Protokolliere Ultralytics YOLO-Experimente mit der MLflow-Integration

Du kannst dir ein Computer Vision-Projekt wie ein Puzzle vorstellen. Im Grunde bringst du Maschinen bei, visuelle Daten zu verstehen, indem du die Puzzleteile zusammensetzt, etwa durch das Sammeln von Datensätzen, das Trainieren eines Modells und dessen Bereitstellung. Wenn alles zusammenpasst, erhältst du ein System, das Bilder und Videos effektiv analysieren und interpretieren kann.

Aber wie bei einem echten Puzzle ist nicht jeder Teil eines Computer Vision-Projekts einfach. Aufgaben wie das Experiment-Tracking (das Führen eines Protokolls deiner Einstellungen, Konfigurationen und Daten) und das Logging (das Erfassen von Ergebnissen und Leistungskennzahlen) können viel Zeit und Mühe in Anspruch nehmen. Obwohl diese Schritte entscheidend für die Verbesserung und Verfeinerung deiner Computer Vision-Modelle sind, können sie manchmal als Engpass empfunden werden.

Genau hier kommen Ultralytics YOLO-Modelle und die Integration mit MLflow ins Spiel. Modelle wie Ultralytics YOLO11 unterstützen eine Vielzahl von Computer Vision-Aufgaben, darunter Objekterkennung, Instanzsegmentierung und Bildklassifizierung. Diese Fähigkeiten ermöglichen die Erstellung spannender Computer Vision-Anwendungen. Die Möglichkeit, sich auf Integrationen wie die MLflow-Integration zu verlassen, erlaubt es Vision-Entwicklern, sich auf das Modell selbst zu konzentrieren, anstatt sich in Details zu verlieren.

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

Link to this sectionWas ist MLflow?#

MLflow ist eine Open-Source-Plattform (entwickelt von Databricks), die darauf ausgelegt ist, den gesamten Machine Learning-Lebenszyklus zu optimieren und zu verwalten. Sie umfasst den Prozess der Entwicklung, Bereitstellung und Wartung von Machine Learning-Modellen.

MLflow umfasst die folgenden Schlüsselkomponenten:

• Experiment-Tracking: Diese Komponente konzentriert sich auf die Aufzeichnung wichtiger Details wie Modelleinstellungen, Ergebnisse und Dateien für jeden Modelltrainingslauf. Sie hilft dir dabei, Modelle zu vergleichen, zu sehen, wie sich Änderungen auf die Leistung auswirken, und das beste Modell zu finden.
• Modell-Registry: Sie fungiert wie ein Speichersystem für deine Modelle, in dem du verschiedene Versionen nachverfolgen und sie nach Phasen wie Testen, Staging und Produktion organisieren kannst.
• Projekt-Packaging: MLflow macht es einfach, deine Machine Learning-Projekte zu bündeln, einschließlich des Codes, der Einstellungen und der erforderlichen Tools, damit sie konsistent über Teams und Umgebungen hinweg geteilt und verwendet werden können.
• Modell-Bereitstellung: MLflow bietet Tools, um deine trainierten Modelle schnell an Orten wie Workstations oder Cloud-Plattformen wie AWS und Azure bereitzustellen und sie für den realen Einsatz vorzubereiten.

Fig 1. Komponenten von MLflow.

Die Komponenten von MLflow machen den Machine Learning-Prozess einfacher und effizienter zu verwalten. Durch diese Integration ermöglicht es Ultralytics, die Experiment-Tracking-Funktion von MLflow zu nutzen, um Parameter, Metriken und Artefakte während des Trainings von YOLO-Modellen zu protokollieren. Es ist damit ganz einfach, verschiedene YOLO-Modellversionen nachzuverfolgen und zu vergleichen.

Link to this sectionDie MLflow-Integration optimiert das Training#

Nachdem wir nun geklärt haben, was MLflow ist, tauchen wir in die Details der MLflow-Integration ein und welche Funktionen sie bietet.

Die MLflow-Integration wurde entwickelt, um den Trainingsprozess effizienter und organisierter zu gestalten, indem wichtige Aspekte deiner Computer Vision-Experimente automatisch nachverfolgt und protokolliert werden. Sie erleichtert drei Hauptarten des Loggings: Metriken, Parameter und Artefakte.

