Explora las integraciones de Ultralytics YOLOv8 para el seguimiento de experimentos de aprendizaje automático

Recopilar datos y anotarlos, así como entrenar modelos como el modelo Ultralytics YOLOv8, constituye la base de cualquier proyecto de visión artificial. A menudo, tendrás que entrenar tu modelo personalizado varias veces con distintos parámetros para encontrar el que ofrezca mejores resultados. El uso de herramientas para hacer un seguimiento de tus experimentos de entrenamiento puede facilitar un poco la gestión de tu proyecto de visión artificial. El seguimiento de experimentos consiste en registrar los detalles de cada ejecución de entrenamiento, como los parámetros que has usado, los resultados obtenidos y los cambios realizados durante el proceso.

Fig. 1. Imagen que muestra cómo encaja el seguimiento de experimentos en un proyecto de visión artificial.

Registrar estos detalles te ayuda a reproducir los resultados, entender qué funciona y qué no, y ajustar tus modelos de forma más eficaz. En las organizaciones, esto ayuda a mantener la coherencia entre equipos, fomenta la colaboración y proporciona un registro de auditoría claro. Para cada persona, se trata de mantener una documentación clara y organizada de su trabajo, que le permita perfeccionar su método y obtener mejores resultados con el tiempo.

En este artículo, te guiaremos por las distintas integraciones de entrenamiento disponibles para gestionar y supervisar tus experimentos con YOLOv8. Tanto si trabajas por tu cuenta como si formas parte de un equipo más amplio, conocer y usar las herramientas de seguimiento adecuadas puede marcar una gran diferencia en el éxito de tus proyectos con 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 para ayudar a científicos de datos e ingenieros a registrar y visualizar sus experimentos de aprendizaje automático. Admite varios lenguajes e interfaces, incluidas las API de Python, REST, Java y R.

MLflow Tracking se integra sin problemas con YOLOv8 y permite registrar métricas importantes, como la precisión, la exhaustividad y la pérdida, directamente desde tus modelos. Configurar MLflow con YOLOv8 es sencillo y ofrece opciones flexibles: puedes usar la configuración predeterminada de localhost, conectarte a distintos almacenes de datos o iniciar un servidor remoto de seguimiento de MLflow para tenerlo todo organizado.

Fig. 2. Configuraciones habituales del entorno de seguimiento de MLflow. Fuente de la imagen: MLflow Tracking.

Estos son algunos aspectos que te ayudarán a decidir si MLflow es la herramienta adecuada para tu proyecto:

• Escalabilidad: MLflow se adapta bien a tus necesidades, tanto si trabajas en un único equipo como si despliegas en grandes clústeres. Si tu proyecto requiere pasar del desarrollo a producción a mayor escala, MLflow puede acompañar ese crecimiento.
• Complejidad del proyecto: MLflow es ideal para proyectos complejos que necesitan un seguimiento exhaustivo, gestión de modelos y capacidades de despliegue. Si tu proyecto requiere estas funciones completas, MLflow puede agilizar tus flujos de trabajo.
• Configuración y mantenimiento: Aunque es potente, MLflow tiene una curva de aprendizaje y requiere cierto trabajo de configuración.

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

Weights & Biases es una plataforma de MLOps para hacer un seguimiento de los experimentos de aprendizaje automático, visualizarlos y gestionarlos. Si usas W&B con YOLOv8, puedes supervisar el rendimiento de tus modelos mientras los entrenas y ajustas. El panel interactivo de W&B ofrece una vista clara y en tiempo real de estas métricas, y facilita detectar tendencias, comparar variantes de modelos y solucionar problemas durante el entrenamiento.

W&B registra automáticamente las métricas de entrenamiento y los puntos de control del modelo, y también permite ajustar hiperparámetros, como la tasa de aprendizaje y el tamaño del lote. La plataforma admite numerosas opciones de configuración, desde el seguimiento de ejecuciones en tu equipo local hasta la gestión de proyectos a gran escala con almacenamiento en la nube.

Fig. 3. Ejemplo de los paneles de seguimiento de experimentos de Weights & Biases. Fuente de la imagen: Seguimiento de experimentos con Weights & Biases.

Estos son algunos aspectos que te ayudarán a decidir si Weights & Biases es la herramienta adecuada para tu proyecto:

• Visualización y seguimiento mejorados: W&B ofrece un panel intuitivo para visualizar en tiempo real las métricas de entrenamiento y el rendimiento del modelo.

Seguimiento de experimentos de MLOps con ClearML#

ClearML es una plataforma de MLOps de código abierto diseñada para automatizar, monitorizar y orquestar flujos de trabajo de aprendizaje automático. Admite marcos populares de aprendizaje automático, como PyTorch, TensorFlow y Keras, y se integra fácilmente en tus procesos actuales. ClearML también admite la computación distribuida en equipos locales o en la nube, y puede monitorizar el uso de la CPU y la GPU.

La integración de YOLOv8 con ClearML ofrece herramientas para hacer un seguimiento de los experimentos, gestionar modelos y supervisar recursos. La intuitiva interfaz web de la plataforma te permite visualizar datos, comparar experimentos y realizar un seguimiento en tiempo real de métricas clave, 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 creación de puntos de control del modelo.

