Integrationen von Ultralytics YOLOv8 zur Verfolgung von ML-Experimenten erkunden

Daten sammeln und annotieren sowie Modelle wie das Ultralytics YOLOv8-Modell zu trainieren, bildet den Kern jedes Computer-Vision-Projekts. Häufig musst du dein benutzerdefiniertes Modell mehrmals mit unterschiedlichen Parametern trainieren, um das bestmögliche Modell zu erstellen. Mit Tools zur Verfolgung deiner Trainingsexperimente kannst du dein Computer-Vision-Projekt leichter verwalten. Experimentverfolgung bezeichnet den Prozess, die Details jedes Trainingslaufs aufzuzeichnen – etwa die verwendeten Parameter, die erzielten Ergebnisse und alle dabei vorgenommenen Änderungen.

Abb. 1 Eine Abbildung, die zeigt, wie sich die Experimentverfolgung in ein Computer-Vision-Projekt einfügt.

Wenn du diese Details festhältst, kannst du deine Ergebnisse reproduzieren, verstehen, was funktioniert und was nicht, und deine Modelle effektiver feinabstimmen. Für Organisationen trägt dies zur Einheitlichkeit zwischen Teams bei, fördert die Zusammenarbeit und bietet eine klare Prüfspur. Für Einzelpersonen geht es darum, eine klare und strukturierte Dokumentation ihrer Arbeit zu führen, mit der sie ihren Ansatz weiter verfeinern und im Laufe der Zeit bessere Ergebnisse erzielen können.

In diesem Artikel stellen wir dir die verschiedenen verfügbaren Trainingintegrationen zur Verwaltung und Überwachung deiner YOLOv8-Experimente vor. Ganz gleich, ob du allein oder in einem größeren Team arbeitest: Wenn du die richtigen Tools zur Verfolgung deiner Experimente verstehst und einsetzt, kann dies den Erfolg deiner YOLOv8-Projekte deutlich beeinflussen.

Verfolgung von Machine-Learning-Experimenten mit MLflow#

MLflow ist eine von Databricks entwickelte Open-Source-Plattform, die die Verwaltung des gesamten Machine-Learning-Lebenszyklus erleichtert. MLflow Tracking ist eine zentrale Komponente von MLflow und stellt eine API sowie eine Benutzeroberfläche bereit, mit denen Data Scientists und Ingenieure ihre Machine-Learning-Experimente protokollieren und visualisieren können. Die Plattform unterstützt mehrere Sprachen und Schnittstellen, darunter Python-, REST-, Java- und R-APIs.

MLflow Tracking lässt sich nahtlos in YOLOv8 integrieren, sodass du wichtige Metriken wie Präzision, Trefferquote und Verlust direkt aus deinen Modellen protokollieren kannst. MLflow mit YOLOv8 einzurichten ist unkompliziert, und es gibt flexible Optionen: Du kannst die standardmäßige Localhost-Konfiguration verwenden, eine Verbindung zu verschiedenen Datenspeichern herstellen oder einen entfernten MLflow-Tracking-Server starten, um alles übersichtlich zu halten.

Abb. 2. Typische Konfigurationen der MLflow-Tracking-Umgebung. Bildquelle: MLflow Tracking.

Hier sind einige Anhaltspunkte, die dir bei der Entscheidung helfen, ob MLflow das richtige Tool für dein Projekt ist:

• Skalierbarkeit: MLflow lässt sich an deine Anforderungen anpassen, unabhängig davon, ob du auf einem einzelnen Rechner arbeitest oder große Cluster einsetzt. Wenn dein Projekt von der Entwicklung bis zur Produktion skaliert werden soll, kann MLflow dieses Wachstum unterstützen.
• Projektkomplexität: MLflow eignet sich ideal für komplexe Projekte, die eine umfassende Verfolgung, Modellverwaltung und Bereitstellungsfunktionen erfordern. Wenn dein Projekt diese umfassenden Funktionen benötigt, kann MLflow deine Arbeitsabläufe optimieren.
• Einrichtung und Wartung: MLflow ist zwar leistungsfähig, bringt aber eine Lernkurve und zusätzlichen Einrichtungsaufwand mit sich.

Weights & Biases (W&B) zur Verfolgung von Computer-Vision-Modellen verwenden#

Weights & Biases ist eine MLOps-Plattform zur Verfolgung, Visualisierung und Verwaltung von Machine-Learning-Experimenten. Mit W&B und YOLOv8 kannst du die Leistung deiner Modelle während des Trainings und der Feinabstimmung überwachen. Das interaktive Dashboard von W&B bietet eine klare Echtzeitansicht dieser Metriken und erleichtert es, Trends zu erkennen, Modellvarianten zu vergleichen und während des Trainingsprozesses Probleme zu beheben.

