简体中文

English

简体中文

English

主题

Ultralytics ​

Ultralytics YOLOv8 是一款尖端、最先进的 （SOTA） 模型，它建立在以前 YOLO 版本的成功基础上，并引入了新功能和改进，以进一步提高性能和灵活性。YOLOv8 设计为快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

ultralytics

你可以使用Ultralytics快速进行计算机视觉模型训练，同时使用SwanLab进行实验跟踪与可视化。

下面介绍两种引入SwanLab的方式：

  1. add_swanlab_callback：无需修改源码，适用于单卡训练场景
  2. return_swanlab_callback：需要修改源码，适用于单卡以及多卡DDP训练场景

1.1 引入add_swanlab_callback ​

python
from swanlab.integration.ultralytics import add_swanlab_callback

add_swanlab_callback的作用是为Ultralytics模型添加回调函数，以在模型训练的各个生命周期执行SwanLab记录。

1.2 代码案例 ​

下面是使用yolov8n模型在coco数据集上的训练，只需将model传入add_swanlab_callback函数，即可完成与SwanLab的集成。

python
from ultralytics import YOLO from swanlab.integration.ultralytics import add_swanlab_callback   if __name__ == "__main__":  model = YOLO("yolov8n.yaml")  model.load()  # 添加swanlab回调  add_swanlab_callback(model)   model.train(  data="./coco128.yaml",  epochs=3,   imgsz=320,  )

如果需要自定义SwanLab的项目、实验名等参数，则可以在add_swanlab_callback中添加：

python
add_swanlab_callback(  model,  project="ultralytics",  experiment_name="yolov8n",  description="yolov8n在coco128数据集上的训练。",  mode="local",  )

2.1 多卡训练/DDP训练 ​

swanlab>=0.3.7

在Ultralytics多卡训练的场景下，由于启动训练的方式与单卡完全不同，所以需要用一种不同的方式接入SwanLab回调。

这是一个ultralytics开启DDP训练的样例代码：

python
from ultralytics import YOLO  if __name__ == "__main__":  model = YOLO("yolov8n.pt")   model.train(  data="./coco128.yaml",  epochs=3,   imgsz=320,  # 开启DDP  device=[0,1],  )

我们需要修改ultralytics的源码，去到ultralytics/utils/callbacks/base.py，找到add_integration_callbacks函数，添加下面的三行代码：

python
def add_integration_callbacks(instance):  ...    # Load training callbacks  if "Trainer" in instance.__class__.__name__:  from .clearml import callbacks as clear_cb  from .comet import callbacks as comet_cb  from .dvc import callbacks as dvc_cb  from .mlflow import callbacks as mlflow_cb  from .neptune import callbacks as neptune_cb  from .raytune import callbacks as tune_cb  from .tensorboard import callbacks as tb_cb  from .wb import callbacks as wb_cb   from swanlab.integration.ultralytics import return_swanlab_callback  sw_cb = return_swanlab_callback()   callbacks_list.extend([..., sw_cb])

然后运行，就可以在ddp下正常跟踪实验了。

如果需要自定义SwanLab的项目、实验名等参数，则可以在return_swanlab_callback中添加：

python
return_swanlab_callback(  model,  project="ultralytics",  experiment_name="yolov8n",  description="yolov8n在coco128数据集上的训练。",  mode="local",  )

ps

  1. 写入源码之后，之后运行就不需要在训练脚本中增加add_swanlab_callback了。
  2. 项目名由model.train()的project参数定义，实验名由name参数定义。

2.2 代码案例 ​

python
from ultralytics import YOLO  if __name__ == "__main__":  model = YOLO("yolov8n.pt")   model.train(  data="./coco128.yaml",  epochs=3,   imgsz=320,  # 开启DDP  device=[0,1,2,3],  # 可以通过project参数设置SwanLab的project，name参数设置SwanLab的experiment_name  project="Ultralytics",  name="yolov8n"  )