Ultralytics mit Weights & Biases auf ein neues Niveau bringen

Hier ist ein weiterer Höhepunkt der YOLO Vision 2023 (YV23), die auf dem Google for Startups Campus in Madrid stattfand. In diesem Vortrag ging es um Machine-Learning-Betrieb, bei dem Ultralytics und Weights & Biases gemeinsam Trainingsabläufe optimieren. Der Machine-Learning-Ingenieur von Weights & Biases, Soumik Rakshit, zeigte, wie sich Experimente und Modellprüfpunkte einfach verwalten und Versuchsergebnisse visualisieren lassen.

Die Vorteile von Weights & Biases: ein Traum für Entwickler#

Weights & Biases ist eine entwicklerorientierte MLOps-Plattform zum Nachverfolgen, Vergleichen und Teilen von Machine-Learning-Experimenten. Das Toolset hilft Teams dabei, ihre Modelle zu verstehen und zu verbessern.

Integration von Ultralytics mit W&B#

In seinem Vortrag stellte Soumik die Arbeit von Weights & Biases zur Integration seiner Funktionen in Ultralytics YOLOv8 vor, darunter die Visualisierung von Inferenzen bei der Objekterkennung. Außerdem zeigte er, wie du diese Integration in deinen eigenen Ultralytics-Abläufen nutzen kannst.

Von der Theorie zur Praxis: eine Live-Demonstration#

Soumik führte einen durchgängigen Ablauf zur Objekterkennung vor. Dabei verwendete er einen auf Weights & Biases gehosteten Datensatz und trainierte ein Modell mit Ultralytics, um zu zeigen, wie die beiden Plattformen zusammenarbeiten.

Wichtige Funktionen des Weights-&-Biases-Dashboards#

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

• Metriken in Echtzeit verfolgen: Überwache wichtige Leistungskennzahlen wie Genauigkeit, Verlust und Validierungswerte in Echtzeit, während dein Deep-Learning-Modell trainiert wird. So kannst du rechtzeitig Anpassungen vornehmen und Erkenntnisse über das Modellverhalten gewinnen.
• Hyperparameter-Optimierung: Verwende automatisierte Tools oder manuelle Methoden, um Hyperparameter wie Lernrate, Batch-Größe und Netzwerkarchitektur anzupassen und so die Modellleistung und Konvergenz zu optimieren.
• Trainingsfortschritt visualisieren: Gewinne durch Diagramme, Grafiken und Histogramme tiefere Einblicke in das Verhalten deines Modells während des Trainings. So erhältst du Erkenntnisse zur Trainingsdynamik, zu Überanpassung und Konvergenzmustern.
• Ressourcen überwachen: Behalte während des Modelltrainings die Rechenressourcen wie CPU, GPU und Speicherverbrauch im Blick. So kannst du Ressourcen effizient zuweisen und Engpässe vermeiden, die die Trainingsleistung beeinträchtigen könnten.

Ausführliche Informationen zu den einzelnen Funktionen findest du im Abschnitt zu Weights & Biases im Dashboard der Ultralytics-Dokumentation.

Zum Abschluss#

Soumiks Vortrag zeigte, wie das Nachverfolgen von Experimenten mit Weights & Biases die Verwaltung, den Vergleich und das Teilen von Ultralytics-Trainingsläufen erleichtert – egal, ob du ein erfahrener ML-Ingenieur bist oder gerade erst mit KI anfängst. Wenn du YOLO-Läufe bereits in W&B verfolgst, kannst du diese Modelle auch in die Ultralytics Platform importieren.

Sieh dir den vollständigen Vortrag auf YouTube an.