W&B protokolliert Trainingsmetriken und Modellprüfpunkte automatisch. Du kannst damit sogar Hyperparameter wie Lernrate und Batchgröße feinabstimmen. Die Plattform unterstützt zahlreiche Einrichtungsoptionen – von der Verfolgung von Läufen auf deinem lokalen Rechner bis zur Verwaltung umfangreicher Projekte mit Cloud-Speicher.

Abb. 3. Beispiel für Dashboards zur Experimentverfolgung in Weights & Biases. Bildquelle: Weights & Biases track experiments.

Hier sind einige Anhaltspunkte, die dir bei der Entscheidung helfen, ob Weights & Biases das richtige Tool für dein Projekt ist:

• Erweiterte Visualisierung und Verfolgung: W&B bietet ein intuitives Dashboard zur Visualisierung von Trainingsmetriken und der Modellleistung in Echtzeit.
• Preismodell: Die Preise basieren auf den verfolgten Stunden. Das ist möglicherweise nicht ideal für Nutzer mit begrenztem Budget oder für Projekte mit langen Trainingszeiten.

MLOps-Experimentverfolgung mit ClearML#

ClearML ist eine Open-Source-MLOps-Plattform zur Automatisierung, Überwachung und Orchestrierung von Machine-Learning-Arbeitsabläufen. Sie unterstützt beliebte Machine-Learning-Frameworks wie PyTorch, TensorFlow und Keras und lässt sich problemlos in bestehende Prozesse integrieren. ClearML unterstützt außerdem verteiltes Rechnen auf lokalen Rechnern oder in der Cloud und kann die CPU- und GPU-Nutzung überwachen.

Die Integration von YOLOv8 in ClearML bietet Tools zur Experimentverfolgung, Modellverwaltung und Ressourcenüberwachung. Die intuitive Web-Benutzeroberfläche der Plattform ermöglicht es dir, Daten zu visualisieren, Experimente zu vergleichen und wichtige Metriken wie Verlust, Genauigkeit und Validierungswerte in Echtzeit zu verfolgen. Die Integration unterstützt außerdem erweiterte Funktionen wie die Ausführung auf entfernten Rechnern, die Abstimmung von Hyperparametern und die Verwaltung von Modellprüfpunkten.

Abb. 4. Beispiel für Visualisierungen zur Experimentverfolgung in ClearML. Bildquelle: Clear ML Tracking Experiments and Visualizing Results.

Hier sind einige Anhaltspunkte, die dir bei der Entscheidung helfen, ob ClearML das richtige Tool für dein Projekt ist:

• Bedarf an erweiterter Experimentverfolgung: ClearML bietet eine robuste Experimentverfolgung mit automatischer Integration in Git.
• Flexible Bereitstellung: ClearML kann lokal, in der Cloud oder auf Kubernetes-Clustern eingesetzt werden und lässt sich dadurch an unterschiedliche Umgebungen anpassen.

Trainingsexperimente mit Comet ML verfolgen#

Comet ML ist eine benutzerfreundliche Plattform zur Verwaltung und Verfolgung von Machine-Learning-Experimenten. Die Integration von YOLOv8 in Comet ML ermöglicht es dir, deine Experimente zu protokollieren und deine Ergebnisse im Zeitverlauf anzuzeigen. Die Integration erleichtert es, Trends zu erkennen und verschiedene Läufe zu vergleichen.

Comet ML kann in der Cloud, in einer virtuellen privaten Cloud (VPC) oder lokal eingesetzt werden und lässt sich dadurch an unterschiedliche Umgebungen und Anforderungen anpassen. Dieses Tool ist für die Zusammenarbeit im Team ausgelegt. Du kannst Projekte teilen, Teammitglieder markieren und Kommentare hinterlassen, damit alle auf dem gleichen Stand bleiben und Experimente präzise reproduzieren können.

Hier sind einige Anhaltspunkte, die dir bei der Entscheidung helfen, ob Comet ML das richtige Tool für dein Projekt ist:

• Unterstützung mehrerer Frameworks und Sprachen: Comet ML funktioniert mit Python, JavaScript, Java, R und weiteren Sprachen und ist damit unabhängig von den in deinem Projekt verwendeten Tools oder Sprachen vielseitig einsetzbar.
• Anpassbare Dashboards und Berichte: Die Benutzeroberfläche von Comet ML ist umfassend anpassbar, sodass du die für dein Projekt sinnvollsten Berichte und Dashboards erstellen kannst.
• Kosten: Comet ML ist eine kommerzielle Plattform, und einige der erweiterten Funktionen erfordern ein kostenpflichtiges Abonnement.

TensorBoard für Visualisierungen nutzen#

TensorBoard ist ein leistungsfähiges Visualisierungs-Toolkit, das speziell für TensorFlow-Experimente entwickelt wurde. Es eignet sich jedoch auch hervorragend zur Verfolgung und Visualisierung von Metriken in einer Vielzahl von Machine-Learning-Projekten. TensorBoard ist für seine Einfachheit und Geschwindigkeit bekannt und ermöglicht es Nutzern, wichtige Metriken einfach zu verfolgen sowie Modellgraphen, Einbettungen und andere Datentypen zu visualisieren.

