AI-Aimbot 基于 YOLOv5 的 Weights Biases 训练日志集成：从首次配置到数据集版本化与断点恢复

人工智能计算机视觉【免费下载链接】AI-AimbotWorlds Best AI Aimbot - CS2, Valorant, Fortnite, APEX, every game项目地址https://gitcode.com/gh_mirrors/ai/AI-Aimbot点击查看免费下载导读本指南讲解如何在本仓库基于 YOLOv5 的目标检测项目 AI-Aimbot中接入 Weights BiasesWB实验追踪系统用于实时监控训练损失、精度/召回率、mAP 等指标并将数据集、模型 checkpoint、预测结果以 Artifact 形式版本化归档。读完本文你将掌握 WB 的首次配置、运行监控、禁用与恢复以及通过--upload_dataset、log_dataset.py、--save-period、wandb-artifact://完成数据集上传、云端训练与跨设备断点恢复的完整实战方案。About Weights Biases为什么要在 YOLOv5 训练中接入 WBWB 可被理解为机器学习模型的 GitHub只需少量代码就能把调试、对比和复现模型所需的全部信息——网络架构、超参数、git 提交、模型权重、GPU 占用乃至数据集与预测结果——统一保存下来。对于像 AI-Aimbot 这样需要反复迭代目标检测模型的项目WB 提供了以下几类直接价值实时调试模型性能训练过程中随时查看损失曲线与指标变化GPU 使用情况自动可视化显存、利用率等系统信息无需手工采集自定义图表基于 WB 的扩展图表能力做灵活的指标对比协作分享将洞察以交互式图表的形式分享给协作者高效超参数优化通过 Sweep 自动搜索超参数组合追踪数据集、流水线与生产模型以 Artifact 形式进行版本管理。本仓库中的 WB 集成位于 utils/loggers/wandb/ 目录核心文件包括wandb_utils.pyWandbLogger类实现负责 run 初始化、指标日志、模型 Artifact 上传log_dataset.py独立的数据集上传脚本sweep.py 与 sweep.yaml超参数搜索入口与搜索空间配置README.md官方使用指南本文主体即源自该文档。注意本仓库的 wandb_utils.py 文件头部明确标注了弃用警告wandb is deprecated and will be removed in future releaseWB 集成已弃用将在未来版本中移除。这意味着 WB 集成仍可正常工作但新项目建议关注 Ultralytics 官方推荐的其他日志集成方案。本指南基于当前仓库实际代码与文档编写供有 WB 追踪需求的存量项目参考。首次配置账号、API Key 与项目命名当你第一次启动训练时WB 会引导你创建账号并生成一个API Key。已有用户可以从 https://wandb.ai/authorize 获取自己的 Key。这个 Key 用于告诉 WB 把日志数据写到哪个账号下只需在首次使用时提供一次之后会在同一台设备上被记住。WB 会为你的训练运行创建一个云端project默认名为YOLOv5每次新的训练运行都会在项目内获得唯一的 runname以project/name的形式组织。你也可以手动指定项目名和运行名$ python main.py --project ... --name ...在本仓库中训练入口是根目录的 main.py仓库未包含文档中提到的train.pymain.py承担同等角色。相关参数的实际解析逻辑可从 utils/loggers/comet/hpo.py 看到--project默认值为runs/train--name默认值为exp。也就是说若不显式指定WB run 会默认归入名为YOLOv5的云端项目。从源码层面看WandbLogger.__init__中通过wandb.init(configopt, resumeallow, projectYOLOv5 if opt.project runs/train else Path(opt.project).stem, entityopt.entity, nameopt.name if opt.name ! exp else None, job_typejob_type, idrun_id, allow_val_changeTrue)完成初始化见 wandb_utils.py其中project当用户未改--project仍为默认的runs/train时归入YOLOv5项目否则取传入路径的末段目录名entity对应--entity参数用于指定 WB 团队/组织name当--name还是默认值exp时不强制命名交由 WB 自动生成resumeallow允许从已有 run 恢复job_type默认Training用于区分训练与数据集上传等任务。查看 Runs训练过程中的实时监控面板训练时运行信息会从你的环境实时流式传输到 WB 云端控制台支持在实时查看甚至取消运行。被自动记录的重要信息包括训练与验证损失Training Validation losses指标Precision精度、Recall召回率、mAP0.5、mAP0.5:0.95学习率随时间的变化Learning Rate over time边界框调试面板展示训练过程中预测框的逐步改善GPU 信息类型、GPU 利用率、功耗、温度、CUDA 显存占用系统信息磁盘 I/O、CPU 利用率、内存占用训练好的模型以 WB Artifact 形式保存环境信息操作系统与 Python 版本、Git 仓库与状态、训练命令。