> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-2751.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

> Intégrez W&B à YOLOX pour suivre l'entraînement de modèles de détection d'objets, consigner des métriques et visualiser les résultats de détection.

# YOLOX

[YOLOX](https://github.com/Megvii-BaseDetection/YOLOX) est une version sans ancres de YOLO pour la détection d’objets. Vous pouvez utiliser l’intégration W\&B de YOLOX pour activer la journalisation des métriques liées à l’entraînement, à la validation et au système, et valider les prédictions de manière interactive grâce à un seul argument de ligne de commande.

Ce guide vous montre comment vous authentifier auprès de W\&B, installer l’intégration et activer la journalisation W\&B lors de l’entraînement d’un modèle YOLOX de détection d’objets afin de suivre les métriques et d’inspecter les prédictions dans l’interface utilisateur W\&B.

<div id="sign-up-and-create-an-api-key">
  ## Inscrivez-vous et créez une clé API
</div>

Une clé API permet d’authentifier votre machine auprès de W\&B. Vous pouvez générer une clé API depuis votre profil utilisateur.

<Note>
  Pour une méthode plus directe, accédez aux [Paramètres utilisateur](https://wandb.ai/settings) et créez une clé API. Copiez immédiatement la clé API et conservez-la dans un endroit sûr, par exemple dans un gestionnaire de mots de passe.
</Note>

1. Cliquez sur l’icône de votre profil utilisateur dans le coin supérieur droit.
2. Sélectionnez **Paramètres utilisateur**, puis faites défiler jusqu’à la section **API Keys**.

<div id="install-the-wandb-library-and-log-in">
  ## Installez la bibliothèque `wandb` et connectez-vous
</div>

Pour installer la bibliothèque `wandb` localement et vous connecter :

<Tabs>
  <Tab title="Ligne de commande">
    1. Définissez la [variable d'environnement](/fr/models/track/environment-variables/) `WANDB_API_KEY` avec votre clé API. Remplacez les valeurs entre `<>` par les vôtres :

       ```bash theme={null}
       export WANDB_API_KEY=<your_api_key>
       ```

    2. Installez la bibliothèque `wandb` et connectez-vous.

       ```shell theme={null}
       pip install wandb

       wandb login
       ```
  </Tab>

  <Tab title="Python">
    ```bash theme={null}
    pip install wandb
    ```

    ```python theme={null}
    import wandb
    wandb.login()
    ```
  </Tab>

  <Tab title="Python notebook">
    ```notebook theme={null}
    !pip install wandb

    import wandb
    wandb.login()
    ```
  </Tab>
</Tabs>

<div id="log-metrics">
  ## Consigner des métriques
</div>

Une fois la bibliothèque `wandb` installée et votre machine authentifiée, vous pouvez activer la journalisation W\&B depuis le script d'entraînement YOLOX.

Utilisez l'argument de ligne de commande `--logger wandb` pour activer la journalisation avec `wandb`. Vous pouvez aussi transmettre, si nécessaire, tous les arguments attendus par [`wandb.init()`](/fr/models/ref/python/functions/init). Faites précéder chaque argument de `wandb-`.

`num_eval_imges` contrôle le nombre d'images de l'ensemble de validation et de prédictions que W\&B consigne dans des tableaux pour l'évaluation du modèle.

Remplacez les espaces réservés suivants avant d'exécuter la commande :

* `<project-name>`: Le nom de votre projet W\&B.
* `<entity>`: Votre entité W\&B (nom d'utilisateur ou nom d'équipe).
* `<run-name>`: Un nom pour ce run d'entraînement.
* `<run-id>`: Un ID unique pour ce run.
* `<save-dir>`: Le répertoire dans lequel YOLOX enregistre les points de contrôle du modèle et les journaux.
* `<num-images>`: Le nombre d'images de validation à consigner.
* `<bool>`: Indique s'il faut consigner les points de contrôle du modèle (`true` ou `false`).

```shell theme={null}
# Se connecter à W&B
wandb login

# Appeler votre script d'entraînement YOLOX avec l'argument logger wandb
python tools/train.py .... --logger wandb \
                wandb-project <project-name> \
                wandb-entity <entity> \
                wandb-name <run-name> \
                wandb-id <run-id> \
                wandb-save_dir <save-dir> \
                wandb-num_eval_imges <num-images> \
                wandb-log_checkpoints <bool>
```

<div id="example">
  ## Exemple
</div>

Une fois votre run d'entraînement lancé, YOLOX transmet en continu les métriques d'entraînement, de validation et système à votre projet W\&B, où vous pouvez comparer les runs et inspecter les prédictions. Voir l'exemple suivant pour découvrir à quoi ressemble un tableau de bord rempli.

Voir le [tableau de bord d'exemple avec les métriques d'entraînement et de validation de YOLOX](https://wandb.ai/manan-goel/yolox-nano/runs/3pzfeom).

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-docs-2751/26y6qBOOzah48_IG/images/integrations/yolox_example_dashboard.png?fit=max&auto=format&n=26y6qBOOzah48_IG&q=85&s=161555fa1a131becb6b7fe27c0b6c869" alt="Tableau de bord d'entraînement YOLOX" width="3114" height="2394" data-path="images/integrations/yolox_example_dashboard.png" />
</Frame>

Si vous avez des questions ou rencontrez des problèmes avec cette intégration W\&B, ouvrez une issue sur le [dépôt YOLOX](https://github.com/Megvii-BaseDetection/YOLOX).