Protokollierung von Ultralytics YOLO-Experimenten unter Verwendung der MLflow-Integration

Sie können sich ein Computer-Vision-Projekt wie ein Puzzle vorstellen. Im Wesentlichen bringt man Maschinen bei, visuelle Daten zu verstehen, indem man die einzelnen Teile des Puzzles zusammensetzt, z. B. einen Datensatz sammelt, ein Modell trainiert und es einsetzt. Wenn alles zusammenpasst, erhält man ein System, das Bilder und Videos effektiv analysieren kann und einen Sinn ergibt.

Aber genau wie bei einem echten Puzzle ist nicht jeder Teil eines Computer-Vision-Projekts einfach. Aufgaben wie die Verfolgung von Experimenten (Aufzeichnung von Einstellungen, Konfigurationen und Daten) und die Protokollierung (Erfassung von Ergebnissen und Leistungskennzahlen) können viel Zeit und Mühe erfordern. Obwohl diese Schritte für die Verbesserung und Verfeinerung Ihrer Computer-Vision-Modelle von entscheidender Bedeutung sind, können sie sich manchmal wie ein Engpass anfühlen.

Hier kommen die Ultralytics YOLO-Modelle und ihre Integration in MLflow ins Spiel. Modelle wie Ultralytics YOLO11 unterstützen eine breite Palette von Computer-Vision-Aufgaben, einschließlich Objekterkennung, Instanzsegmentierung und Bildklassifizierung. Diese Fähigkeiten ermöglichen die Erstellung interessanter Bildverarbeitungsanwendungen. Die Möglichkeit, sich auf Integrationen wie die MLflow-Integration zu verlassen, ermöglicht es den Bildverarbeitungsingenieuren, sich auf das Modell selbst zu konzentrieren, anstatt sich in den Details zu verlieren. 

Insbesondere die MLflow-Integration vereinfacht den Prozess, indem sie verschiedene Metriken, Parameter und Artefakte während des gesamten Trainingsprozesses protokolliert. In diesem Artikel werden wir untersuchen, wie die MLflow-Integration funktioniert, welche Vorteile sie bietet und wie Sie sie nutzen können, um Ihre Ultralytics YOLO-Workflows zu optimieren.

Was ist MLflow?

MLflow ist eine Open-Source-Plattform (entwickelt von Databricks) zur Rationalisierung und Verwaltung des gesamten Lebenszyklus des maschinellen Lernens. Sie umfasst den Prozess der Entwicklung, Bereitstellung und Wartung von Modellen für maschinelles Lernen. 

MLflow umfasst die folgenden Schlüsselkomponenten:

• Experiment-Verfolgung: Diese Komponente konzentriert sich auf die Aufzeichnung wichtiger Details wie Modelleinstellungen, Ergebnisse und Dateien für jeden Modell-Trainingslauf. Sie hilft Ihnen, Modelle zu vergleichen, zu sehen, wie sich Änderungen auf die Leistung auswirken, und das beste Modell zu finden.
  ‍
• Modell-Register: Es ist wie ein Speichersystem für Ihre Modelle, in dem Sie die verschiedenen Versionen nachverfolgen und nach Phasen wie Test, Staging und Produktion organisieren können.
  ‍
• Projektpaketierung: MLflow macht es einfach, Ihre Projekte für maschinelles Lernen zu bündeln, einschließlich des Codes, der Einstellungen und der erforderlichen Tools, so dass sie in verschiedenen Teams und Umgebungen gemeinsam und einheitlich genutzt werden können.
  ‍
• Modellbereitstellung: MLflow bietet Tools, mit denen Sie Ihre trainierten Modelle schnell auf Workstations oder Cloud-Plattformen wie AWS und Azure bereitstellen können, so dass sie für den realen Einsatz bereit sind.

‍

Die Komponenten von MLflow machen den Prozess des maschinellen Lernens einfacher und effizienter zu verwalten. Durch diese Integration ermöglicht Ultralytics die Verwendung der MLflow-Funktion zur Verfolgung von Experimenten, um Parameter, Metriken und Artefakte während des Trainings von YOLO-Modellen zu protokollieren. Es macht es einfach, verschiedene YOLO-Modellversionen zu verfolgen und zu vergleichen.

Die MLflow-Integration rationalisiert die Ausbildung

Nachdem wir nun erklärt haben, was MLflow ist, wollen wir uns nun mit den Details der MLflow-Integration und ihren Funktionen befassen. 

Die MLflow-Integration wurde entwickelt, um den Trainingsprozess effizienter und organisierter zu gestalten, indem wichtige Aspekte Ihrer Computer Vision Experimente automatisch verfolgt und protokolliert werden. Sie ermöglicht drei Hauptarten der Protokollierung: Metriken, Parameter und Artefakte.

