Wandb 概述

WandB 即 Weigtht and Bias的縮寫, 是深度學習中經常使用的metrics記錄工具, 功能比TensorBoard強大, 主要功能有:

• 它可以記錄每次訓練的版本信息, 包括超參、tag、project 等
• 自動上傳云端，方便將多臺機器的實驗做對比分析
• 強大的表格功能，可以輕松管理海量模型
• 支持離線數據上傳功能，實驗完成后可以離線上傳數據
• 支持局域網部署服務器

官網注冊賬號

官網: https://wandb.ai/site
我使用 google 賬號注冊了一個wandb的賬號.
注冊后, 可以從 https://wandb.ai/quickstart 頁面看到自己的 Api key.

安裝并登錄

#  安裝
pip install wandb

# 登錄命令, 登錄完成后會將 api_key 記錄到 C:\Users\YOUR_USER\.netrc 文件中. 
wandb.exe login   

yolov8設置wandb離線模式

如果訪問網絡wandb官網的網絡不好, 會拉慢整個訓練速度, 所以可以設置成離線模式, 待訓練完成后在手工上報metrics數據.

from wandb.integration.ultralytics import add_wandb_callback
import wandb

os.environ["WANDB_API_KEY"]="WANDB_API_KEY"
os.environ["WANDB_MODE"]="offline" # online or offline

在完成 yolov8 一個experiment之后, console 會智能提示一個上傳離線wandb日志的命令, 比如:

wandb sync D:\my_workspace\source\yolo8\wandb\offline-run-20240216_193023-bpqnk0yg

YoloV8集成 wangdb 的代碼示例

個人認為predict無需進行監控, 監控training階段會更有意義

import os
from IPython import display
import ultralytics
from ultralytics import YOLO, settings
from os import path
from wandb.integration.ultralytics import add_wandb_callback
import wandb

os.environ["WANDB_API_KEY"]="your_api_key"
os.environ["WANDB_MODE"]="online" # offline or online

def train():
    # 修復 C:\Users\MY_USER\AppData\Roaming\Ultralytics\settings.yaml 文件中的圖像目錄
    image_path = r'''C:\Users\dorothy\AppData\Roaming\Python\Python311\Scripts\datasets'''
    settings.update({"datasets_dir": image_path})

    project_name ="yolov8_test"
    run_name ="yolov8n_name114"
    epochs_num=1
    batch_num=8

    # init wandb
    hyperparameters = dict(
        epochs=epochs_num,
        batch_size=batch_num
    )
    config_dictionary = dict(
        yaml=r"D:\my_workspace\py_code\yolo8\Lib\site-packages\ultralytics\cfg\default.yaml",
        params=hyperparameters,
    )
    config_dictionary["project"]=project_name
    config_dictionary["name"] = run_name
    config_dictionary["notes"] ="my first test"
    config_dictionary["tags"] =["baseline", "paper"]
    config_dictionary["job_type"] = "training" # training or inference
    run=wandb.init(config=config_dictionary)

    # 可提前將預訓練的yolov8n.pt文件下載到本腳本同一目錄下,地址 https://github.com/ultralytics/assets/releases
    model = YOLO("yolov8n.pt")

    #Add W&B Callback for Ultralytics, 設置callback后, 在后續的train/val過程將會自動將指標數據傳到Wandb中
    add_wandb_callback(model, enable_model_checkpointing=True)

    # 設置訓練data yaml文件
    dataset_yaml = r"C:\Users\dorothy\AppData\Roaming\Python\Python311\site-packages\ultralytics\cfg\datasets\coco8.yaml"

    # 在本腳本同一目錄下, 會自動生成 runs 結果目錄
    results = model.train(project=project_name, name=run_name, data=dataset_yaml, epochs=epochs_num, imgsz=640, device="cpu", batch=batch_num, seed=1)

    #Finalize the W&B Run, 告知wandb dashboard將會會標識train/val過程已經完成
    wandb.finish()


def predict():
    model = YOLO(r"D:\my_workspace\source\yolo8\runs\detect\train9\weights\last.pt")
    add_wandb_callback(model, enable_model_checkpointing=True)
    image_file1 = r"D:\my_workspace\py_code\yolo8\Lib\site-packages\ultralytics\assets\bus.jpg"
    image_file2 = r"D:\my_workspace\py_code\yolo8\Lib\site-packages\ultralytics\assets\zidane.jpg"
    results_list = model.predict(source=[image_file1, image_file2], show=False, save=True, save_conf=True,
                                 save_txt=True)
    for results in results_list:
        boxes = results.boxes
        speed = results.speed
        names = results.names
        json = results.tojson()
        image_path = results.path
        print("====")
        print(image_path)
        print(names)
        print(json)


if __name__ == '__main__':
    display.clear_output()
    ultralytics.checks()
    train()

參考

https://docs.ultralytics.com/integrations/weights-biases/#key-features-of-the-weights-biases-dashboard
wandb使用教程(四)：wandb本地部署 https://zhuanlan.zhihu.com/p/521663928?utm_id=0
https://zhuanlan.zhihu.com/p/342300434?utm_id=0
https://blog.csdn.net/qq_42312574/article/details/132662921
https://blog.csdn.net/crasher123/article/details/132644320