Weights & Biases

Weights & Biases (oft abgekürzt als W&B oder WandB) ist eine prominente Plattform, die von Entwicklern entwickelt wurde, um zu rationalisieren. Operationen des maschinellen Lernens (MLOps). Sie dient als zentralisiertes System für Ingenieure und Wissenschaftler im Bereich des maschinellen Lernens und ermöglicht es ihnen Experimente track , die Modellleistung zu visualisieren und Datensätze zu verwalten. In dem komplexen Lebenszyklus von maschinellen Lernens (ML) ist es schwierig track jede W&B löst dieses Problem, indem es automatisch Metriken protokolliert und sie in interaktiven Dashboards organisiert. in interaktiven Dashboards. So können Teams verschiedene Trainingsläufe vergleichen, die Reproduzierbarkeit sicherstellen und effektiv an Projekten zusammenarbeiten, die von der akademischen Forschung bis hin zu unternehmensweiten Computer Vision (CV)-Einsätzen.

Unterscheidung zwischen der Plattform und den Konzepten

Um das Tool zu verstehen, ist es wichtig, es von den grundlegenden neuronalen Netzwerken (NN) zu unterscheiden, nach denen es benannt ist.

• Weights & Biases (Die Plattform): Dies bezieht sich auf den Software-Service und die Bibliothek, die als umfassendes Werkzeug zur Verfolgung von Experimenten. Es integriert sich mit gängigen Frameworks, um den Trainingsprozess zu überwachen, Systemressourcen zu verwalten und Modellartefakte zu speichern.
• Gewichte (Der Parameter): Im Kontext des Deep Learning, sind die Modellgewichte die lernbaren Koeffizienten, die Eingabedaten innerhalb der Schichten des Netzwerks transformieren. Sie bestimmen die Stärke der Verbindung zwischen den Neuronen.
• Verzerrungen (Die Parameter): Dies sind zusätzliche lernbare Werte, die es erlauben, die Aktivierungsfunktion nach links oder rechts verschoben werden rechts verschoben werden kann, so dass das Modell besser an die Daten angepasst wird.

Während die Parameterweights and biases) die mathematischen Komponenten sind, die während des Trainings mittels stochastischen Gradientenabstieg (SGD) optimiert werden, ist die PlattformWeights & Biases) das Dienstprogramm, mit dem dieser Optimierungsprozess beobachtet und analysiert werden kann.

Schlüsselkompetenzen und Anwendungen

Die W&B-Plattform bietet eine Reihe von Werkzeugen, die auf spezifische Herausforderungen bei der Entwicklung künstlicher Intelligenz (KI) Arbeitsablauf.

• Verfolgung von Experimenten: Die Entwickler können dynamische Metriken wie die Verlustfunktion und Genauigkeit im Laufe der Zeit. Dies hilft bei Probleme wie Überanpassung zu erkennen, wenn ein Modell Trainingsdaten zu gut lernt, aber nicht verallgemeinern kann.
• Abstimmung der Hyperparameter: Die Suche nach der besten Konfiguration für ein Modell - wie zum Beispiel die Lernrate, Stapelgröße oder Netzwerkarchitektur - wird durch mit W&B Sweeps, das die Suche nach optimalen Werten automatisiert Werten automatisiert.
• Versionierung von Daten und Modellen: Über W&B Artifacts können Teams track Historie ihrer Daten und und gespeicherten Modelle verfolgen. Dadurch wird sichergestellt, dass jedes Ergebnis reproduziert werden kann, indem die genaue Version der Trainingsdaten und des verwendeten Codes.
• Interaktive Visualisierung: Die Plattform rendert Rich-Media-Inhalte und ermöglicht es den Nutzern, vorhergesagte Bounding Boxes auf Bildern oder überlagernde Segmentierungs Segmentierungsmasken, was eine bessere Datenvisualisierung und Fehlersuche.

Beispiele für die Integration in der Praxis

Weights & Biases wird in vielen Branchen eingesetzt, in denen eine strenge Modellvalidierung und kooperative Entwicklung erforderlich ist.

• Kfz-Objekt-Erkennung: Ein Team, das selbstfahrende Technologien entwickelt, könnte die Ultralytics YOLO11 verwenden, um Fußgänger und Fahrzeuge detect . Durch Integration von W&B können sie die Vorhersagen von Validierungsdaten über Tausende von Epochen visualisieren. Dies ermöglicht es ihnen, spezifische Fehlerfälle zu erkennen, wie z. B. verpasste Erkennungen bei schlechten Lichtverhältnissen, und ihre Datenerweiterungsstrategie entsprechend anpassen.
• Medizinische Bildanalyse: Forscher, die an KI im Gesundheitswesen arbeiten, verwenden W&B, um ein ein genaues Protokoll der Experimente zu führen, wenn sie Modelle zur Tumorerkennung trainieren. Angesichts der kritischen Natur dieses Bereichs die Verwendung von Modellüberwachungs-Tools zur track Metriken wie Recall und für die Einhaltung von Vorschriften und die Gewährleistung der Patientensicherheit.

Einführung von W&B mit Ultralytics

Integration von Weights & Biases mit modernen Frameworks wie PyTorch oder speziellen Bibliotheken wie Ultralytics ist unkompliziert. Die Bibliothek erkennt automatisch das Vorhandensein von W&B und protokolliert wichtige Metriken ohne umfangreichen Kesselstein-Code.

Das folgende Beispiel zeigt, wie man ein YOLO11 trainiert und dabei den Lauf automatisch in Weights & Verzerrungen. Stellen Sie sicher, dass Sie die Funktion pip install wandb und authentifiziert über wandb login in Ihrem Terminal ein, bevor Sie das Skript ausführen.

from ultralytics import YOLO

# Initialize the YOLO11 model using pre-trained weights
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
# If 'wandb' is installed and logged in, training metrics are automatically
# uploaded to the Weights & Biases dashboard.
results = model.train(data="coco8.yaml", epochs=5, project="Ultralytics-WandB-Demo", name="yolo11-experiment")

Diese Integration erfasst Systemmetriken wie z. B. GPU Nutzung und Modellmetriken, um einen umfassenden Überblick über die Trainingsleistung zu erhalten. Um tiefere Einblicke zu erhalten, können die Benutzer die Ultralytics erforschen, um anzupassen was protokolliert wird.