Ultralytics-YOLO-Experimente mit der MLflow-Integration protokollieren

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 zusammenfügst: einen Datensatz zusammenstellen, ein Modell trainieren und es bereitstellen. Wenn alles zusammenpasst, erhältst du ein System, das Bilder und Videos effektiv analysieren und interpretieren kann.

Doch wie bei einem echten Puzzle ist nicht jeder Teil eines Computer-Vision-Projekts einfach. Aufgaben wie die Nachverfolgung von Experimenten (Einstellungen, Konfigurationen und Daten dokumentieren) und die Protokollierung (Ergebnisse und Leistungskennzahlen erfassen) können viel Zeit und Aufwand erfordern. Diese Schritte sind zwar wichtig, um deine Computer-Vision-Modelle zu verbessern und weiterzuentwickeln, können aber manchmal zum Engpass werden.

Hier kommen die Ultralytics-YOLO-Modelle und ihre Integration mit MLflow ins Spiel. Modelle wie Ultralytics YOLO11 unterstützen zahlreiche Computer-Vision-Aufgaben, darunter Objekterkennung, Instanzsegmentierung und Bildklassifizierung. Diese Funktionen ermöglichen vielfältige Anwendungen im Bereich Computer Vision. Dank Integrationen wie der MLflow-Integration können sich Vision Engineers auf das Modell selbst konzentrieren, statt sich in Details zu verlieren.

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

Was ist MLflow?#

MLflow ist eine quelloffene Plattform (entwickelt von Databricks), die den gesamten Lebenszyklus des maschinellen Lernens vereinfachen und verwalten soll. Dazu gehört die Entwicklung, Bereitstellung und Wartung von Modellen für maschinelles Lernen.

MLflow umfasst die folgenden wichtigen Komponenten:

• Experimentnachverfolgung: Diese Komponente dient dazu, wichtige Informationen wie Modelleinstellungen, Ergebnisse und Dateien für jeden Trainingslauf eines Modells zu protokollieren. So kannst du Modelle vergleichen, erkennen, wie sich Änderungen auf die Leistung auswirken, und das beste Modell finden.
• Modellregister: Es funktioniert wie ein Speichersystem für deine Modelle, in dem du verschiedene Versionen nachverfolgen und nach Phasen wie Test, Bereitstellungsvorbereitung und Produktion organisieren kannst.
• Projektpaketierung: Mit MLflow kannst du deine Projekte für maschinelles Lernen ganz einfach bündeln – einschließlich Code, Einstellungen und erforderlicher Werkzeuge –, damit sie team- und umgebungsübergreifend geteilt und einheitlich verwendet werden können.
• Modellbereitstellung: MLflow bietet Werkzeuge, um deine trainierten Modelle schnell auf Arbeitsstationen oder Cloud-Plattformen wie AWS und Azure bereitzustellen und sie so für den praktischen Einsatz vorzubereiten.

Abb. 1 Komponenten von MLflow.

Die Komponenten von MLflow erleichtern die Verwaltung des maschinellen Lernprozesses und machen sie effizienter. Dank dieser Integration ermöglicht Ultralytics die Nutzung der Experimentnachverfolgung von MLflow, um beim Training von YOLO-Modellen Parameter, Kennzahlen und Artefakte zu protokollieren. So lassen sich verschiedene Versionen von YOLO-Modellen ganz einfach nachverfolgen und vergleichen.

Die MLflow-Integration vereinfacht das Training#

Nachdem wir nun erläutert haben, was MLflow ist, sehen wir uns die MLflow-Integration und ihre Funktionen genauer an.

Die MLflow-Integration wurde entwickelt, um den Trainingsprozess effizienter und übersichtlicher zu gestalten, indem wichtige Aspekte deiner Computer-Vision-Experimente automatisch erfasst und protokolliert werden. Sie unterstützt drei Arten der Protokollierung: Metriken, Parameter und Artefakte.

Hier siehst du die einzelnen Arten der Protokollierung genauer:

• Protokollierung von Metriken: Metriken sind quantitative Werte, die die Leistung deines Modells während des Trainings messen. Werte wie Genauigkeit, Präzision, Recall oder Verlust werden beispielsweise am Ende jeder Epoche erfasst (eines vollständigen Durchlaufs durch deinen Datensatz).
• Protokollierung von Parametern: Parameter sind die Einstellungen, die du vor Beginn des Modelltrainings festlegst, etwa die Lernrate, die Batchgröße (die Anzahl der in einem Trainingsschritt verarbeiteten Stichproben) und die Anzahl der Epochen. Diese Parameter beeinflussen das Verhalten und die Leistung deines Modells erheblich.
• Protokollierung von Artefakten: Artefakte sind die Ausgaben oder Dateien, die während des Trainings erzeugt 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 weitere relevante Daten.