仓库中 utils/loggers/init.py 定义了每次训练会被写入日志的键集合与文档描述一一对应self.keys [ train/box_loss, train/obj_loss, train/cls_loss, # 训练损失 metrics/precision, metrics/recall, metrics/mAP_0.5, metrics/mAP_0.5:0.95, # 评估指标 val/box_loss, val/obj_loss, val/cls_loss, # 验证损失 x/lr0, x/lr1, x/lr2] # 学习率除此之外训练过程中的关键可视化也会同步到 WBon_pretrain_routine_end记录标签分布图Labelson_train_batch_end在迭代 10 次时记录马赛克增强样本Mosaicson_val_end记录验证集预测图Validationon_train_end记录results.png、confusion_matrix.png、F1/PR/P/R 曲线等结果图见 utils/loggers/init.py。每个 epoch 结束时on_fit_epoch_end会把上述指标键与数值一起交给WandbLogger.log()再由end_epoch()统一wandb.log(self.log_dict)提交见 wandb_utils.py。禁用与重新启用 WB如果某个目录下不想再产生 wandb 运行可以直接在该目录执行$ wandb disabled之后该目录下的训练不会再创建任何 WB run。需要恢复时执行$ wandb online即可重新启用。高级用法数据集版本化与评估借助 WB 的 Artifacts 与 Tables 集成可以方便地可视化、管理数据集、模型与训练评估结果。以下是文档给出的六种典型玩法命令均以本仓库的main.py为训练入口。1. 训练同时上传数据集并记录评估表在训练前先上传数据集并同步生成 Evaluation Table评估表。该表会在每个 epoch 将验证集上的预测与 ground truth 逐条对比由于它引用的是已上传的数据集因此系统内的图片不会被重复上传$ python main.py --upload_dataset val--upload_dataset的定义见 utils/loggers/comet/hpo.pynargs?, constTrue, defaultFalse即它是一个可选布尔开关传val表示同时上传验证集。注意文档旧版写作--upload_data当前仓库源码中实际的参数名是--upload_dataset。2. 可视化与版本化数据集WB Tables使用 WB Tables 可以对数据进行记录、可视化、动态查询与理解。通过以下命令把数据集作为 WB Table 上传并生成一个{dataset}_wandb.yaml配置文件供后续直接从数据集 Artifact 训练$ python utils/loggers/wandb/log_dataset.py --data data/coco128.yaml --project YOLOv5 --name log dataset对应脚本 utils/loggers/wandb/log_dataset.py 支持的参数包括参数默认值说明--datadata/coco128.yaml数据集配置文件路径--single-cls关闭是否按单类别数据集训练--projectYOLOv5WB 项目名--entity无WB 团队/组织--namelog datasetWB run 名称脚本内部通过WandbLogger(opt, None, job_typeDataset Creation)完成初始化log_dataset.py若未安装 wandb 包则会提示install wandb using pip install wandb。3. 使用数据集 Artifact 直接训练上传数据集后会得到一个新的、名字带_wandb后缀的配置文件。用该文件作为--data即可直接从数据集 Artifact 训练同样会记录评估结果$ python main.py --data {data}_wandb.yaml4. 将模型 checkpoint 保存为 Artifact在基础命令上追加--save-period n其中n表示保存间隔epoch 数即可开启 checkpoint 的保存与版本化。若不传该参数则只有最终的模型会被记录$ python main.py --save-period 1源码中该参数定义为--save-period类型为 int默认-1表示禁用见 utils/loggers/comet/hpo.py。触发链路为Loggers.on_model_save中(epoch 1) % opt.save_period 0时调用WandbLogger.log_model见 utils/loggers/init.pylog_model会创建名为run_{run_id}_model的 model 类型 Artifact写入last.pt并以latest、last、epoch N、best若当前最优等别名登记见 wandb_utils.py。训练结束时最优权重best.pt或last.pt也会以best、stripped等别名作为 Artifact 上传utils/loggers/init.py。5. 从 checkpoint Artifact 恢复训练只要--resume参数以wandb-artifact://前缀开头后接 run 路径格式wandb-artifact://username/project/runid任何 run 都可以仅凭 Artifact 恢复训练无需本地存在模型 checkpoint$ python main.py --resume wandb-artifact://{run_path}从源码看WandbLogger.setup_training在opt.resume为字符串时会尝试拉取模型 Artifact 并利用其中记录的配置恢复weights、save_period、batch_size、bbox_interval、epochs、hyp、imgsz等关键训练参数见 wandb_utils.py说明该机制设计目标就是让换一台设备也能无缝续训。