> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-update-reference-docs-40.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 offrant de solides performances 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.

<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, créez une clé API en accédant directement aux [Paramètres utilisateur](https://wandb.ai/settings). Copiez immédiatement la clé API nouvellement créée 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.

       ```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>

Utilisez l’argument de Ligne de commande `--logger wandb` pour activer la journalisation avec wandb. Vous pouvez aussi, si vous le souhaitez, transmettre tous les arguments attendus par [`wandb.init()`](/fr/models/ref/python/functions/init) ; préfixez chaque argument avec `wandb-`.

`num_eval_imges` contrôle le nombre d’images de l’ensemble de validation et de prédictions enregistrées dans les tables W\&B pour l’évaluation du modèle.

```shell theme={null}
# se connecter à wandb
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>

[Exemple de tableau de bord 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-update-reference-docs-40/TRM29gc6L8KwQCyF/images/integrations/yolox_example_dashboard.png?fit=max&auto=format&n=TRM29gc6L8KwQCyF&q=85&s=21fc697eb63efa7f17dad64ec464fa41" alt="Tableau de bord d’entraînement YOLOX" width="3114" height="2394" data-path="images/integrations/yolox_example_dashboard.png" />
</Frame>

Des questions ou des problèmes concernant cette intégration W\&B ? Ouvrez une issue dans le [dépôt YOLOX](https://github.com/Megvii-BaseDetection/YOLOX).