Ein großer Vorteil der Verwendung von TensorBoard mit YOLOv8 besteht darin, dass es praktischerweise vorinstalliert ist und keine zusätzliche Einrichtung erfordert. Ein weiterer Vorteil ist, dass TensorBoard vollständig lokal ausgeführt werden kann. Das ist besonders wichtig für Projekte mit strengen Anforderungen an den Datenschutz oder für Umgebungen, in denen das Hochladen in die Cloud nicht möglich ist.

Abb. 5 Überwachung des Trainings von YOLOv8-Modellen mit TensorBoard.

Hier sind einige Anhaltspunkte, die dir bei der Entscheidung helfen, ob TensorBoard das richtige Tool für dein Projekt ist:

• Erklärbarkeit mit dem What-If Tool (WIT): TensorBoard umfasst das What-If Tool mit einer benutzerfreundlichen Oberfläche zur Untersuchung und zum Verständnis von ML-Modellen. Es ist wertvoll für alle, die Einblicke in Black-Box-Modelle gewinnen und deren Erklärbarkeit verbessern möchten.
• Einfache Experimentverfolgung: TensorBoard eignet sich für grundlegende Anforderungen an die Verfolgung, bietet jedoch nur eingeschränkte Möglichkeiten zum Vergleich von Experimenten und verfügt nicht über robuste Funktionen für die Zusammenarbeit im Team, die Versionskontrolle und die Verwaltung des Datenschutzes.

DVCLive (Live-Datenversionskontrolle) zur Verfolgung von ML-Experimenten verwenden#

Die Integration von YOLOv8 in DVCLive bietet eine optimierte Möglichkeit, Experimente zu verfolgen und zu verwalten, indem du Datensätze, Modelle und Code gemeinsam versionierst, ohne große Dateien in Git zu speichern. Das Tool verwendet Git-ähnliche Befehle und speichert verfolgte Metriken in einfachen Textdateien zur unkomplizierten Versionskontrolle. DVCLive protokolliert wichtige Metriken, visualisiert Ergebnisse und verwaltet Experimente übersichtlich, ohne dein Repository zu überladen. Es unterstützt eine große Auswahl an Speicheranbietern und kann lokal oder in der Cloud eingesetzt werden. DVCLive eignet sich ideal für Teams, die die Experimentverfolgung ohne zusätzliche Infrastruktur oder Abhängigkeit von der Cloud optimieren möchten.

Ultralytics-Modelle und Arbeitsabläufe mit Ultralytics HUB verwalten#

Ultralytics HUB ist eine interne All-in-one-Plattform, die speziell dafür entwickelt wurde, das Training, die Bereitstellung und die Verwaltung von Ultralytics YOLO-Modellen wie YOLOv5 und YOLOv8 zu vereinfachen. Im Gegensatz zu externen Integrationen bietet Ultralytics HUB eine nahtlose, native Umgebung, die speziell für YOLO-Nutzer entwickelt wurde. Die Plattform vereinfacht den gesamten Prozess: Du kannst Datensätze einfach hochladen, vortrainierte Modelle auswählen und mit nur wenigen Klicks über Cloud-Ressourcen mit dem Training beginnen – alles in der benutzerfreundlichen Oberfläche des HUB. Ultralytics HUB unterstützt außerdem die Experimentverfolgung, sodass du den Trainingsfortschritt überwachen, Ergebnisse vergleichen und Modelle einfach feinabstimmen kannst.

Abb. 6 Überwachung des Trainings von YOLOv8-Modellen mit Ultralytics HUB.

Wichtige Erkenntnisse#

Die Wahl des richtigen Tools zur Verfolgung deiner Machine-Learning-Experimente kann einen großen Unterschied machen. Alle besprochenen Tools können dich bei der Verfolgung von YOLOv8-Trainingsexperimenten unterstützen. Es ist jedoch wichtig, die Vor- und Nachteile jedes Tools abzuwägen, um die beste Lösung für dein Projekt zu finden. Mit dem richtigen Tool behältst du den Überblick und kannst die Leistung deines YOLOv8-Modells verbessern.

Integrationen können die Verwendung von YOLOv8 in deinen innovativen Projekten vereinfachen und deinen Fortschritt beschleunigen. Weitere spannende YOLOv8-Integrationen findest du in unserer Dokumentation.

Erfahre mehr über KI, indem du unser [GitHub-Repository](https://ultralytics-translation-0.invalid erkundest und unserer Community beitrittst. Auf unseren Lösungsseiten findest du ausführliche Einblicke in KI für die Fertigungsindustrie und das Gesundheitswesen. 🚀