Hier ist ein genauerer Blick auf jede Art des Loggings:

• Metriken-Logging: Metriken sind quantitative Werte, die die Leistung deines Modells während des Trainings messen. Zum Beispiel werden Metriken wie Genauigkeit, Präzision, Recall oder Loss am Ende jeder Epoche (ein vollständiger Durchlauf durch deinen Datensatz) erfasst.
• Parameter-Logging: Parameter sind die Einstellungen, die du vor Beginn des Modelltrainings definierst, wie Lernrate, Batch-Größe (die Anzahl der in einem Trainingsschritt verarbeiteten Beispiele) und die Anzahl der Epochen. Diese Parameter beeinflussen das Verhalten und die Leistung deines Modells maßgeblich.
• Artefakte-Logging: Artefakte sind die Ausgaben oder Dateien, die während des Trainings generiert werden. Dazu gehören wichtige Dateien wie Modellgewichte (die numerischen Werte, die dein Modell während des Trainings lernt), Konfigurationsdateien (in denen die Trainingseinstellungen gespeichert sind) und andere relevante Daten.

Fig 2. Wichtige Logging-Funktionen der MLflow-Integration. Bild vom Autor.

Link to this sectionWie die MLflow-Integration funktioniert#

Du kannst die Ultralytics-Dokumentation für eine Schritt-für-Schritt-Anleitung zur Aktivierung der MLflow-Integration durchsuchen. Einmal eingerichtet, verfolgt und protokolliert die Integration automatisch wichtige Details deiner Trainingsexperimente, wie oben beschrieben. Dies macht manuelles Tracking überflüssig und hilft dir, dich auf die Verfeinerung deiner Modelle zu konzentrieren.

Mit der MLflow-Integration werden alle deine Trainingsläufe an einem Ort gespeichert, was den Vergleich von Ergebnissen und die Bewertung verschiedener Konfigurationen erleichtert. Durch den Vergleich der protokollierten Ergebnisse kannst du die leistungsfähigsten Konfigurationen identifizieren und diese Erkenntnisse nutzen, um deine Modelle zu verbessern. Dies stellt sicher, dass dein Workflow effizienter, gut dokumentiert und reproduzierbar ist.

Konkret ist jede Trainingssitzung in einem Experiment organisiert, das als Container für mehrere Läufe dient. Innerhalb eines Experiments kannst du alle zugehörigen Läufe anzeigen, ihre Leistung nebeneinander vergleichen und Trends über verschiedene Konfigurationen hinweg analysieren.

Wenn du beispielsweise verschiedene Lernraten oder Batch-Größen mit Ultralytics YOLOv8 testest, werden alle zugehörigen Läufe zur einfachen Vergleichbarkeit und Analyse unter demselben Experiment gruppiert, wie unten dargestellt.

Fig 3. Du kannst Experimente mit der MLflow-Integration anzeigen.

Auf der Ebene des einzelnen Laufs bietet MLflow derweil detaillierte Einblicke in die spezifische Trainingssitzung. Du kannst Metriken wie Genauigkeit, Loss und Präzision über die Epochen hinweg anzeigen, die verwendeten Trainingsparameter überprüfen (z. B. Batch-Größe und Lernrate) und auf generierte Artefakte wie Modellgewichte und Konfigurationsdateien zugreifen. Diese Details werden in einem organisierten Format gespeichert, sodass es einfach ist, einen Lauf erneut zu besuchen oder zu reproduzieren.

Link to this sectionWahl der MLflow-Integration: Warum sie hervorsticht#

Wenn du die Ultralytics-Dokumentation durchgehst und die verfügbaren Integrationen erkundest, fragst du dich vielleicht: Was hebt die MLflow-Integration hervor und warum sollte ich sie für meinen Workflow wählen?

Bei Integrationen wie TensorBoard, die ebenfalls Tools zur Metriken-Nachverfolgung und Ergebnisvisualisierung bieten, ist es wichtig, die einzigartigen Qualitäten zu verstehen, die die MLflow-Integration auszeichnen.

Hier ist, warum MLflow die ideale Wahl für deine YOLO-Projekte sein könnte:

• Benutzerfreundliche Oberfläche: Das MLflow-Dashboard macht es einfach, Experimente anzuzeigen, Läufe zu vergleichen und Ergebnisse zu analysieren, was dir hilft, schnell die leistungsfähigsten Konfigurationen zu identifizieren.
• Benutzerdefiniertes Metriken-Logging: Vision-Entwickler können zusätzlich zu den Standardmetriken benutzerdefinierte Metriken protokollieren, was eine tiefergehende, spezifisch auf ihre Projektanforderungen zugeschnittene Analyse ermöglicht.
• Unterstützung für mehrsprachige Workflows: MLflow ist mit mehreren Programmiersprachen kompatibel, einschließlich Python, R und Java, was die Integration in verschiedene Machine Learning-Pipelines erleichtert.

