Explorando las integraciones de seguimiento de experimentos de ML de Ultralytics YOLOv8

Recopilar datos, anotarlos y entrenar modelos como el modelo Ultralytics YOLOv8 es el núcleo de cualquier proyecto de visión artificial. A menudo, necesitará entrenar su modelo personalizado varias veces con diferentes parámetros para crear el modelo más óptimo. El uso de herramientas para rastrear sus experimentos de entrenamiento puede facilitar un poco la gestión de su proyecto de visión artificial. El seguimiento de experimentos es el proceso de registrar los detalles de cada ejecución de entrenamiento, como los parámetros que utilizó, los resultados que obtuvo y cualquier cambio que realizó en el camino. 

‍

Mantener un registro de estos detalles le ayuda a reproducir sus resultados, comprender qué funciona y qué no, y a ajustar sus modelos de forma más eficaz. Para las organizaciones, ayuda a mantener la coherencia entre los equipos, fomenta la colaboración y proporciona un registro de auditoría claro. Para los individuos, se trata de mantener una documentación clara y organizada de su trabajo que les permita perfeccionar su enfoque y lograr mejores resultados con el tiempo. 

En este artículo, te guiaremos a través de las diferentes integraciones de entrenamiento disponibles para gestionar y supervisar tus experimentos YOLOv8. Tanto si trabajas por tu cuenta como si formas parte de un equipo más grande, comprender y utilizar las herramientas de seguimiento adecuadas puede marcar una gran diferencia en el éxito de tus proyectos YOLOv8.

Seguimiento de experimentos de aprendizaje automático con MLflow

MLflow es una plataforma de código abierto desarrollada por Databricks que facilita la gestión de todo el ciclo de vida del aprendizaje automático. MLflow Tracking es un componente esencial de MLflow que proporciona una API y una interfaz de usuario que ayuda a los científicos e ingenieros de datos a registrar y visualizar sus experimentos de aprendizaje automático. Es compatible con múltiples lenguajes e interfaces, incluyendo las API de Python, REST, Java y R. 

MLflow Tracking se integra perfectamente con YOLOv8, y puedes registrar métricas importantes como la precisión (precision), la exhaustividad (recall) y la pérdida (loss) directamente desde tus modelos. Configurar MLflow con YOLOv8 es sencillo, y hay opciones flexibles: puedes utilizar la configuración predeterminada de localhost, conectarte a varios almacenes de datos o iniciar un servidor de seguimiento remoto de MLflow para mantener todo organizado.

‍

Aquí hay algunos datos para ayudarte a decidir si MLflow es la herramienta adecuada para tu proyecto:

• Escalabilidad: MLflow se escala bien con sus necesidades, ya sea que esté trabajando en una sola máquina o implementando en grandes clústeres. Si su proyecto implica escalar del desarrollo a la producción, MLflow puede soportar este crecimiento.
  ‍
• Complejidad del proyecto: MLflow es ideal para proyectos complejos que necesitan un seguimiento exhaustivo, gestión de modelos y capacidades de implementación. Si su proyecto requiere estas características a gran escala, MLflow puede optimizar sus flujos de trabajo.
  ‍
• Configuración y mantenimiento: Aunque es potente, MLflow conlleva una curva de aprendizaje y una sobrecarga de configuración. 

Uso de Weights & Biases (W&B) para el seguimiento de modelos de visión artificial

Weights & Biases es una plataforma MLOps para el seguimiento, la visualización y la gestión de experimentos de aprendizaje automático. Al utilizar W&B con YOLOv8, puedes supervisar el rendimiento de tus modelos a medida que los entrenas y los pones a punto. El panel interactivo de W&B proporciona una visión clara y en tiempo real de estas métricas y facilita la detección de tendencias, la comparación de variantes de modelos y la solución de problemas durante el proceso de entrenamiento.

W&B registra automáticamente las métricas de entrenamiento y los puntos de control del modelo, e incluso puede usarlo para ajustar los hiperparámetros como la tasa de aprendizaje y el tamaño del lote. La plataforma admite una amplia gama de opciones de configuración, desde el seguimiento de ejecuciones en su máquina local hasta la gestión de proyectos a gran escala con almacenamiento en la nube.

‍

Aquí hay algunos datos para ayudarte a decidir si Weights & Biases es la herramienta adecuada para tu proyecto:

• Visualización y seguimiento mejorados: W&B proporciona un panel intuitivo para visualizar las métricas de entrenamiento y el rendimiento del modelo en tiempo real. 
  ‍
• Modelo de precios: El precio se basa en las horas rastreadas, lo que puede no ser ideal para los usuarios con presupuestos limitados o proyectos que implican largos tiempos de entrenamiento.

Seguimiento de experimentos de MLOps con ClearML

ClearML es una plataforma MLOps de código abierto diseñada para automatizar, monitorizar y orquestar flujos de trabajo de machine learning. Es compatible con frameworks de machine learning populares como PyTorch, TensorFlow y Keras, y puede integrarse fácilmente con tus procesos existentes. ClearML también admite la computación distribuida en máquinas locales o en la nube y puede monitorizar el uso de la CPU y la GPU.

La integración de YOLOv8 con ClearML proporciona herramientas para el seguimiento de experimentos, la gestión de modelos y la supervisión de recursos. La interfaz de usuario web intuitiva de la plataforma le permite visualizar datos, comparar experimentos y realizar un seguimiento de métricas críticas como la pérdida, la precisión y las puntuaciones de validación en tiempo real. La integración también admite funciones avanzadas como la ejecución remota, el ajuste de hiperparámetros y el checkpointing de modelos.