Abb. 2. Wichtige Protokollierungsfunktionen der MLflow-Integration. Bild vom Autor.

So funktioniert die MLflow-Integration#

In der Ultralytics-Dokumentation findest du eine Schritt-für-Schritt-Anleitung zum Aktivieren der MLflow-Integration. Nach der Einrichtung erfasst und protokolliert die Integration automatisch wichtige Details deiner Trainingsexperimente, wie oben erläutert. Dadurch entfällt die manuelle Erfassung und du kannst dich ganz auf die Verbesserung deiner Modelle konzentrieren.

Mit der MLflow-Integration werden alle deine Trainingsläufe an einem Ort gespeichert. So lassen sich Ergebnisse leichter vergleichen und verschiedene Konfigurationen bewerten. Durch den Vergleich der protokollierten Ergebnisse kannst du die leistungsstärksten Konfigurationen ermitteln und diese Erkenntnisse zur Verbesserung deiner Modelle nutzen. So wird dein Arbeitsablauf effizienter, gut dokumentiert und reproduzierbar.

Dabei wird jede Trainingssitzung in einem Experiment organisiert, das als Container für mehrere Trainingsläufe dient. Innerhalb eines Experiments kannst du alle zugehörigen Trainingsläufe ansehen, ihre Leistung direkt miteinander vergleichen und Trends bei verschiedenen Konfigurationen analysieren.

Wenn du beispielsweise verschiedene Lernraten oder Batchgrößen mit Ultralytics YOLOv8 testest, werden alle zugehörigen Trainingsläufe für einen einfachen Vergleich und eine übersichtliche Analyse im selben Experiment gruppiert, wie unten gezeigt.

Abb. 3. Mit der MLflow-Integration kannst du Experimente anzeigen.

Auf der Ebene einzelner Trainingsläufe liefert MLflow detaillierte Einblicke in die jeweilige Trainingssitzung. Du kannst Metriken wie Genauigkeit, Verlust und Präzision über die Epochen hinweg anzeigen, die verwendeten Trainingsparameter (z. B. Batchgröße und Lernrate) prüfen und auf erzeugte Artefakte wie Modellgewichte und Konfigurationsdateien zugreifen. Diese Details werden übersichtlich gespeichert, sodass sich jeder Trainingslauf einfach erneut aufrufen oder reproduzieren lässt.

Die MLflow-Integration auswählen: ihre besonderen Stärken#

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

Da auch Integrationen wie TensorBoard Werkzeuge zum Erfassen von Metriken und Visualisieren von Ergebnissen bieten, ist es wichtig, die besonderen Eigenschaften zu kennen, durch die sich die MLflow-Integration abhebt.

Darum könnte MLflow die ideale Wahl für deine YOLO-Projekte sein:

• Benutzerfreundliche Oberfläche: Das MLflow-Dashboard erleichtert es, Experimente anzusehen, Trainingsläufe zu vergleichen und Ergebnisse zu analysieren. So findest du schnell die leistungsstärksten Konfigurationen.
• Protokollierung benutzerdefinierter Metriken: Entwickler im Bereich Computer Vision können zusätzlich zu Standardmetriken eigene Metriken protokollieren und so genauere Analysen durchführen, die auf die Anforderungen ihres Projekts zugeschnitten sind.
• Unterstützung für mehrsprachige Arbeitsabläufe: MLflow ist mit mehreren Programmiersprachen wie Python, R und Java kompatibel und lässt sich dadurch in unterschiedliche Pipelines für maschinelles Lernen integrieren.

Praktische Einsatzmöglichkeiten von Ultralytics YOLO11 und der MLflow-Integration#

Um besser zu verstehen, wann du die MLflow-Integration einsetzen kannst, betrachten wir eine KI-Anwendung im Gesundheitswesen, bei der du Ultralytics YOLO11 darauf trainieren musst, Tumore in Röntgen- oder CT-Aufnahmen zu erkennen.