Im Folgenden werden die einzelnen Arten der Protokollierung näher beleuchtet:

• Protokollierung von Metriken: Metriken sind quantitative Werte, die die Leistung Ihres Modells während des Trainings messen. Beispielsweise werden Metriken wie Genauigkeit, Präzision, Rückruf oder Verlust am Ende jeder Epoche (eines vollständigen Durchlaufs durch Ihren Datensatz) aufgezeichnet.
  ‍
• Parameterprotokollierung: Parameter sind die Einstellungen, die Sie vor Beginn des Modelltrainings festlegen, z. B. die Lernrate, die Stapelgröße (die Anzahl der in einem Trainingsschritt verarbeiteten Proben) und die Anzahl der Epochen. Diese Parameter beeinflussen maßgeblich das Verhalten und die Leistung Ihres Modells.
  ‍
• Artefakte protokollieren: Artefakte sind die während des Trainings erzeugten Ausgaben oder Dateien. Dazu gehören wichtige Dateien wie Modellgewichte (die numerischen Werte, die Ihr Modell beim Training lernt), Konfigurationsdateien (die die Trainingseinstellungen speichern) und andere relevante Daten.

‍

So funktioniert die MLflow-Integration

Eine schrittweise Anleitung zur Aktivierung der MLflow-Integration finden Sie in der Ultralytics-Dokumentation. Nach der Einrichtung verfolgt und protokolliert die Integration automatisch wichtige Details Ihrer Trainingsexperimente, wie oben beschrieben. Dadurch entfällt die Notwendigkeit der manuellen Nachverfolgung und Sie können sich auf die Verfeinerung Ihrer Modelle konzentrieren.

Mit der MLflow-Integration werden alle Ihre Trainingsläufe an einem Ort gespeichert, was den Vergleich der Ergebnisse und die Bewertung verschiedener Konfigurationen erleichtert. Durch den Vergleich der protokollierten Ergebnisse können Sie die leistungsstärksten Konfigurationen ermitteln und diese Erkenntnisse zur Verbesserung Ihrer Modelle nutzen. Dies gewährleistet, dass Ihr Arbeitsablauf effizienter, gut dokumentiert und reproduzierbar ist.

Jede Trainingssitzung wird in einem Experiment organisiert, das als Container für mehrere Läufe dient. Innerhalb eines Experiments können Sie alle zugehörigen Läufe anzeigen, ihre Leistung nebeneinander vergleichen und Trends über verschiedene Konfigurationen hinweg analysieren. 

Wenn Sie z. B. mit Ultralytics YOLOv8 verschiedene Lernraten oder Batchgrößen testen, werden alle zugehörigen Läufe zum einfachen Vergleich und zur Analyse unter demselben Experiment gruppiert, wie unten dargestellt.

‍

Auf der Ebene der einzelnen Läufe bietet MLflow detaillierte Einblicke in die jeweilige Trainingssitzung. Sie können Metriken wie Genauigkeit, Verlust und Präzision über Epochen hinweg anzeigen, die verwendeten Trainingsparameter (z. B. Stapelgröße und Lernrate) überprüfen und auf generierte Artefakte wie Modellgewichte und Konfigurationsdateien zugreifen. Diese Details werden in einem übersichtlichen Format gespeichert, so dass es einfach ist, jeden Lauf erneut zu besuchen oder zu reproduzieren.

Die Wahl der MLflow-Integration: warum sie sich auszeichnet

Wenn Sie die Ultralytics Dokumentation durchgehen und die verfügbaren Integrationen erkunden, werden Sie sich vielleicht fragen: Was zeichnet die MLflow-Integration aus, und warum sollte ich sie für meinen Arbeitsablauf wählen?

Mit Integrationen wie TensorBoard, die auch Tools für die Verfolgung von Metriken und die Visualisierung von Ergebnissen bieten, ist es wichtig, die einzigartigen Qualitäten zu verstehen, die die MLflow-Integration auszeichnen. 

Hier erfahren Sie, warum MLflow die ideale Wahl für Ihre YOLO-Projekte sein könnte:

• Benutzerfreundliche Schnittstelle: Das MLflow-Dashboard erleichtert die Anzeige von Experimenten, den Vergleich von Läufen und die Analyse von Ergebnissen, so dass Sie schnell die leistungsfähigsten Konfigurationen ermitteln können.
  ‍
• Benutzerdefinierte Metrikprotokollierung: Bildverarbeitungsingenieure können zusätzlich zu den Standardmetriken auch benutzerdefinierte Metriken protokollieren, um eine tiefgreifendere Analyse speziell für ihre Projektanforderungen zu ermöglichen.
  ‍
• Unterstützung für mehrsprachige Workflows: MLflow ist mit mehreren Programmiersprachen kompatibel, darunter Python, R und Java, was die Integration in verschiedene Pipelines für maschinelles Lernen erleichtert.

