Visualizzare le metriche di addestramento con l'integrazione di TensorBoard

Lo sviluppo di modelli di visione artificiale affidabili spesso prevede diverse fasi, come la raccolta dei dati, l’addestramento del modello e un processo iterativo di ottimizzazione per affrontare le potenziali sfide e migliorare le prestazioni. Tra queste fasi, l’addestramento del modello è spesso considerato il più importante.

Visualizzare il processo di addestramento può aiutare a rendere più chiara questa fase. Tuttavia, creare grafici dettagliati, analizzare dati visivi e generare diagrammi può richiedere molto tempo e impegno. Strumenti come l’integrazione con TensorBoard, supportata da Ultralytics, semplificano questo processo offrendo visualizzazioni immediate e analisi approfondite.

TensorBoard è uno strumento di visualizzazione affidabile che offre informazioni in tempo reale sui progressi dell’addestramento di un modello. Usato con i modelli Ultralytics YOLO, come Ultralytics YOLO11, rinomati per la loro precisione nelle attività di visione artificiale, come il rilevamento degli oggetti e la segmentazione delle istanze, TensorBoard mette a disposizione una dashboard visiva per seguire i progressi dell’addestramento. Grazie a questa integrazione, possiamo monitorare le metriche principali e le prestazioni di addestramento, nonché ottenere informazioni utili per ottimizzare il modello e raggiungere i risultati desiderati.

In questo articolo vedremo come l’integrazione con TensorBoard migliori l’addestramento dei modelli Ultralytics YOLO11 grazie a visualizzazioni in tempo reale, informazioni utili e suggerimenti pratici per ottimizzare le prestazioni.

Che cos’è TensorBoard?#

TensorBoard è uno strumento di visualizzazione open source sviluppato nell'ambito del progetto TensorFlow. Fornisce metriche e visualizzazioni essenziali per supportare lo sviluppo e l'addestramento di modelli di machine learning e di visione artificiale. La dashboard di questo toolkit presenta i dati in vari formati, tra cui grafici, immagini, testo e audio, offrendo una comprensione più approfondita del comportamento del modello. Queste visualizzazioni ci aiutano a prendere decisioni migliori basate sui dati per migliorare le prestazioni del modello.

Fig. 1 La dashboard di TensorBoard con i grafici dell’addestramento del modello.

Funzionalità principali di TensorBoard#

TensorBoard offre diverse funzionalità per migliorare vari aspetti dei flussi di lavoro con i modelli. Ad esempio, le metriche delle prestazioni, come l’accuratezza, il tasso di apprendimento e la perdita, possono essere visualizzate in tempo reale, fornendo informazioni preziose su come apprende il modello e mettendo in evidenza problemi come l’overfitting o l’underfitting durante l’addestramento.

Un’altra funzionalità interessante è lo strumento «graph», che rappresenta visivamente il flusso dei dati attraverso il modello. Questa rappresentazione grafica facilita la comprensione a colpo d’occhio dell’architettura e della complessità del modello.

Ecco altre funzionalità principali dell’integrazione con TensorBoard:

• Analizzare la distribuzione dei dati: TensorBoard fornisce una distribuzione dettagliata dei valori interni di un modello, come pesi, bias e attivazioni. Possiamo usarlo per capire come i dati attraversano la rete del modello e individuare possibili aree di miglioramento.
• Valutare i pattern dei dati: con la funzionalità «Histogram» possiamo visualizzare nel tempo la distribuzione dei parametri del modello, come pesi, bias e gradienti. Esaminando questi pattern, possiamo individuare possibili bias e colli di bottiglia nel modello.
• Esplorare dati ad alta dimensionalità: la funzionalità «Projector» può convertire dati complessi ad alta dimensionalità in uno spazio a dimensionalità ridotta. In questo modo è più facile visualizzare come il modello raggruppa oggetti diversi.
• Visualizzare le previsioni del modello: TensorBoard consente di confrontare affiancate le immagini di input, le relative etichette corrette (ground truth) e le previsioni del modello. In questo modo puoi individuare facilmente gli errori, ad esempio quando il modello identifica qualcosa in modo errato (falsi positivi) o non rileva qualcosa di importante (falsi negativi).

