실험 기록 장치

로거를 켜다

loggers=는 등록된 이름, 구성된 인스턴스 또는 둘 다를 혼합한 반복 가능한 항목을 사용합니다.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9s.pt")model.train(data="coco8.yaml", epochs=10, loggers="tensorboard")

from libreyolo import LibreYOLOfrom libreyolo.training import MLflowLogger model = LibreYOLO("LibreYOLO9s.pt")model.train(    data="coco8.yaml",    epochs=10,    loggers=[MLflowLogger(tracking_uri="sqlite:///mlflow.db"), "tensorboard"],)

이름은 대소문자를 구분하지 않습니다. 등록된 세트는 tensorboard, mlflow, wandb, comet, clearml, neptune, dvclive 및 dvc이며, 마지막 이름은 dvclive의 별칭입니다. 다른 이름을 사용하면 즉시 오류가 발생하고 유효한 이름이 나열됩니다. 모든 이름을 활성화하는 값은 없으며, CLI 플래그도 없습니다: loggers=는 Python 인수입니다.

모든 백엔드가 기록하는 것

모두 같은 메트릭 이름을 작성하므로, 어떤 것을 선택해도 대시보드는 동일하게 보입니다:

스텝은 1부터 시작하는 에폭입니다. 완전히 해석된 학습 구성은 학습 시작 시 매개변수로 기록되며, 실행 이름은 기본적으로 <family><size>-<task>이며 예를 들어 yolo9s-detect입니다.

열차가 끝날 때, 존재하는 경우 아티팩트 업로드를 지원하는 백엔드 results.csv, train_config.yaml 및 summary.json가 업로드하며, weights/best.pt와 log_checkpoints=True도 업로드됩니다. TensorBoard는 아티팩트 개념이 없기 때문에 아무것도 업로드하지 않습니다. 어떤 로거도 검증 플롯 이미지를 업로드하지 않습니다.

실패 동작

백엔드 패키지가 없으면 생성 시 설치 명령어를 명시하며 오류를 발생시킵니다. 로거를 요청하고 아무것도 받지 못하면 버그가 숨겨지기 때문입니다.

실행 중 백엔드 실패는 그 반대입니다. 핸들러에서 발생한 첫 번째 예외는 해당 로거를 나머지 실행 동안 비활성화하고, 이를 기록하며, 백엔드 실행을 실패로 종료시키지만, 학습은 계속 진행됩니다. 트래킹 서버가 다운되더라도 학습에는 영향을 주지 않습니다.

백엔드

각각은 자체적인 추가가 필요합니다.

libreyolo.training에서 클래스를 가져오십시오.

첫 실행 전에 알아두면 좋은 백엔드 관련 참고 사항:

TensorBoard 이벤트 파일은 기본적으로 <save_dir>/tensorboard로 설정됩니다. tensorboard --logdir runs/train로 확인하십시오.

MLflow 3.x는 로컬 ./mlruns 파일 스토어를 더 이상 사용하지 않으며 MLFLOW_ALLOW_FILE_STORE=true가 아닌 경우 예외를 발생시킵니다. 서버 없는 로컬 추적을 위해서는 위 스니펫과 같이 데이터베이스 URI를 전달하고 mlflow ui --backend-store-uri sqlite:///mlflow.db로 읽으십시오.

Weights & Biases는 WANDB_PROJECT 환경 변수로 대체되고 그 다음 libreyolo로 대체됩니다. Comet은 COMET_PROJECT_NAME로 대체되고 그 다음 libreyolo로 대체되며, 자체 구성에서 인증 정보를 가져옵니다; online=False는 오프라인 실험을 제공합니다. ClearML은 새로운 작업을 생성하고 TrainConfig에서 구성 정보를 보고하며, 지표가 두 번 보고되지 않도록 자동 프레임워크 캡처를 비활성화합니다. Neptune은 이전 패키지 대신 현재의 neptune-scale 클라이언트를 사용하며, mode="offline"는 로컬에서 로그를 기록합니다.

DVCLive는 <save_dir>/dvclive에 씁니다. 그것은 /에서 요약 트리를 구성하며, 부모이기도 한 경로에는 부동 소수를 저장할 수 없으므로 train/loss/box는 train/loss.box로 작성되고 train/loss는 이름을 유지합니다. LibreYOLO는 또한 DVCLive의 일반 기본값인 DVC 실험 저장 및 루트 dvc.yaml 작성 기능을 끄므로, 선택적 로거는 실행 디렉터리 외부에 버전 관리 상태를 생성하지 않습니다; save_dvc_exp=True 또는 명시적인 dvcyaml=를 전달하면 다시 가져올 수 있습니다.

