показатели производительности в данных обучения и проверки не отображаются во время обнаружения объектов в тензорном потоке 2

Я тренирую модель обнаружения объектов в пользовательском наборе данных, используя Effectivedet-d1. Я работаю с tensorflow 2 в colab.

Я ссылался на следующие учебники

https://gilberttanner.com/blog/tensorflow-object-detection-with-tensorflow-2-creating-a-custom-model

https://towardsdatascience.com/how-to-train-a-tensorflow-2-object-detection-model-25d4da64b817

https://tensorflow-object-detection-api-tutorial.readthedocs.io/en/latest/training.html

Я использую следующий код для обучения модели:

!python model_main_tf2.py \
    --pipeline_config_path=models/efficientdet_d1-round3/pipeline.config \
    --model_dir=models/efficientdet_d1-round3 \
    --logtostderr

Вывод в терминале colab:

INFO:tensorflow:Step 100 per-step time 1.300s loss=1.238
I1008 07:51:04.238269 140334195148672 model_lib_v2.py:652] Step 100 per-step time 1.300s loss=1.238
INFO:tensorflow:Step 200 per-step time 1.142s loss=1.260
.....

Я попытался включить tensorboard с помощью следующих команд, но он не открывается через colab, даже если я открою новую веб-страницу и наберу http://localhost:6006/

#method 1
%load_ext tensorboard
%tensorboard --logdir './models/efficientdet_d1-round3/train'

# method 2
!wget https://bin.equinox.io/c/4VmDzA7iaHb/ngrok-stable-linux-amd64.zip
!unzip -o ngrok-stable-linux-amd64.zip
LOG_DIR = "models/efficientdet_d1-round3/train" #"training/"
get_ipython().system_raw(
    'tensorboard --logdir {} --host 0.0.0.0 --port 6006 &'
    .format(LOG_DIR)
)
get_ipython().system_raw('./ngrok http 6006 &')
#The link to tensorboard.
#works after the training starts.
!curl -s http://localhost:4040/api/tunnels | python3 -c \
    "import sys, json; print(json.load(sys.stdin)['tunnels'][0]['public_url'])"

Вопросы:

1. Любая идея, как я могу проверить прогресс обучения модели через tensorboard в colab?
2. В качестве альтернативы, есть ли способ распечатать различные показатели (потери при обучении, потери при проверке, mAP) в текстовый файл, который затем можно использовать для построения графика?

Я нашел несколько ссылок для включения обратных вызовов моделей, но они предназначены для моделей классификации.

Постройте несколько графиков на одном графике с помощью Tensorboard

Кроме того, большинство ссылок, связанных с обнаружением объектов, относятся к tensorflow 1 (см. ниже).

Обучение обнаружению объектов Tensorflow в собственном наборе данных

Я относительно новичок в глубоком обучении с изображениями и борюсь с этим уже более месяца. Любые предложения/подсказки/ссылки приветствуются.

Спасибо