‍

Aquí hay algunos datos para ayudarte a decidir si ClearML es la herramienta adecuada para tu proyecto:

• Necesidad de un seguimiento avanzado de experimentos: ClearML proporciona un seguimiento robusto de experimentos que incluye la integración automática con Git.
  ‍
• Implementación flexible: ClearML se puede utilizar de forma local, en la nube o en clústeres de Kubernetes, lo que lo hace adaptable a diferentes configuraciones.

Realice un seguimiento de los experimentos de entrenamiento utilizando Comet ML

Comet ML es una plataforma fácil de usar que ayuda a gestionar y rastrear experimentos de machine learning. La integración de YOLOv8 con Comet ML le permite registrar sus experimentos y ver sus resultados a lo largo del tiempo. La integración facilita la detección de tendencias y la comparación de diferentes ejecuciones. 

Comet ML se puede utilizar en la nube, en una nube privada virtual (VPC) o incluso en las instalaciones, lo que lo hace adaptable a diferentes configuraciones y necesidades. Esta herramienta está diseñada para el trabajo en equipo. Puede compartir proyectos, etiquetar a compañeros de equipo y dejar comentarios para que todos estén en sintonía y puedan reproducir los experimentos con precisión.

Aquí hay algunos datos para ayudarte a decidir si Comet ML es la herramienta adecuada para tu proyecto:

• Soporta múltiples frameworks y lenguajes: Comet ML funciona con Python, JavaScript, Java, R y más, lo que lo convierte en una opción versátil sin importar qué herramientas o lenguajes utilice tu proyecto.
  ‍
• Paneles e informes personalizables: La interfaz de Comet ML es altamente personalizable, por lo que puede crear los informes y paneles que tengan más sentido para su proyecto. 
  ‍
• Coste: Comet ML es una plataforma comercial, y algunas de sus funciones avanzadas requieren una suscripción de pago.

TensorBoard puede ayudar con las visualizaciones

TensorBoard es un potente conjunto de herramientas de visualización diseñado específicamente para experimentos de TensorFlow, pero también es una gran herramienta para rastrear y visualizar métricas en una amplia gama de proyectos de machine learning. Conocido por su simplicidad y velocidad, TensorBoard permite a los usuarios rastrear fácilmente las métricas clave y visualizar gráficos de modelos, incrustaciones y otros tipos de datos.

Una de las principales ventajas de utilizar TensorBoard con YOLOv8 es que viene convenientemente preinstalado, lo que elimina la necesidad de una configuración adicional. Otro beneficio es la capacidad de TensorBoard para ejecutarse completamente en las instalaciones. Esto es especialmente importante para proyectos con estrictos requisitos de privacidad de datos o aquellos en entornos donde las cargas a la nube no son una opción.

‍

Aquí hay algunos datos para ayudarte a decidir si TensorBoard es la herramienta adecuada para tu proyecto:

• Explicabilidad con What-If Tool (WIT): TensorBoard incluye What-If Tool, que ofrece una interfaz fácil de usar para explorar y comprender los modelos de ML. Es valioso para aquellos que buscan obtener información sobre los modelos de caja negra y mejorar la explicabilidad.
  ‍
• Seguimiento simple de experimentos: TensorBoard es ideal para necesidades básicas de seguimiento con comparación limitada de experimentos y carece de características sólidas de colaboración en equipo, control de versiones y gestión de la privacidad.

Usando DVCLive (Data Version Control Live) para rastrear experimentos de ML

La integración de YOLOv8 con DVCLive proporciona una forma optimizada de rastrear y gestionar experimentos mediante el control de versiones de sus conjuntos de datos, modelos y código juntos sin almacenar archivos grandes en Git. Utiliza comandos similares a Git y almacena las métricas rastreadas en archivos de texto sin formato para facilitar el control de versiones. DVCLive registra métricas clave, visualiza resultados y gestiona experimentos de forma limpia sin saturar su repositorio. Es compatible con una amplia gama de proveedores de almacenamiento y puede funcionar localmente o en la nube. DVCLive es perfecto para los equipos que buscan optimizar el seguimiento de experimentos sin infraestructura adicional ni dependencias de la nube.

Gestión de modelos y flujos de trabajo de Ultralytics utilizando Ultralytics HUB

Ultralytics HUB es una plataforma interna todo en uno diseñada para simplificar el entrenamiento, la implementación y la gestión de modelos Ultralytics YOLO como YOLOv5 y YOLOv8. A diferencia de las integraciones externas, Ultralytics HUB ofrece una experiencia nativa y fluida creada específicamente para los usuarios de YOLO. Simplifica todo el proceso, permitiéndole cargar fácilmente conjuntos de datos, elegir modelos pre-entrenados y comenzar a entrenar con solo unos pocos clics utilizando recursos en la nube, todo dentro de la interfaz fácil de usar del HUB. UltralyticsHUB también admite el seguimiento de experimentos, lo que facilita la supervisión del progreso del entrenamiento, la comparación de resultados y el ajuste fino de los modelos.

‍

Conclusiones clave

Elegir la herramienta adecuada para rastrear tus experimentos de machine learning puede marcar una gran diferencia. Todas las herramientas que hemos analizado pueden ayudarte a rastrear los experimentos de entrenamiento de YOLOv8, pero es importante sopesar los pros y los contras de cada una para encontrar la que mejor se adapte a tu proyecto. ¡La herramienta adecuada te mantendrá organizado y te ayudará a mejorar el rendimiento de tu modelo YOLOv8! 

Las integraciones pueden simplificar el uso de YOLOv8 en tus proyectos innovadores y acelerar tu progreso. Para explorar más integraciones interesantes de YOLOv8, consulta nuestra documentación.

Obtenga más información sobre la IA explorando nuestro repositorio de GitHub y uniéndose a nuestra comunidad. Consulte nuestras páginas de soluciones para obtener información detallada sobre la IA en la fabricación y la atención sanitaria. 🚀