Ultralytics-YOLO-Experimente mit der MLflow-Integration protokollieren

Du kannst dir ein Computer-Vision-Projekt wie ein Puzzle vorstellen. Im Wesentlichen bringst du Maschinen bei, visuelle Daten zu verstehen, indem du die einzelnen Puzzleteile zusammensetzt, zum Beispiel einen Datensatz sammelst, ein Modell trainierst und es bereitstellst. Wenn alles zusammenpasst, erhältst du ein System, das Bilder und Videos effektiv analysieren und interpretieren kann.

Aber genau wie bei einem echten Puzzle ist nicht jeder Teil eines Computer-Vision-Projekts unkompliziert. Aufgaben wie das Experiment-Tracking (das Festhalten deiner Einstellungen, Konfigurationen und Daten) und die Protokollierung (das Erfassen von Ergebnissen und Leistungskennzahlen) können viel Zeit und Aufwand erfordern. Obwohl diese Schritte entscheidend sind, um deine Computer-Vision-Modelle zu verbessern und zu optimieren, können sie sich manchmal wie ein Engpass anfühlen.

Hier kommen die Ultralytics YOLO-Modelle und ihre Integration mit MLflow ins Spiel. Modelle wie Ultralytics YOLO11 unterstützen eine Vielzahl von Computer-Vision-Aufgaben, darunter Objekterkennung, Instanzsegmentierung und Bildklassifizierung. Diese Funktionen ermöglichen die Entwicklung spannender Computer-Vision-Anwendungen. Dank Integrationen wie der MLflow-Integration können sich Vision Engineers auf das Modell selbst konzentrieren, anstatt 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 sehen wir uns an, wie die MLflow-Integration funktioniert, welche Vorteile sie bietet und wie du sie nutzen kannst, um deine Ultralytics-YOLO-Workflows zu optimieren.

Was ist MLflow?#

MLflow ist eine Open-Source-Plattform (entwickelt von Databricks), die den gesamten Lebenszyklus des maschinellen Lernens vereinfachen und verwalten soll. Sie umfasst die Entwicklung, Bereitstellung und Wartung von Machine-Learning-Modellen.

MLflow umfasst die folgenden wichtigen Komponenten:

• Experiment-Tracking: Diese Komponente konzentriert sich darauf, wichtige Details wie Modelleinstellungen, Ergebnisse und Dateien für jeden Trainingslauf eines Modells aufzuzeichnen. Sie hilft dir, Modelle zu vergleichen, die Auswirkungen von Änderungen auf die Leistung zu erkennen und das beste Modell zu finden.
• Modellregistrierung: Sie funktioniert wie ein Speichersystem für deine Modelle, in dem du verschiedene Versionen verfolgen und sie nach Phasen wie Test, Bereitstellung und Produktion organisieren kannst.
• Projektpaketierung: Mit MLflow kannst du deine Machine-Learning-Projekte einschließlich Code, Einstellungen und benötigter Werkzeuge einfach bündeln, sodass sie team- und umgebungsübergreifend geteilt und konsistent verwendet werden können.
• Modellbereitstellung: MLflow bietet Werkzeuge, mit denen du deine trainierten Modelle schnell auf Arbeitsstationen oder Cloud-Plattformen wie AWS und Azure bereitstellen kannst, sodass sie für den praktischen Einsatz bereit sind.

Abb. 1: Komponenten von MLflow.

Die Komponenten von MLflow machen den Prozess des maschinellen Lernens einfacher und effizienter verwaltbar. Durch diese Integration ermöglicht Ultralytics die Nutzung der Experiment-Tracking-Funktion von MLflow, um während des Trainings von YOLO-Modellen Parameter, Kennzahlen und Artefakte zu protokollieren. Dadurch lassen sich verschiedene Versionen von YOLO-Modellen einfach verfolgen und vergleichen.

Die MLflow-Integration optimiert das Training#

Nachdem wir nun geklärt haben, was MLflow ist, sehen wir uns die Details der MLflow-Integration und ihre Funktionen an.

Die MLflow-Integration wurde entwickelt, um den Trainingsprozess effizienter und strukturierter zu gestalten, indem sie wichtige Aspekte deiner Computer-Vision-Experimente automatisch verfolgt und protokolliert. Sie unterstützt drei Hauptarten der Protokollierung: Kennzahlen, Parameter und Artefakte.

Hier findest du einen genaueren Blick auf die einzelnen Arten der Protokollierung:

• Protokollierung von Kennzahlen: Kennzahlen sind quantitative Werte, die die Leistung deines Modells während des Trainings messen. Beispielsweise werden Kennzahlen wie Genauigkeit, Precision, Recall oder der Verlust am Ende jeder Epoche (ein vollständiger Durchlauf durch deinen Datensatz) erfasst.
• Protokollierung von Parametern: Parameter sind die Einstellungen, die du vor Beginn des Modelltrainings festlegst, etwa Lernrate, Batch-Größe (die Anzahl der Samples, die in einem Trainingsschritt verarbeitet werden) und die Anzahl der Epochen. Diese Parameter beeinflussen das Verhalten und die Leistung deines Modells erheblich.
• Protokollierung von Artefakten: Artefakte sind die während des Trainings erzeugten Ausgaben oder Dateien. Dazu gehören wichtige Dateien wie Modellgewichte (die numerischen Werte, die dein Modell während des Trainings lernt), Konfigurationsdateien (in denen die Trainingseinstellungen gespeichert werden) und andere relevante Daten.