Praktische Anwendungen von YOLO11 und der MLflow-Integration

Um ein umfassenderes Verständnis dafür zu bekommen, wann Sie die MLflow-Integration nutzen können, lassen Sie uns eine KI-Anwendung im Gesundheitswesen betrachten, bei der Sie YOLO11 trainieren müssen, um Tumore in Röntgen- oder CT-Bildern zu erkennen. 

In einem solchen Szenario würde der Datensatz aus beschrifteten medizinischen Bildern bestehen. Sie müssten mit verschiedenen Konfigurationen experimentieren, z. B. mit der Anpassung von Lernraten, Stapelgrößen und Bildvorverarbeitungstechniken, um eine optimale Genauigkeit zu erreichen. Da im Gesundheitswesen viel auf dem Spiel steht und Präzision und Zuverlässigkeit von entscheidender Bedeutung sind, kann die manuelle Nachverfolgung jedes Experiments schnell unüberschaubar werden.

‍

Die MLflow-Integration löst diese Herausforderung, indem sie automatisch die Parameter, Metriken und Artefakte jedes Experiments aufzeichnet. Wenn Sie z. B. die Lernrate ändern oder eine neue Augmentierungsstrategie anwenden, zeichnet MLflow diese Änderungen zusammen mit Leistungsmetriken auf. Außerdem speichert MLflow trainierte Modellgewichte und -konfigurationen und stellt so sicher, dass erfolgreiche Modelle leicht reproduziert und eingesetzt werden können. 

Dies ist nur ein Beispiel dafür, wie die MLflow-Integration die Verwaltung von Experimenten in Vision AI-Anwendungen verbessert. Die gleichen Funktionen gelten auch für andere Computer-Vision-Anwendungen, darunter:

• Autonomes Fahren: YOLO11 kann zur Erkennung und Klassifizierung von Fußgängern, Fahrzeugen und Verkehrsschildern in Echtzeit eingesetzt werden, um die Sicherheit und Effizienz von selbstfahrenden Systemen zu verbessern.
  ‍
• Einzelhandelsanalytik: Modelle zur Objekterkennung können das Kundenverhalten überwachen, die Platzierung von Produkten verfolgen und den Bestand optimieren, indem sie die Aktivitäten in den Geschäften anhand von Videoübertragungen analysieren.
  ‍
• Sicherheit und Überwachung: Modelle können so trainiert werden, dass sie Anomalien erkennen oder Echtzeitaktivitäten in sensiblen Bereichen überwachen, um die Sicherheit zu erhöhen.

Vorteile der MLflow-Integration

Die MLflow-Integration mit YOLO-Modellen macht die Verwaltung von Machine-Learning-Experimenten einfacher und effizienter. Durch die Automatisierung von Schlüsselaufgaben und die Organisation von allem, können Sie sich auf die Erstellung und Verbesserung Ihrer Modelle konzentrieren. Hier ist ein Blick auf die wichtigsten Vorteile:

• Skalierbar für große Projekte: Die Plattform verarbeitet mehrere Experimente und Modelle effizient und eignet sich daher für größere Teams und komplexe Arbeitsabläufe.
  ‍
• Detaillierter Versuchsverlauf: Die Plattform führt eine vollständige Historie der Experimente, die es Ihnen ermöglicht, frühere Läufe wieder aufzurufen, frühere Konfigurationen zu analysieren und aus früheren Ergebnissen zu lernen.
  ‍
• Deaktivieren und Zurücksetzen von Optionen: Die MLflow-Protokollierung lässt sich leicht deaktivieren, wenn sie nicht benötigt wird, und die Einstellungen können auf die Standardwerte zurückgesetzt werden, was eine flexible Anpassung an unterschiedliche Workflow-Anforderungen ermöglicht.

Die wichtigsten Erkenntnisse

Die MLflow-Integration macht die Verwaltung und Optimierung von Ultralytics YOLO-Experimenten einfacher und effizienter. Durch die automatische Verfolgung wichtiger Details wie Parameter, Metriken und Artefakte vereinfacht sie den Prozess und macht die manuelle Verwaltung von Experimenten überflüssig. 

Ganz gleich, ob Sie an Lösungen für das Gesundheitswesen wie der Tumorerkennung, der Verbesserung autonomer Fahrsysteme oder der Verbesserung der Einzelhandelsanalyse arbeiten - mit dieser Integration bleibt alles organisiert und reproduzierbar. Mit seiner intuitiven Benutzeroberfläche und Flexibilität ermöglicht MLflow Entwicklern, sich auf die Erstellung besserer Modelle zu konzentrieren und Innovationen bei Vision-KI-Anwendungen voranzutreiben.

Werden Sie Mitglied unserer Community und besuchen Sie unser GitHub-Repository, um mehr über KI zu erfahren. Sie können auch weitere Anwendungen von Computer Vision in der Fertigung oder KI in selbstfahrenden Autos auf unseren Lösungsseiten erkunden.