In einem solchen Szenario bestünde der Datensatz aus annotierten medizinischen Bildern. Um eine optimale Genauigkeit zu erzielen, müsstest du mit verschiedenen Konfigurationen experimentieren, etwa Lernraten und Batchgrößen anpassen sowie Techniken zur Bildvorverarbeitung ausprobieren. Da im Gesundheitswesen viel auf dem Spiel steht und Präzision sowie Zuverlässigkeit entscheidend sind, kann die manuelle Erfassung jedes Experiments schnell unüberschaubar werden.

Abb. 4. Tumorerkennung mit Ultralytics YOLO11.

Die MLflow-Integration löst dieses Problem, indem sie Parameter, Metriken und Artefakte jedes Experiments automatisch protokolliert. Wenn du beispielsweise die Lernrate änderst oder eine neue Augmentierungsstrategie anwendest, hält MLflow diese Änderungen zusammen mit den Leistungsmetriken fest. Außerdem speichert MLflow trainierte Modellgewichte und Konfigurationen. So lassen sich erfolgreiche Modelle problemlos reproduzieren und bereitstellen.

Dies ist nur ein Beispiel dafür, wie die MLflow-Integration das Experimentmanagement bei KI-Anwendungen im Bereich Computer Vision verbessert. Dieselben Funktionen lassen sich auch auf andere Computer-Vision-Anwendungen übertragen, darunter:

• Autonomes Fahren: Ultralytics YOLO11 kann Fußgänger, Fahrzeuge und Verkehrszeichen in Echtzeit erkennen und klassifizieren, um die Sicherheit und Effizienz selbstfahrender Systeme zu verbessern.
• Einzelhandelsanalysen: Modelle zur Objekterkennung können das Kundenverhalten überwachen, Produktplatzierungen erfassen und den Bestand optimieren, indem sie Videoaufnahmen aus dem Geschäft analysieren.
• Sicherheit und Überwachung: Modelle können darauf trainiert werden, Anomalien zu erkennen oder Aktivitäten in sensiblen Bereichen in Echtzeit zu überwachen und so die Sicherheit zu erhöhen.

Vorteile der MLflow-Integration#

Die MLflow-Integration mit YOLO-Modellen erleichtert und verbessert das Management von Experimenten mit maschinellem Lernen. Durch die Automatisierung wichtiger Aufgaben und die übersichtliche Organisation aller Informationen kannst du dich auf die Entwicklung und Verbesserung deiner Modelle konzentrieren. Hier sind die wichtigsten Vorteile:

• Skalierbar für große Projekte: Die Plattform verarbeitet mehrere Experimente und Modelle effizient und eignet sich damit für größere Teams und komplexe Arbeitsabläufe.
• Detaillierte Experimenthistorie: Die Plattform führt eine vollständige Historie der Experimente. So kannst du frühere Trainingsläufe erneut aufrufen, vorherige Konfigurationen analysieren und aus früheren Ergebnissen lernen.
• Optionen zum Deaktivieren und Zurücksetzen: Die MLflow-Protokollierung lässt sich bei Bedarf einfach deaktivieren, und die Einstellungen können auf die Standardwerte zurückgesetzt werden. So kannst du sie flexibel an unterschiedliche Anforderungen deines Arbeitsablaufs anpassen.

Die wichtigsten Erkenntnisse#

Die MLflow-Integration erleichtert und verbessert die Verwaltung und Optimierung von Ultralytics-YOLO-Experimenten. Durch die automatische Erfassung wichtiger Details wie Parameter, Metriken und Artefakte vereinfacht sie den Prozess und erspart dir die mühsame manuelle Verwaltung von Experimenten.

Ob du an Lösungen für das Gesundheitswesen wie der Tumorerkennung arbeitest, Systeme für autonomes Fahren verbesserst oder Einzelhandelsanalysen optimierst – diese Integration sorgt für Ordnung und Reproduzierbarkeit. Dank der intuitiven Oberfläche und Flexibilität von MLflow können sich Entwickler darauf konzentrieren, bessere Modelle zu entwickeln und Innovationen bei KI-Anwendungen im Bereich Computer Vision voranzutreiben.

Tritt unserer Community bei und sieh dir unser GitHub-Repository an, um mehr über KI zu erfahren. Auf unseren Lösungsseiten findest du außerdem weitere Anwendungsbeispiele für Computer Vision in der Fertigung und KI in selbstfahrenden Autos.