Abb. 2. Wichtige Protokollierungsfunktionen der MLflow-Integration. Bild: 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 verfolgt und protokolliert die Integration automatisch wichtige Details deiner Trainingsexperimente, wie oben beschrieben. Dadurch entfällt die manuelle Erfassung und du kannst dich auf die Optimierung deiner Modelle konzentrieren.

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

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

Wenn du beispielsweise verschiedene Lernraten oder Batch-Größen mit Ultralytics YOLOv8 testest, werden alle zugehörigen Läufe wie unten gezeigt unter demselben Experiment gruppiert, um den Vergleich und die Analyse zu erleichtern.

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

Auf der Ebene einzelner Läufe liefert MLflow detaillierte Einblicke in die jeweilige Trainingseinheit. Du kannst Kennzahlen wie Genauigkeit, Verlust und Precision über die Epochen hinweg anzeigen, die verwendeten Trainingsparameter (z. B. Batch-Größe und Lernrate) überprüfen und auf erzeugte Artefakte wie Modellgewichte und Konfigurationsdateien zugreifen. Diese Details werden strukturiert gespeichert, sodass sich jeder Lauf einfach erneut aufrufen oder reproduzieren lässt.

Die MLflow-Integration auswählen: Warum sie überzeugt#

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

Da auch Integrationen wie TensorBoard Werkzeuge zum Verfolgen von Kennzahlen und Visualisieren von Ergebnissen bieten, ist es wichtig, die besonderen Eigenschaften zu verstehen, durch die sich die MLflow-Integration auszeichnet.

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

• Benutzerfreundliche Oberfläche: Das MLflow-Dashboard erleichtert die Anzeige von Experimenten, den Vergleich von Läufen und die Analyse von Ergebnissen, sodass du schnell die leistungsstärksten Konfigurationen erkennen kannst.
• Benutzerdefinierte Kennzahlenprotokollierung: Vision Engineers können zusätzlich zu Standardkennzahlen eigene Kennzahlen protokollieren und dadurch projektspezifische Analysen vertiefen.
• Unterstützung für mehrsprachige Workflows: MLflow ist mit mehreren Programmiersprachen wie Python, R und Java kompatibel und lässt sich dadurch in vielfältige Machine-Learning-Pipelines integrieren.

Praktische Anwendungen 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 trainieren musst, um Tumore in Röntgen- oder CT-Aufnahmen zu erkennen.

In einem solchen Szenario würde der Datensatz aus annotierten medizinischen Bildern bestehen. Du müsstest mit verschiedenen Konfigurationen experimentieren, zum Beispiel Lernraten, Batch-Größen und Bildvorverarbeitungstechniken anpassen, um eine optimale Genauigkeit zu erreichen. 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. Erkennung von Tumoren mit Ultralytics YOLO11.

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

Dies ist nur ein Beispiel dafür, wie die MLflow-Integration das Experimentmanagement in Vision-KI-Anwendungen verbessert. Dieselben Funktionen gelten auch für andere Computer-Vision-Anwendungen, darunter:

• Autonomes Fahren: Ultralytics YOLO11 kann eingesetzt werden, um Fußgänger, Fahrzeuge und Verkehrsschilder in Echtzeit zu erkennen und zu klassifizieren und so die Sicherheit und Effizienz selbstfahrender Systeme zu verbessern.
• Einzelhandelsanalysen: Objekterkennungsmodelle können das Kundenverhalten überwachen, Produktplatzierungen verfolgen und den Lagerbestand optimieren, indem sie Aktivitäten im Geschäft über Videostreams analysieren.
• Sicherheit und Überwachung: Modelle können trainiert werden, um Anomalien zu erkennen oder Aktivitäten in Echtzeit in sensiblen Bereichen zu überwachen und so 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 wichtiger Aufgaben und die strukturierte Organisation aller Informationen kannst du dich auf die Entwicklung und Verbesserung deiner Modelle konzentrieren. Hier sind die wichtigsten Vorteile:

• Für große Projekte geeignet: Die Plattform verarbeitet mehrere Experimente und Modelle effizient und eignet sich dadurch für größere Teams und komplexe Workflows.
• Detaillierte Experimenthistorie: Die Plattform bewahrt eine vollständige Historie der Experimente auf, sodass du frühere Läufe erneut aufrufen, vorherige Konfigurationen analysieren und aus früheren Ergebnissen lernen kannst.
• Optionen zum Deaktivieren und Zurücksetzen: Die MLflow-Protokollierung kann bei Bedarf einfach deaktiviert und die Einstellungen können auf ihre Standardwerte zurückgesetzt werden, sodass du sie flexibel an unterschiedliche Workflow-Anforderungen anpassen kannst.

Wichtige Erkenntnisse#

Die MLflow-Integration macht die Verwaltung und Optimierung von Ultralytics-YOLO-Experimenten einfacher und effizienter. Durch die automatische Erfassung wichtiger Details wie Parameter, Kennzahlen und Artefakte vereinfacht sie den Prozess und erspart dir den Aufwand der manuellen Experimentverwaltung.

Ganz gleich, ob du an Lösungen für das Gesundheitswesen wie der Tumorerkennung arbeitest, Systeme für autonomes Fahren verbesserst oder Einzelhandelsanalysen optimierst: Diese Integration hilft dir, alles organisiert und reproduzierbar zu halten. Mit ihrer intuitiven Oberfläche und Flexibilität ermöglicht MLflow Entwicklern, sich auf die Entwicklung besserer Modelle und die Förderung von Innovationen in Vision-KI-Anwendungen zu konzentrieren.

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