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

Recopilar datos, anotarlos y entrenar modelos como el modelo YOLOv8 de Ultralytics es el núcleo de cualquier proyecto de visión por ordenador. A menudo, tendrá que entrenar su modelo personalizado varias veces con diferentes parámetros para crear el modelo más óptimo. El uso de herramientas para realizar un seguimiento de los experimentos de entrenamiento puede facilitar la gestión de su proyecto de visión por ordenador. El seguimiento de experimentos es el proceso de registrar los detalles de cada ejecución de entrenamiento, como los parámetros utilizados, los resultados obtenidos y los cambios realizados durante el proceso. 

‍

Llevar un registro de estos detalles ayuda a reproducir los resultados, comprender lo que funciona y lo que no, y afinar los modelos con mayor eficacia. Para las organizaciones, ayuda a mantener la coherencia entre los equipos, fomenta la colaboración y proporciona una pista de auditoría clara. Para los particulares, se trata de mantener una documentación clara y organizada de su trabajo que le permita perfeccionar su enfoque y lograr mejores resultados con el tiempo. 

En este artículo, le guiaremos a través de las diferentes integraciones de formación disponibles para gestionar y supervisar sus 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 verdadera 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 de datos e ingenieros a registrar y visualizar sus experimentos de aprendizaje automático. Es compatible con múltiples lenguajes e interfaces, incluidas las API de Python, REST, Java y R. 

El seguimiento de MLflow se integra sin problemas con YOLOv8, y puede registrar métricas importantes como la precisión, la recuperación y la pérdida directamente desde sus modelos. Configurar ML flow con YOLOv8 es sencillo, y hay opciones flexibles: puede utilizar la configuración localhost predeterminada, conectarse a varios almacenes de datos o iniciar un servidor de seguimiento MLflow remoto para mantener todo organizado.

‍

Estas son algunas aportaciones que le ayudarán a decidir si MLflow es la herramienta adecuada para su proyecto:

• Escalabilidad: MLflow se adapta bien a sus necesidades, tanto si trabaja en una sola máquina como si realiza la implementación en grandes clústeres. Si su proyecto implica pasar 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 despliegue. Si su proyecto requiere estas funciones a gran escala, MLflow puede agilizar sus flujos de trabajo.
  ‍
• Configuración y mantenimiento: Aunque potente, MLflow conlleva una curva de aprendizaje y una sobrecarga de configuración. 

Utilización de ponderaciones y sesgos (W&B) para el seguimiento de modelos de visión por ordenador

Weights & Biases es una plataforma MLOps para el seguimiento, visualización y gestión de experimentos de aprendizaje automático. Al utilizar W&B con YOLOv8, puede supervisar el rendimiento de sus modelos a medida que los entrena y los ajusta. 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 resolución de problemas durante el proceso de formación.

W&B registra automáticamente las métricas de entrenamiento y los puntos de control del modelo, e incluso puede utilizarlo para ajustar 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.

‍

He aquí algunas aportaciones que le ayudarán a decidir si Pesos y Parciales es la herramienta adecuada para su proyecto:

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

Seguimiento de experimentos MLOps con ClearML

ClearML es una plataforma MLOps de código abierto diseñada para automatizar, supervisar y orquestar flujos de trabajo de aprendizaje automático. Es compatible con marcos de aprendizaje automático populares como PyTorch, TensorFlow y Keras y puede integrarse fácilmente con sus procesos existentes. ClearML también admite la computación distribuida en máquinas locales o en la nube y puede supervisar 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 intuitiva interfaz web de la plataforma permite visualizar datos, comparar experimentos y realizar un seguimiento en tiempo real de parámetros críticos como la pérdida, la precisión y las puntuaciones de validación. La integración también admite funciones avanzadas como la ejecución remota, el ajuste de hiperparámetros y la comprobación de modelos.

‍

He aquí algunas aportaciones que le ayudarán a decidir si ClearML es la herramienta adecuada para su proyecto:

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

Seguimiento de los experimentos de entrenamiento con Comet ML

Comet ML es una plataforma fácil de usar que ayuda a gestionar y realizar un seguimiento de los experimentos de aprendizaje automático. La integración de YOLOv8 con Comet ML te permite registrar tus experimentos y ver los resultados a lo largo del tiempo. La integración facilita la detección de tendencias y la comparación de diferentes ejecuciones. 

Comet ML puede utilizarse en la nube, en una nube privada virtual (VPC) o incluso in situ, por lo que se adapta a diferentes configuraciones y necesidades. Esta herramienta está diseñada para el trabajo en equipo. Puedes compartir proyectos, etiquetar a compañeros de equipo y dejar comentarios para que todos estén de acuerdo y reproduzcan los experimentos con precisión.

Estas son algunas aportaciones que le ayudarán a decidir si Comet ML es la herramienta adecuada para su proyecto:

• Soporta múltiples frameworks y lenguajes: Comet ML funciona con Python, JavaScript, Java y R, entre otros, lo que lo convierte en una opción versátil independientemente de las herramientas o lenguajes que utilice su proyecto.
  ‍
• Cuadros de mando e informes personalizables: La interfaz de Comet ML es altamente personalizable, por lo que puede crear los informes y cuadros de mando 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 kit de herramientas de visualización diseñado específicamente para experimentos TensorFlow, pero también es una gran herramienta para el seguimiento y visualización de métricas a través de una amplia gama de proyectos de aprendizaje automático. Conocido por su simplicidad y velocidad, TensorBoard permite a los usuarios rastrear fácilmente métricas clave y visualizar gráficos de modelos, incrustaciones y otros tipos de datos.

Una gran ventaja de utilizar TensorBoard con YOLOv8 es que viene convenientemente preinstalado, eliminando la necesidad de configuraciones adicionales. Otra ventaja es la capacidad de TensorBoard para funcionar totalmente en las instalaciones. Esto es especialmente importante para proyectos con estrictos requisitos de privacidad de datos o en entornos en los que las cargas en la nube no son una opción.

‍

Aquí tienes algunas aportaciones que te ayudarán a decidir si TensorBoard es la herramienta adecuada para tu proyecto:

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

Uso de DVCLive (Data Version Control Live) para el seguimiento de experimentos de ML

La integración de YOLOv8 con DVCLive ofrece una forma simplificada de realizar el seguimiento y la gestión de experimentos mediante el control de versiones de los conjuntos de datos, los modelos y el código, sin necesidad de almacenar archivos de gran tamaño en Git. Utiliza comandos similares a los de Git y almacena las métricas rastreadas en archivos de texto sin formato para facilitar el control de versiones. DVCLive registra las métricas clave, visualiza los resultados y gestiona los experimentos de forma limpia sin saturar el 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 agilizar el seguimiento de experimentos sin infraestructura adicional o dependencias de la nube.

Gestión de los modelos y flujos de trabajo de Ultralytics mediante Ultralytics HUB

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

‍

Principales conclusiones

Elegir la herramienta adecuada para el seguimiento de tus experimentos de aprendizaje automático puede marcar una gran diferencia. Todas las herramientas de las que hemos hablado pueden ayudar a realizar el seguimiento de los experimentos de formación de YOLOv8, pero es importante sopesar los pros y los contras de cada una para encontrar la que mejor se adapte a su proyecto. La herramienta adecuada le mantendrá organizado y le ayudará a mejorar el rendimiento de su modelo YOLOv8. 

Las integraciones pueden simplificar el uso de YOLOv8 en sus proyectos innovadores y acelerar su progreso. Para explorar más integraciones interesantes de YOLOv8, consulte 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. 🚀