6. 同时从数据集与 checkpoint Artifact 恢复这是第 5 种方案的组合版既不需要本地数据集也不需要本地模型 checkpoint可直接在不同设备上恢复运行。前提是先完成两件事——通过--upload_dataset或直接使用第 3 种方式生成的_wandb.yaml文件上传数据集并通过--save-period上传模型 checkpoint。命令与第 5 种相同$ python main.py --resume wandb-artifact://{run_path}附边界框日志频率控制--bbox_interval参数默认-1用于控制边界框预测图的日志频率。从 wandb_utils.py 的默认逻辑看当值为-1时若总 epoch 数大于 10会自动设为epochs // 10否则设为 1若开启--evolve或--noplots则设为epochs 1即禁用该日志。超参数搜索基于 Sweep 的自动化调参仓库还提供了 WB Sweep 的完整接入入口脚本 sweep.py 会先wandb.init()读取 sweep agent 下发到wandb.config的超参字典再基于parse_opt(knownTrue)解析命令行参数、组装opt最后调用train(hyp_dict, opt, device, callbacksCallbacks())执行一轮完整训练。配套的 sweep.yaml 定义了搜索空间与目标program: utils/loggers/wandb/sweep.py method: random metric: name: metrics/mAP_0.5 goal: maximize即以metrics/mAP_0.5最大化为目标采用 random 策略固定data: data/coco128.yaml、batch_size: 64、epochs: 10并对lr0、lrf、momentum、weight_decay、box、cls、obj、iou_t、anchor_t、fl_gamma以及 HSV 增强、仿射变换、mosaic、mixup、copy_paste 等十余个超参数以 uniform 分布给出min/max区间。参数取值可以写成区间min/max或离散列表values并支持 grid、bayesian、hyperopt 等不同搜索策略。Reports把结果分享给世界WB Reports 可以从已保存的 run 中创建并在线分享。报告创建完成后会得到一个公开链接可用于展示训练成果。官方示例中COCO128 教程训练YOLOv5 四种模型的对比报告即通过这种方式共享。运行环境与集成状态说明WB 集成要求安装 wandb 包pip install wandb并且训练环境需具备 Python、PyTorch 及可选的 CUDA/CUDNN。本仓库 utils/loggers/init.py 在导入时做了防御性处理wandb 未安装、版本不满足低于 0.12.2或登录失败时wandb会被置为None训练仍可正常进行只是跳过 WB 日志。作为参照utils/loggers/comet/hpo.py 集中列出了本仓库训练脚本支持的 WB 专属参数参数默认值说明--entityNoneWB 团队/组织--upload_datasetFalse可选传val上传数据集可仅上传验证集--bbox_interval-1边界框图像日志间隔--artifact_aliaslatest使用的数据集 Artifact 版本别名最后再次提醒本仓库 wandb_utils.py 中的弃用警告意味着这套集成未来会被移除且当前仓库内的WandbLogger为精简版本val_one_image为空实现、数据集上传细节逻辑未包含。如果你的项目计划长期使用 WB建议关注官方对日志集成的迁移路线并持续以当前仓库实际代码为准验证命令与参数行为。赞分享人工智能计算机视觉【免费下载链接】AI-AimbotWorlds Best AI Aimbot - CS2, Valorant, Fortnite, APEX, every game项目地址https://gitcode.com/gh_mirrors/ai/AI-Aimbot点击查看免费下载相关推荐LiveSplit为速度跑者打造的专业级计时器解决方案LiveSplit为速度跑者打造的专业级计时器解决方案 LiveSplit是一款专为速度跑玩家设计的专业计时器软件它将高精度计时与高度自定义功能完美结合帮桌面应用掌握TRL训练可视化使用Weights Biases追踪你的强化学习模型表现掌握TRL训练可视化使用Weights Biases追踪你的强化学习模型表现 TRLTransformer Reinforcement Learning人工智能大模型强化学习RLHF预训练微调LoRAMLOps-Basics 实验监控实战基于 Weights Biases 的 PyTorch Lightning 训练全流程日志与可视化MLOps Basics 实验监控实战基于 Weights Biases 的 PyTorch Lightning 训练全流程日志与可视化 本文是 MLOp示例工程上一篇EMQX 插件 CLI 扩展实战基于 emqx_ctl 动态注册自定义 emqx ctl 命令下一篇从周报读懂 Python 机器学习生态best-of-ml-python 项目质量评分机制与 2022-12-15 趋势榜单解读创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考