Link to this sectionPraktische Anwendungen von YOLO11 und der MLflow-Integration#

Um ein umfassenderes Verständnis davon zu bekommen, wann du die MLflow-Integration nutzen kannst, betrachten wir eine KI-Anwendung im Gesundheitswesen, bei der du YOLO11 trainieren musst, um Tumore in Röntgen- oder CT-Scan-Bildern zu erkennen.

In einem solchen Szenario würde der Datensatz aus annotierten medizinischen Bildern bestehen. Du müsstest mit verschiedenen Konfigurationen experimentieren, wie der Anpassung von Lernraten, Batch-Größen und Techniken zur Bildvorverarbeitung, um eine optimale Genauigkeit zu erreichen. Da im Gesundheitswesen viel auf dem Spiel steht und Präzision sowie Zuverlässigkeit entscheidend sind, kann das manuelle Tracking jedes Experiments schnell unüberschaubar werden.

Fig 4. Erkennen von Tumoren mit Ultralytics YOLO11.

Die MLflow-Integration begegnet dieser Herausforderung, indem sie automatisch die Parameter, Metriken und Artefakte jedes Experiments protokolliert. Wenn du beispielsweise die Lernrate änderst oder eine neue Augmentierungsstrategie anwendest, zeichnet MLflow diese Änderungen zusammen mit Leistungskennzahlen auf. Außerdem speichert MLflow trainierte Modellgewichte und Konfigurationen, wodurch sichergestellt wird, dass erfolgreiche Modelle einfach reproduziert und bereitgestellt werden können.

Dies ist nur ein Beispiel dafür, wie die MLflow-Integration das Experiment-Management in Vision-KI-Anwendungen verbessert. Die gleichen Funktionen gelten für andere Computer Vision-Anwendungen, darunter:

• Autonomes Fahren: YOLO11 kann verwendet werden, um Fußgänger, Fahrzeuge und Verkehrsschilder in Echtzeit zu erkennen und zu klassifizieren, um die Sicherheit und Effizienz von selbstfahrenden Systemen zu verbessern.
• Einzelhandelsanalytik: Objekterkennungsmodelle können das Kundenverhalten überwachen, Produktplatzierungen nachverfolgen und den Lagerbestand optimieren, indem sie In-Store-Aktivitäten über Video-Feeds analysieren.
• Sicherheit und Überwachung: Modelle können trainiert werden, um Anomalien zu erkennen oder Echtzeit-Aktivitäten in sensiblen Bereichen für eine erhöhte Sicherheit zu überwachen.

Link to this sectionVorteile der MLflow-Integration#

Die MLflow-Integration mit YOLO-Modellen macht das Verwalten von Machine Learning-Experimenten einfacher und effizienter. Indem sie wichtige Aufgaben automatisiert und alles organisiert hält, ermöglicht sie es dir, dich auf den Aufbau und die Verbesserung deiner Modelle zu konzentrieren. Hier ist ein Blick auf die wichtigsten Vorteile:

• Skalierbar für große Projekte: Die Plattform handhabt mehrere Experimente und Modelle effizient, was sie für größere Teams und komplexe Workflows geeignet macht.
• Detaillierte Experiment-Historie: Die Plattform pflegt eine vollständige Historie der Experimente, was es dir ermöglicht, vergangene Läufe erneut zu besuchen, frühere Konfigurationen zu analysieren und aus früheren Ergebnissen zu lernen.
• Deaktivierungs- und Rücksetzoptionen: Das MLflow-Logging kann bei Nichtgebrauch einfach deaktiviert werden, und Einstellungen können auf Standardwerte zurückgesetzt werden, was Flexibilität bei wechselnden Workflow-Anforderungen bietet.

Link to this sectionWichtige Erkenntnisse#

Die MLflow-Integration macht das Verwalten und Optimieren von Ultralytics YOLO-Experimenten einfacher und effizienter. Durch das automatische Nachverfolgen wichtiger Details wie Parameter, Metriken und Artefakte wird der Prozess vereinfacht und der Aufwand für das manuelle Experiment-Management beseitigt.

Egal, ob du an Gesundheitslösungen wie der Tumorkennung arbeitest, Systeme für autonomes Fahren verbesserst oder die Einzelhandelsanalytik optimierst, diese Integration hilft dabei, alles organisiert und reproduzierbar zu halten. Mit ihrer intuitiven Oberfläche und Flexibilität ermöglicht MLflow Entwicklern, sich auf das Erstellen besserer Modelle und das Vorantreiben von Innovationen in Vision-KI-Anwendungen zu konzentrieren.

Tritt unserer Community bei und schau dir unser GitHub-Repository an, um mehr über KI zu erfahren. Du kannst auch weitere Anwendungen von Computer Vision in der Fertigung oder KI in selbstfahrenden Autos auf unseren Lösungsseiten erkunden.