해왕성은 libreyolo[all]에서 의도적으로 제외되었습니다: 안정적인 클라이언트는 7 미만의 protobuf를 요구하는 반면, TFLite 추가 기능은 protobuf 7을 요구합니다. TFLite 추가 기능이 없는 환경에 libreyolo[neptune]를 설치하십시오.

콜백 작성

같은 네 가지 이벤트가 모든 동작을 이끕니다.

from libreyolo import LibreYOLOfrom libreyolo.training import TrainEpochEvent  def on_epoch(event: TrainEpochEvent) -> None:    print(f"epoch {event.epoch}/{event.total_epochs} loss={event.train_loss:.4f}")  model = LibreYOLO("LibreYOLO9s.pt")model.train(data="coco8.yaml", epochs=10, callbacks=on_epoch)

from libreyolo import LibreYOLOfrom libreyolo.training import TrainEndEvent, TrainEpochEvent, TrainStartEvent  class RunLog:    def on_train_start(self, event: TrainStartEvent) -> None:        print(f"{event.model_family}{event.model_size} -> {event.save_dir}")     def on_train_epoch_end(self, event: TrainEpochEvent) -> None:        if event.is_best:            print(f"new best at epoch {event.epoch}: {event.best_metric}")     def on_train_end(self, event: TrainEndEvent) -> None:        print(f"done in {event.total_seconds:.0f}s")  model = LibreYOLO("LibreYOLO9s.pt")model.train(data="coco8.yaml", epochs=10, callbacks=RunLog())

일반 호출 가능한 객체는 TrainEpochEvent만 받습니다. 객체는 on_train_start, on_train_epoch_end, on_train_end 및 on_train_exception의 임의의 부분 집합을 구현할 수 있습니다. 누락된 메서드는 건너뜁니다.

TrainStartEvent.config는 완전히 해석된 구성으로, 사용자 kwargs가 계열 기본값과 병합된 읽기 전용 매핑입니다. 이벤트는 동결된 데이터 클래스이며 해당 매핑도 읽기 전용이므로, 콜백이 하나에 쓰기를 통해 실행을 변경할 수 없습니다.

on_train_start, on_train_epoch_end 또는 on_train_end에서 발생한 예외는 전파되어 실행을 종료합니다. 오직 on_train_exception만 보호되므로 원래 실패를 숨길 수 없습니다.

멀티 GPU 학습에서는 콜백이 오직 랭크 0에서만 실행됩니다. 자동 DDP 스폰을 사용할 경우, 콜백은 피클 가능해야 하며, 이는 클로저나 람다보다는 모듈 수준의 클래스나 함수를 의미합니다. 자세한 내용은 멀티 GPU 학습을 참조하십시오.

어쨌든 모든 실행이 쓰는 것

모든 계열에서 구성 없이 세 개의 파일이 실행 디렉토리에 들어옵니다:

status.json는 스크립트나 에이전트가 실행을 폴링할 때 저렴하게 읽는 방법이고, 원자적 쓰기는 읽는 사람이 절반만 기록된 파일을 절대 보지 않음을 의미합니다.

results.csv와 summary.json는 별도로 존재하며 계열 단위로 구분됩니다. 이들은 YOLOv9, YOLOv9-E2E, YOLOv9-P2, YOLOv7, YOLO-NAS, RF-DETR, EC 및 DINOv2용으로 작성되었으며, 다른 계열용이 아닙니다. results.csv는 손실 구성 요소, 검증 지표 및 학습률을 열로 하여 각 에포크마다 한 행을 기록하고, 새로운 열이 나타나면 헤더가 확장됩니다. 재개 시점의 이력(resume)에서는 같은 행을 중복하지 않고 재개된 에포크 이전의 행으로만 잘립니다.

그와 함께, 트레이너는 항상 설정 시 train_config.yaml를 쓰고 weights/ 아래에 체크포인트를 기록합니다.

달리기를 생중계로 시청하기

libreyolo monitor                     # runs/에서 가장 최근 실행libreyolo monitor runs/train/exp      # 특정 실행

libreyolo monitor는 위의 파일들에 대해 브라우저 대시보드를 제공하며 표준 라이브러리만 사용합니다: 메트릭 차트, 로그 꼬리, 그리고 모든 검증 이미지들을 포함하며, 실행 중일 때 자동으로 새로 고침됩니다. 이는 읽기 전용이며 학습 과정에는 절대 영향을 주지 않으므로, 실행 중인 작업에 연결하거나 완료된 작업을 다시 열거나 크래시된 작업을 검사할 수 있습니다.

관련된

• 검증 및 지표 val/ 키가 의미하는 것과 검증 손실을 추가하는 방법에 대하여.
• 프로파일러의 학습 성과는 다른 질문을 가진 다른 도구입니다.