Exploración de las integraciones de seguimiento de experimentos de aprendizaje automático de Ultralytics YOLOv8

Recopilar datos, etiquetarlos y entrenar modelos como el modelo Ultralytics YOLOv8 es el núcleo de cualquier proyecto de computer vision. A menudo, necesitarás entrenar tu modelo personalizado varias veces con diferentes parámetros para crear el modelo más óptimo. Utilizar herramientas para realizar el seguimiento de tus experimentos de entrenamiento puede hacer que gestionar tu proyecto de computer vision sea un poco más sencillo. El seguimiento de experimentos es el proceso de registrar los detalles de cada ejecución de entrenamiento, como los parámetros que utilizaste, los resultados que conseguiste y cualquier cambio que hicieras a lo largo del camino.

Fig 1. Una imagen que muestra cómo encaja el seguimiento de experimentos en un proyecto de computer vision.

Mantener un registro de estos detalles te ayuda a reproducir tus resultados, comprender qué funciona y qué no, y ajustar tus modelos de forma más eficaz. Para las organizaciones, ayuda a mantener la coherencia entre equipos, fomenta la colaboración y proporciona una pista de auditoría clara. Para los individuos, se trata de mantener una documentación clara y organizada de tu trabajo que te permita perfeccionar tu 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 de YOLOv8. Tanto si trabajas solo como si formas parte de un equipo más grande, comprender y utilizar las herramientas de seguimiento adecuadas puede marcar una diferencia real en el éxito de tus proyectos YOLOv8.

Link to this sectionSeguimiento de experimentos de machine learning con MLflow#

MLflow es una plataforma de código abierto desarrollada por Databricks que facilita la gestión de todo el ciclo de vida del machine learning. 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 machine learning. Admite múltiples lenguajes e interfaces, incluidas las APIs de Python, REST, Java y R.

MLflow Tracking se integra perfectamente con YOLOv8, y puedes registrar métricas importantes como la precisión, el recall y la pérdida directamente desde tus modelos. Configurar MLflow con YOLOv8 es sencillo y existen opciones flexibles: puedes usar la configuración predeterminada de localhost, conectarte a varios almacenes de datos o iniciar un servidor de seguimiento remoto de MLflow para mantenerlo todo organizado.

Fig 2. Configuraciones comunes para el entorno de seguimiento de MLflow. Fuente de la imagen: seguimiento de MLflow.

Aquí tienes algunos puntos para ayudarte a decidir si MLflow es la herramienta adecuada para tu proyecto:

• Escalabilidad: MLflow se adapta bien a tus necesidades, tanto si trabajas en una sola máquina como si realizas implementaciones en grandes clusters. Si tu proyecto implica escalar desde el desarrollo hasta la producción, MLflow puede respaldar este crecimiento.
• Complejidad del proyecto: MLflow es ideal para proyectos complejos que necesitan capacidades exhaustivas de seguimiento, gestión de modelos e implementación. Si tu proyecto requiere estas funciones a gran escala, MLflow puede agilizar tus flujos de trabajo.
• Configuración y mantenimiento: Aunque es potente, MLflow tiene una curva de aprendizaje y una sobrecarga de configuración.

Link to this sectionUso de Weights & Biases (W&B) para el seguimiento de modelos de computer vision#

Weights & Biases es una plataforma de MLOps para realizar el seguimiento, visualizar y gestionar experimentos de machine learning. Al usar W&B con YOLOv8, puedes supervisar el rendimiento de tus modelos a medida que los entrenas y ajustas. 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 puedes 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 tu máquina local hasta la gestión de proyectos a gran escala con almacenamiento en la nube.

Fig 3. Un ejemplo de los paneles de seguimiento de experimentos de Weights & Biases. Fuente de la imagen: seguimiento de experimentos de Weights & Biases.

Aquí tienes algunos puntos 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 de seguimiento, lo que puede no ser ideal para usuarios con presupuestos limitados o proyectos que impliquen largos tiempos de entrenamiento.

