una volta caricati, i dataset vengono elaborati automaticamente, con convalida, normalizzazione, analisi delle etichette e generazione di statistiche. Puoi così esaminare subito i tuoi dati, comprese le distribuzioni delle classi e la struttura del dataset, e verificare che sia tutto pronto per l'addestramento.

I dataset vengono inoltre collegati automaticamente alle sessioni di addestramento, permettendoti di tenere traccia dei dati usati per ogni modello e mantenere la coerenza tra gli esperimenti.

Passaggio 3: configura i parametri di addestramento#

Dopo aver scelto il dataset, puoi configurare i parametri che determinano il modo in cui il modello apprende. Tra questi ci sono il numero di epoche, la dimensione del batch, la dimensione dell'immagine e il nome della sessione nel registro di addestramento. Molti di questi parametri influiscono sia sulla durata dell'addestramento sia sulle prestazioni finali del modello.

Per un controllo maggiore sull'addestramento, la piattaforma ti permette anche di regolare parametri avanzati come il tasso di apprendimento, il tipo di ottimizzatore, le impostazioni di aumento dei dati a colori e altre opzioni di addestramento. Queste impostazioni consentono di perfezionare il processo e migliorare l'accuratezza e la stabilità del modello.

Passaggio 4: seleziona una GPU#

Poi puoi selezionare la configurazione GPU per la sessione 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 usare più risorse di calcolo del necessario.

La Ultralytics Platform offre 22 opzioni GPU con diversi livelli di VRAM (memoria della GPU) e potenza di calcolo, adatte a tutto, dalle attività più piccole ai carichi di lavoro su larga scala.

In questo modo puoi scegliere l'hardware più adatto 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 della Platform di Ultralytics.

Fig. 2. Alcune delle opzioni GPU disponibili tramite la 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 una sessione di addestramento è rapido. Dalla dashboard puoi avviare l'addestramento con un solo clic; la piattaforma si occupa del resto, inizializzando l'ambiente ed eseguendo il processo sulla GPU selezionata.

Quando inizia l'addestramento, puoi monitorarne i progressi direttamente sulla piattaforma. La scheda Train offre una panoramica in tempo reale delle metriche principali, tra cui le metriche di prestazione, le curve di perdita, l'utilizzo del sistema e i registri di addestramento aggiornati in tempo reale.

Per saperne di più sull'addestramento locale o sull'uso di Google Colab con la Ultralytics Platform, consulta altri tutorial nella documentazione ufficiale della Platform di Ultralytics.

Valutare e confrontare i modelli sulla Ultralytics Platform#

Una volta completato l'addestramento, il passaggio successivo consiste nel valutare le prestazioni del modello. Sulla Ultralytics Platform puoi confrontare più sessioni di addestramento all'interno di un progetto, così da avere una visione chiara dei risultati dei diversi esperimenti.

Durante lo sviluppo dei modelli, spesso si ripete più volte l'addestramento con impostazioni diverse, come il tasso di apprendimento, la dimensione del batch o le dimensioni del modello, per migliorare i risultati. Ogni sessione genera un modello leggermente diverso, perciò è fondamentale confrontarle.

I progetti fungono da punto centrale in cui modelli ed esperimenti vengono organizzati insieme. Puoi monitorare i progressi, esaminare i risultati e restare concentrato senza passare da uno strumento o da una visualizzazione all'altra.

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

Per integrare queste metriche, puoi usare la scheda Predict per testare rapidamente i modelli addestrati su immagini o dati di esempio, verificandone visivamente le prestazioni e individuando eventuali problemi.

Grazie a queste informazioni puoi selezionare il modello con le prestazioni migliori, solitamente salvato come checkpoint “best.pt”, e passare alla fase successiva: un'ulteriore valutazione, l'uso del modello per eseguire inferenze o la distribuzione del modello tramite la piattaforma.

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

Stima dei costi di training su Ultralytics Platform#

Il training dei modelli di rilevamento degli oggetti nel cloud comporta costi di calcolo, soprattutto quando accedi a GPU ad alte prestazioni. Per semplificare il processo, Ultralytics Platform fornisce una stima dei costi prima dell'inizio del training.

Ti offre una panoramica chiara dell'utilizzo previsto, aiutandoti a pianificare i carichi di lavoro, gestire i budget ed evitare spese impreviste prima di avviare un job di training. Ecco come controllare i costi stimati prima di iniziare il training.

Come viene stimato il tempo di training#

Per stimare con precisione i costi, la piattaforma calcola innanzitutto quanto tempo richiederà una singola epoca di training. Questo dipende da fattori come le dimensioni del dataset e del modello, la risoluzione delle immagini, la dimensione del batch e la velocità della GPU selezionata.

Usando questi dati, determina il tempo stimato per epoca e lo rapporta all'intero ciclo di training. La durata totale viene calcolata sommando il tempo di tutte le epoche e aggiungendo un piccolo margine iniziale.

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

Come vengono calcolati i costi di training#

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

Combinando la durata del training con il prezzo della GPU, possiamo ottenere una stima chiara del costo del ciclo prima ancora che inizi.

Conoscere i costi in anticipo ti permette di modificare facilmente la configurazione, ad esempio regolando i parametri di training o selezionando un'altra GPU, così da bilanciare meglio prestazioni e costi.

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

Vantaggi principali dell'uso di Ultralytics Platform per il training dei modelli#

Finora abbiamo esaminato i passaggi principali del training dei modelli di computer vision e il modo in cui si integrano su Ultralytics Platform.

Oltre a queste funzionalità principali, sono disponibili altre capacità che migliorano il flusso di lavoro del training. Ecco una panoramica di alcuni dei principali vantaggi dell'uso di Ultralytics Platform per il training dei modelli:

• Riproducibilità degli esperimenti integrata: ogni ciclo di training viene registrato automaticamente con la configurazione completa, compresi modello, dataset, parametri e configurazione di calcolo. Questo rende semplice riprendere gli esperimenti e riprodurre i risultati in modo affidabile.
• Approfondimenti sul training nel tempo: invece di visualizzare solo i risultati finali, puoi monitorare l'evoluzione delle prestazioni tra le epoche e comprendere meglio il comportamento del modello durante il training.
• Riduzione del carico operativo: gestendo in background la configurazione dell'ambiente, le dipendenze e l'infrastruttura, la piattaforma ti permette di concentrarti maggiormente sullo sviluppo dei modelli e meno sulla configurazione.
• Organizzazione centralizzata degli esperimenti: i progetti offrono un unico spazio per gestire modelli, dataset e cicli di training, aiutandoti a mantenere gli esperimenti organizzati man mano che i flussi di lavoro diventano più complessi.

Punti chiave#

Il training è una delle fasi più importanti del ciclo di vita dei modelli di machine learning. Determina con quale precisione un modello può riconoscere e interpretare i dati visivi.

Integrando in un unico ambiente la configurazione dei dati di training, il monitoraggio, il confronto degli esperimenti e la stima dei costi, Ultralytics Platform semplifica la creazione di modelli di computer vision ad alte prestazioni e la loro preparazione alla distribuzione.

Scopri la nostra community in continua crescita e il nostro repository GitHub per saperne di più sulla computer vision. Se vuoi sviluppare soluzioni di visione artificiale, dai un'occhiata alle nostre opzioni di licenza. Esplora le pagine dedicate alle nostre soluzioni per scoprire i vantaggi della computer vision nel settore manifatturiero e dell'IA in agricoltura.