Panoramica dei modelli Ultralytics YOLO#

I modelli Ultralytics YOLO (Si guarda una sola volta) sono tra i modelli di visione artificiale più popolari e diffusi oggi. Sono usati principalmente per attività di visione artificiale ad alte prestazioni, come il rilevamento degli oggetti e la segmentazione delle istanze. Noti per la velocità, la precisione e la facilità d’uso, i modelli YOLO vengono adottati in vari settori, tra cui agricoltura, produzione e sanità.

Tutto è iniziato con Ultralytics YOLOv5, che ha semplificato l’uso dei modelli di IA per la visione con strumenti come PyTorch. In seguito, Ultralytics YOLOv8 ha aggiunto funzionalità come la stima della posa e la classificazione delle immagini.

YOLO11 ha poi migliorato ulteriormente le prestazioni. Infatti, YOLO11m raggiunge una precisione media media (mAP) superiore sul dataset COCO usando il 22% di parametri in meno rispetto a YOLOv8m, risultando più preciso ed efficiente nel rilevamento degli oggetti. Il suo successore, Ultralytics YOLO26, funziona con la stessa integrazione di TensorBoard.

Fig. 2. Esempio di utilizzo di Ultralytics YOLO11 per il rilevamento degli oggetti.

L’integrazione con TensorBoard può essere usata per monitorare le metriche principali, eseguire analisi approfondite e semplificare il processo di addestramento personalizzato e sviluppo di Ultralytics YOLO11. Le funzionalità di visualizzazione in tempo reale rendono più efficaci la creazione, l’ottimizzazione e il perfezionamento di YOLO11, aiutando sviluppatori e ricercatori di IA a ottenere risultati migliori con meno sforzo.

Usare l’integrazione con TensorBoard#

Usare l'integrazione di TensorBoard durante l'addestramento personalizzato di Ultralytics YOLO11 è semplice. TensorBoard è una dipendenza facoltativa del pacchetto Python Ultralytics: installalo con pip install ultralytics tensorboard, quindi abilita la registrazione una volta con yolo settings tensorboard=True. L'impostazione rimane attiva anche per le esecuzioni di addestramento successive.

Quando inizia l’addestramento, il pacchetto registra automaticamente le metriche principali, come perdita, accuratezza, tasso di apprendimento e precisione media (mAP), in una directory designata, consentendo un’analisi dettagliata delle prestazioni. Un messaggio di output confermerà che TensorBoard sta monitorando attivamente la sessione di addestramento; potrai visualizzare la dashboard a un URL come http://localhost:6006/.

Per accedere ai dati registrati, puoi avviare TensorBoard usando l'URL e visualizzare in tempo reale metriche come perdita, precisione, tasso di apprendimento e mAP, oltre a strumenti come grafici, valori scalari e istogrammi per un'analisi più approfondita.

Queste visualizzazioni dinamiche e interattive facilitano il monitoraggio dei progressi dell’addestramento, l’individuazione dei problemi e l’identificazione delle aree da migliorare. Sfruttando queste funzionalità, l’integrazione con TensorBoard rende il processo di addestramento di Ultralytics YOLO11 trasparente, organizzato e facile da comprendere.

Se usi Google Colab, puoi caricare TensorBoard direttamente in una cella del notebook prima di avviare l'addestramento, accedendo rapidamente alle informazioni sull'addestramento.

Per istruzioni dettagliate e best practice sull’installazione, puoi consultare la Guida all’installazione di YOLO11. Se riscontri difficoltà nella configurazione dei pacchetti necessari, la Guida ai problemi comuni offre soluzioni utili e suggerimenti per la risoluzione dei problemi.

Analizzare le metriche di addestramento#

Comprendere le metriche chiave dell'addestramento è essenziale per valutare le prestazioni del modello e l'integrazione di TensorBoard offre visualizzazioni approfondite per farlo. Ma come funziona?

Immagina di osservare una curva di accuratezza in fase di valutazione, ovvero un grafico che mostra come l’accuratezza del modello sui dati di convalida migliori con il progredire dell’addestramento. All’inizio potresti notare un forte aumento dell’accuratezza, segno che il modello sta imparando rapidamente e migliorando le proprie prestazioni.