Link to this sectionSeguimiento de experimentos de MLOps con ClearML#

ClearML es una plataforma de MLOps de código abierto diseñada para automatizar, supervisar y orquestar flujos de trabajo de machine learning. Admite marcos 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 supervisar el uso de CPU y 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 te 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 control de puntos de control del modelo.

Fig 4. Un ejemplo de las visualizaciones de seguimiento de experimentos de ClearML. Fuente de la imagen: seguimiento de experimentos de Clear ML y visualización de resultados.

Aquí tienes algunos puntos para ayudarte a decidir si ClearML es la herramienta adecuada para tu proyecto:

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

Link to this sectionRealiza el seguimiento de experimentos de entrenamiento usando Comet ML#

Comet ML es una plataforma fácil de usar que ayuda a gestionar y realizar el seguimiento de experimentos de machine learning. La integración de YOLOv8 con Comet ML te permite registrar tus experimentos y ver tus 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 de forma local, lo que lo hace adaptable 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 puedan mantenerse al día y reproducir experimentos con precisión.

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

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

Link to this sectionTensorBoard 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 realizar el seguimiento y visualizar métricas en una amplia gama de proyectos de machine learning. Conocido por su sencillez y velocidad, TensorBoard permite a los usuarios realizar un seguimiento sencillo de métricas clave y visualizar gráficos de modelos, embeddings y otros tipos de datos.

Una ventaja importante de usar TensorBoard con YOLOv8 es que viene preinstalado, lo que elimina la necesidad de una configuración adicional. Otro beneficio es la capacidad de TensorBoard para ejecutarse completamente de forma local. Esto es especialmente clave para proyectos con estrictos requisitos de privacidad de datos o aquellos en entornos donde las cargas en la nube no son una opción.

Fig 5. Supervisión del entrenamiento del modelo YOLOv8 usando TensorBoard.

Aquí tienes algunos puntos para ayudarte a decidir si TensorBoard es la herramienta adecuada para tu proyecto:

• Explicabilidad con la herramienta What-If (WIT): TensorBoard incluye la herramienta What-If, que ofrece una interfaz fácil de usar para explorar y comprender modelos de ML. Es valiosa para quienes buscan obtener información sobre 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 privacidad.

Link to this sectionUso de DVCLive (Data Version Control Live) para el seguimiento de experimentos de ML#

La integración de YOLOv8 con DVCLive proporciona una forma optimizada de realizar el seguimiento y gestionar experimentos al versionar tus 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 tu repositorio. Admite una amplia gama de proveedores de almacenamiento y puede funcionar de forma local o en la nube. DVCLive es perfecto para equipos que buscan agilizar el seguimiento de experimentos sin infraestructura adicional ni dependencias en la nube.

Link to this sectionGestión de modelos y flujos de trabajo de Ultralytics mediante Ultralytics HUB#

Ultralytics HUB es una plataforma integral propia, 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, permitiéndote subir conjuntos de datos, elegir modelos preentrenados y comenzar a entrenar con solo unos clics usando recursos en la nube, todo dentro de la interfaz fácil de usar del HUB. Ultralytics HUB también admite el seguimiento de experimentos, lo que facilita la supervisión del progreso del entrenamiento, la comparación de resultados y el ajuste de modelos.

Fig 6. Supervisión del entrenamiento del modelo YOLOv8 usando Ultralytics HUB.

Link to this sectionConclusiones clave#

Elegir la herramienta adecuada para realizar el seguimiento de tus experimentos de machine learning puede marcar una gran diferencia. Todas las herramientas que hemos analizado pueden ayudar con el seguimiento de 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 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.

Aprende más sobre IA explorando nuestro repositorio de GitHub y uniéndote a nuestra comunidad. Echa un vistazo a nuestras páginas de soluciones para obtener información detallada sobre la IA en la fabricación y la atención sanitaria. 🚀