跳转至

3.6 Weights & Biases

🎉代码仓库地址：https://github.com/Oneflow-Inc/one-yolov5 欢迎star one-yolov5项目 获取 最新的动态。 如果你有问题，欢迎在仓库给我们提出宝贵的意见。🌟🌟🌟 如果对你有帮助，欢迎来给我Star呀😊~

Weights & Biases

引言

我们可以使用 Weights & Biases(W&B) 来进行机器学习的实验跟踪、数据集版本控制和协作。

Weights & Biases

仪表盘示例

下面是 W&B 中交互式仪表盘的一个示例

image

数据 & 隐私

W&B 对其云控制仪表盘进行了工业级别的加密。如果您的数据集位于较敏感的环境（如您的企业内部集群），我们推荐使用on-prem。

下载所有数据并导出到其他工具也很容易，例如，使用Jupyter笔记本进行自定义分析。细节请查阅 W&B 的API。

Weights & Biases (W&B) with One-YOLOv5

简单两步即可开始记录机器学习实验。

1. 安装库

pip install wandb

2. 创建账号

注册页注册一个免费账号。

image

终端输入 

wandb login
终端输入后粘贴copy的key 输入回车确认 ，大功告成。

验证

使用coco128数据集 对 wandb 集成可视化测试结果示例

在one-yolov5仓库的根目录下

使用指令 python train.py --weights ' ' --data data/coco128.yaml --cfg models/yolov5s.yaml 成功运行示例如下:

image

通过W&B: 🚀 View run at：xxx链接即可查看 W&B可视化的结果。

结果报告示例:使用coco128数据集 对 wandb 集成可视化测试结果

其他示例

使用jupyter-notebook

创建账户, 接着运行以下代码安装"wandb" 包并登录。

!pip install wandb # 安装
import wandb
wandb.login() # 登陆

可视化实验

开始你的第一次可视化训练

  1. 开始一个新的训练，并传入超参数以跟踪
  2. 记录来自训练或评估的指标
  3. 在仪表板中可视化结果
import wandb
import math
import random

# Start a new run, tracking hyperparameters in config
wandb.init(project="test-drive", config={
    "learning_rate": 0.01,
    "dropout": 0.2,
    "architecture": "CNN",
    "dataset": "CIFAR-100",
})
config = wandb.config

# Simulating a training or evaluation loop
for x in range(50):
  acc = math.log(1 + x + random.random()*config.learning_rate) + random.random() + config.dropout
  loss = 10 - math.log(1 + x + random.random() + config.learning_rate*x) + random.random() + config.dropout
  # Log metrics from your script to W&B
  wandb.log({"acc":acc, "loss":loss})

wandb.finish()

image

Back to top