Fig. 4. Ejemplo de visualizaciones del seguimiento de experimentos de ClearML. Fuente de la imagen: ClearML Tracking Experiments and Visualizing Results.

Estos son algunos aspectos que te ayudarán a decidir si ClearML es la herramienta adecuada para tu proyecto:

• Necesidad de un seguimiento avanzado de experimentos: ClearML ofrece un seguimiento de experimentos robusto que incluye integración automática con Git.
• Despliegue flexible: ClearML se puede utilizar en instalaciones propias, en la nube o en clústeres de Kubernetes, por lo que se adapta a distintas configuraciones.

Seguimiento de experimentos de entrenamiento con Comet ML#

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

Comet ML se puede utilizar en la nube, en una nube privada virtual (VPC) o incluso en instalaciones propias, por lo que se adapta a distintas configuraciones y necesidades. Esta herramienta está diseñada para el trabajo en equipo. Puedes compartir proyectos, etiquetar a tus compañeros y dejar comentarios para que todo el mundo esté al tanto y pueda reproducir los experimentos con precisión.

Estos son algunos aspectos que te ayudarán a decidir si Comet ML es la herramienta adecuada para tu proyecto:

• Compatible con varios frameworks y lenguajes: Comet ML funciona con Python, JavaScript, Java, R y otros, por lo que es una opción versátil independientemente de las herramientas o los lenguajes que use tu proyecto.
• Paneles e informes personalizables: La interfaz de Comet ML es muy personalizable, así que puedes crear los informes y paneles que mejor se adapten a tu proyecto.
• Coste: Comet ML es una plataforma comercial y algunas de sus funciones avanzadas requieren una suscripción de pago.

TensorBoard puede ayudarte con las visualizaciones#

TensorBoard es un potente conjunto de herramientas de visualización diseñado específicamente para experimentos con TensorFlow, pero también es una herramienta excelente para seguir y visualizar métricas en una amplia variedad de proyectos de aprendizaje automático. Conocido por su sencillez y rapidez, TensorBoard permite hacer un seguimiento sencillo de métricas clave y visualizar grafos de modelos, incrustaciones y otros tipos de datos.

Una de las principales ventajas de usar TensorBoard con YOLOv8 es que requiere una configuración mínima: instala el paquete tensorboard y activa el registro una sola vez con yolo settings tensorboard=True. Otra ventaja es que TensorBoard puede ejecutarse completamente en tus propias instalaciones. Esto es especialmente importante para proyectos con requisitos estrictos de privacidad de datos o en entornos donde no se pueden subir datos a la nube.

Fig. 5. Monitorización del entrenamiento de un modelo YOLOv8 con TensorBoard.

Estos son algunos aspectos que te ayudarán a decidir si TensorBoard es la herramienta adecuada para tu proyecto:

• Seguimiento sencillo de experimentos: TensorBoard es ideal para necesidades básicas de seguimiento, con opciones limitadas para comparar experimentos, y carece de funciones robustas 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 aprendizaje automático#

La integración de YOLOv8 con DVCLive ofrece una forma optimizada de hacer un seguimiento de los experimentos y gestionarlos, ya que permite versionar conjuntamente los conjuntos de datos, los modelos y el código sin almacenar archivos grandes en Git. Usa comandos similares a los de Git y guarda las métricas registradas en archivos de texto sin formato para facilitar el control de versiones. DVCLive registra métricas clave, visualiza resultados y gestiona experimentos de forma ordenada, sin llenar el repositorio de archivos. Admite una amplia variedad de proveedores de almacenamiento y puede funcionar localmente o en la nube. DVCLive es ideal para equipos que quieren optimizar el seguimiento de experimentos sin añadir infraestructura ni depender de la nube.

Gestión de modelos y flujos de trabajo de Ultralytics con Ultralytics HUB#

Ultralytics HUB (ahora Ultralytics Platform) es una plataforma integral desarrollada internamente para simplificar el entrenamiento, el despliegue y la gestión de modelos Ultralytics YOLO como YOLOv5 y YOLOv8. A diferencia de las integraciones externas, Ultralytics HUB ofrece una experiencia nativa creada específicamente para los usuarios de YOLO. Simplifica todo el proceso y te permite subir conjuntos de datos, elegir modelos preentrenados y empezar a entrenar con unos pocos clics usando recursos en la nube, todo desde la interfaz fácil de usar de HUB. Ultralytics HUB también admite el seguimiento de experimentos, lo que facilita supervisar el progreso del entrenamiento, comparar resultados y ajustar modelos.

Fig. 6. Monitorización del entrenamiento de un modelo YOLOv8 con Ultralytics HUB.

Conclusiones clave#

Elegir la herramienta adecuada para hacer un seguimiento de tus experimentos de aprendizaje automático puede marcar una gran diferencia. Todas las herramientas que hemos comentado pueden ayudarte a seguir los experimentos de entrenamiento de YOLOv8, pero es importante sopesar las ventajas y desventajas de cada una para encontrar la que mejor se adapte a tu proyecto. La herramienta adecuada te ayudará a mantenerte organizado y a mejorar el rendimiento de tu modelo YOLOv8.

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

Descubre más sobre la IA explorando nuestro repositorio de GitHub y uniéndote a nuestra comunidad. Echa un vistazo a nuestras páginas de soluciones para conocer en detalle la IA en la fabricación y la sanidad.