Ultralytics mit Weights & Biases zu Höchstleistungen bringen

Tauchen wir ein in ein weiteres Highlight der YOLO VISION 2023 (YV23), die auf dem Google for Startups Campus in Madrid stattfand. In diesem Vortrag tauchen wir in die dynamische Welt der MLOps ein, in der sich Ultralytics und Weights & Biases zusammentun, um deinen Workflow zu revolutionieren. Gemeinsam mit dem Machine-Learning-Ingenieur von Weights & Biases, Soumik Rakshit, zeigen wir dir, wie du unsere Experimente und Modellprüfpunkte ganz einfach verwaltest und die Ergebnisse unserer Experimente visualisierst.

Der Vorteil von Weights & Biases: ein Traum für Entwickler#

Weights & Biases ist eine MLOps-Plattform mit Fokus auf Entwickler, die deine Vorhaben im Bereich maschinelles Lernen auf ein neues Niveau hebt. Mit einer Reihe modernster Produkte und Dienste unterstützt dich Weights & Biases dabei, das volle Potenzial deiner Modelle ganz einfach auszuschöpfen.

Ultralytics mit W&B integrieren: ein echter Wendepunkt#

In seinem Vortrag stellte Soumik die innovative Arbeit von Weights & Biases vor, mit der sich fortschrittliche Funktionen nahtlos in Ultralytics YOLOv8 integrieren lassen. Freu dich auf eine Visualisierung der Inferenz bei der Objekterkennung wie nie zuvor und erfahre, wie du diese Integration nutzen kannst, um deine eigenen Ultralytics-Workflows zu verbessern.

Von der Theorie zur Praxis: eine Live-Demonstration#

Sehen wir uns das in der Praxis an! Soumik führte uns durch einen durchgängigen Workflow für die Objekterkennung, bei dem ein Datensatz auf Weights & Biases verwendet und ein Modell mit Ultralytics trainiert wurde, und zeigte dabei das nahtlose Zusammenspiel dieser beiden leistungsstarken Plattformen.

Wichtige Funktionen des Weights-&-Biases-Dashboards#

Weights & Biases unterstützt außerdem ein Dashboard, in dem du den Trainingsverlauf und die Metriken visualisieren kannst. Zu den wichtigsten Funktionen gehören:

• Metriküberwachung in Echtzeit: Überwache wichtige Leistungsmetriken wie Genauigkeit, Verlust und Validierungswerte in Echtzeit, während dein Modell für Deep Learning trainiert wird. So kannst du rechtzeitig Anpassungen vornehmen und Erkenntnisse über das Verhalten des Modells gewinnen.
• Optimierung der Hyperparameter: Nutze automatisierte Werkzeuge oder manuelle Verfahren, um Hyperparameter wie Lernrate, Batchgröße und Netzwerkarchitektur fein abzustimmen und so die Leistung und Konvergenz des Modells zu optimieren.
• Visualisierung des Trainingsfortschritts: Verschaffe dir ein besseres Verständnis für das Verhalten deines Modells, indem du den Trainingsfortschritt mithilfe von Diagrammen, Grafiken und Histogrammen visualisierst. So erhältst du Einblicke in die Trainingsdynamik, die Überanpassung und Konvergenzmuster.
• Überwachung der Ressourcen: Behalte während des Modelltrainings die Nutzung von Rechenressourcen wie CPU, GPU und Arbeitsspeicher im Blick. So stellst du eine effiziente Ressourcenverteilung sicher und verhinderst Engpässe, die die Trainingsleistung beeinträchtigen könnten.

Ausführliche Informationen zu den einzelnen Funktionen findest du auf unseren Dokumentationsseiten.

Zum Abschluss#

Während wir unsere Reise abschließen, wird eines überdeutlich: Die Zukunft der MLOps ist heller denn je. Egal, ob du ein erfahrener ML-Ingenieur bist oder gerade erst in die Welt der KI eintauchst – du kannst sicher sein, dass vor dir unzählige Möglichkeiten liegen.

Gestalte mit uns die Zukunft der MLOps. Sieh dir den vollständigen Vortrag an!