Tuttavia, con il proseguire dell’addestramento, il ritmo dei miglioramenti potrebbe rallentare e la curva potrebbe iniziare ad appiattirsi. Questo appiattimento suggerisce che il modello si sta avvicinando alla condizione ottimale. Proseguire l’addestramento oltre questo punto difficilmente apporterà miglioramenti significativi e potrebbe causare overfitting.

Visualizzando questi andamenti con l’integrazione con TensorBoard, come mostrato di seguito, puoi individuare la condizione ottimale del modello e apportare le modifiche necessarie al processo di addestramento.

Fig. 3. Esempio di grafico di TensorBoard. Immagine dell’autore.

Vantaggi dell’integrazione con TensorBoard#

L’integrazione con TensorBoard offre numerosi vantaggi che migliorano l’addestramento dei modelli Ultralytics YOLO11 e l’ottimizzazione delle prestazioni. Ecco alcuni dei principali vantaggi:

• Confrontare gli esperimenti: puoi confrontare facilmente più sessioni di addestramento per individuare la configurazione del modello con le prestazioni migliori.
• Risparmiare tempo e fatica: questa integrazione semplifica il monitoraggio e l’analisi delle metriche di addestramento, riducendo il lavoro manuale e accelerando lo sviluppo del modello.
• Monitorare metriche personalizzate: puoi configurare la registrazione per monitorare metriche specifiche pertinenti all’applicazione e ottenere informazioni più approfondite, personalizzate per il tuo modello.
• Utilizzare le risorse in modo efficiente: oltre alle metriche di addestramento, puoi monitorare l’utilizzo della GPU, l’allocazione della memoria e il tempo di calcolo tramite una registrazione personalizzata, così da ottimizzare le prestazioni dell’hardware.

Fig. 4. Vantaggi dell’utilizzo dell’integrazione con TensorBoard. Immagine dell’autore.

Best practice per usare l’integrazione con TensorBoard#

Ora che abbiamo capito che cos’è l’integrazione con TensorBoard e come usarla, vediamo alcune best practice per sfruttarla:

• Usare convenzioni di denominazione chiare: crea nomi strutturati per gli esperimenti che includano il tipo di modello, il dataset e i parametri principali, così da evitare confusione e semplificare i confronti.
• Impostare una frequenza di registrazione ottimale: registra i dati a intervalli che forniscano informazioni utili senza rallentare il processo di addestramento del modello Ultralytics YOLO11.
• Garantire riproducibilità e compatibilità: aggiorna regolarmente pacchetti come TensorBoard e Ultralytics, oltre ai dataset, per accedere alle nuove funzionalità e alle correzioni di bug e garantire la compatibilità con requisiti dei dati in continua evoluzione.

Seguendo queste best practice, puoi rendere lo sviluppo di Ultralytics YOLO11 più efficiente, organizzato e produttivo. Esplora le altre integrazioni disponibili per potenziare i flussi di lavoro di visione artificiale e sfruttare al massimo il potenziale del tuo modello.

Punti chiave#

L'integrazione di TensorBoard supportata da Ultralytics semplifica il monitoraggio e il tracciamento del processo di sviluppo del modello, migliorandone le prestazioni complessive. Grazie alle sue intuitive funzionalità di visualizzazione, TensorBoard fornisce informazioni sulle metriche di addestramento, tiene traccia delle tendenze di perdita e precisione e consente di confrontare gli esperimenti.

Semplifica il processo decisionale facilitando l'analisi delle metriche e la regolazione delle impostazioni di addestramento per ottimizzare le prestazioni del modello. Queste funzionalità offrono anche notevoli vantaggi aziendali, tra cui tempi più rapidi per portare sul mercato applicazioni di visione artificiale e costi di sviluppo inferiori. Seguendo le migliori pratiche, come assegnare nomi chiari e mantenere tutto aggiornato, gli sviluppatori possono semplificare l'addestramento. Possono lavorare in modo più efficiente ed esplorare nuove possibilità con modelli di visione artificiale avanzati come Ultralytics YOLO11.

Entra a far parte della nostra community ed esplora il nostro repository GitHub per approfondire l'AI. Scopri come la visione artificiale nella produzione e l'AI nella sanità promuovono l'innovazione visitando le nostre pagine dedicate alle soluzioni. Non dimenticare di consultare le opzioni di licenza per iniziare oggi il tuo percorso nell'AI visiva!