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

Recopilar datos y anotarlos, y entrenar modelos como el modelo Ultralytics YOLOv8 es la base de cualquier proyecto de visión por ordenador. A menudo, tendrás que entrenar tu modelo personalizado varias veces con distintos parámetros para crear el modelo más optimizado. Usar herramientas para realizar un seguimiento de tus experimentos de entrenamiento puede facilitar un poco la gestión de tu proyecto de visión por ordenador. El seguimiento de experimentos es el proceso de registrar los detalles de cada ejecución de entrenamiento, como los parámetros que has utilizado, los resultados que has obtenido y cualquier cambio que hayas realizado durante el proceso.

Fig. 1. Una imagen que muestra cómo encaja el seguimiento de experimentos en un proyecto de visión por ordenador.

Llevar un registro de estos detalles te ayuda a reproducir tus resultados, entender 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 un registro de auditoría claro. Para los usuarios individuales, se trata de mantener una documentación clara y organizada de tu trabajo que te permita perfeccionar tu enfoque 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 grande, entender y utilizar 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 perfectamente con YOLOv8, y puedes 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 utilizar la configuración predeterminada de localhost, conectarte a varios almacenes de datos o iniciar un servidor remoto de seguimiento de MLflow para mantenerlo todo organizado.

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

Estas son algunas consideraciones 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 una sola máquina como si realizas despliegues en clústeres grandes. Si tu proyecto implica escalar del desarrollo a producción, MLflow puede acompañar este 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 a gran escala, MLflow puede agilizar tus flujos de trabajo.
• Configuración y mantenimiento: Aunque es potente, MLflow tiene una curva de aprendizaje y requiere un esfuerzo inicial de configuración.

Uso de Weights & Biases (W&B) para realizar el seguimiento de modelos de visión por ordenador#

Weights & Biases es una plataforma de MLOps para realizar el seguimiento, visualizar y gestionar experimentos de aprendizaje automático. Al usar 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 la detección de tendencias, la comparación de variantes de modelos y la resolución de problemas durante el proceso de entrenamiento.

W&B registra automáticamente las métricas de entrenamiento y los puntos de control de los modelos, y también puedes utilizarlo para ajustar hiperparámetros, como la tasa de aprendizaje y el tamaño del lote. La plataforma admite numerosas opciones de configuración, desde realizar el seguimiento de ejecuciones en tu máquina local hasta gestionar 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 con Weights & Biases.

Estas son algunas consideraciones que te ayudarán 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 de los modelos 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 implican tiempos de entrenamiento prolongados.

Seguimiento 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 aprendizaje automático. Admite marcos de aprendizaje automático populares, como PyTorch, TensorFlow y Keras, y puede integrarse fácilmente con tus procesos existentes. ClearML también admite 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 esenciales, 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 los puntos de control de modelos.

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

Estas son algunas consideraciones que te ayudarán a decidir si ClearML es la herramienta adecuada para tu proyecto:

• Necesidad de un seguimiento avanzado de experimentos: ClearML proporciona un seguimiento sólido de experimentos que incluye integración automática con Git.
• Despliegue flexible: ClearML puede utilizarse en las instalaciones, 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 realizar el seguimiento de experimentos de aprendizaje automático. La integración de YOLOv8 con Comet ML te permite registrar tus experimentos y consultar tus resultados a lo largo del tiempo. La integración facilita la detección de tendencias y la comparación de distintas ejecuciones.

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

Estas son algunas consideraciones que te ayudarán a decidir si Comet ML es la herramienta adecuada para tu proyecto:

• Admite varios marcos y lenguajes: Comet ML funciona con Python, JavaScript, Java, R y otros, por lo que es una opción versátil independientemente de las herramientas o lenguajes que utilice tu proyecto.
• Paneles e informes personalizables: La interfaz de Comet ML es muy 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.

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 excelente herramienta para realizar el seguimiento y visualizar métricas en una amplia variedad de proyectos de aprendizaje automático. Conocido por su sencillez y rapidez, TensorBoard permite realizar fácilmente el seguimiento de métricas clave y visualizar grafos de modelos, embeddings y otros tipos de datos.

Una de las principales ventajas de usar TensorBoard con YOLOv8 es que viene preinstalado, lo que elimina la necesidad de configuración adicional. Otra ventaja es que TensorBoard puede ejecutarse completamente en las instalaciones. Esto es especialmente importante para proyectos con requisitos estrictos de privacidad de datos o para entornos en los que no es posible cargar datos en la nube.

Fig. 5. Supervisión del entrenamiento de un modelo YOLOv8 mediante TensorBoard.

Estas son algunas consideraciones que te ayudarán 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 modelos de ML. Es útil 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 capacidades limitadas para comparar 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 realizar el seguimiento de experimentos de ML#

La integración de YOLOv8 con DVCLive ofrece una forma optimizada de realizar el seguimiento y gestionar experimentos mediante el control de versiones conjunto de tus conjuntos de datos, modelos y código, sin almacenar archivos grandes en Git. Utiliza comandos similares a los de Git y almacena 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 saturar tu repositorio. Admite una amplia variedad de proveedores de almacenamiento y puede funcionar localmente o en la nube. DVCLive es perfecto para equipos que buscan agilizar el seguimiento de experimentos sin infraestructura adicional ni dependencias de la nube.

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

Ultralytics HUB es una plataforma integral propia diseñada 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 y fluida creada específicamente para usuarios de YOLO. Simplifica todo el proceso y te permite cargar conjuntos de datos, elegir modelos preentrenados y empezar a entrenar con solo unos clics utilizando recursos en la nube, todo ello 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. Supervisión del entrenamiento de un modelo YOLOv8 mediante Ultralytics HUB.

Conclusiones clave#

Elegir la herramienta adecuada para realizar el seguimiento de tus experimentos de aprendizaje automático puede marcar una gran diferencia. Todas las herramientas que hemos analizado pueden ayudarte a realizar el seguimiento de experimentos de entrenamiento con 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 innovadores y acelerar tu progreso. Para explorar más integraciones interesantes de YOLOv8, consulta nuestra documentación.

Conoce mejor la IA explorando nuestro repositorio de GitHub y uniéndote a nuestra comunidad. Consulta nuestras páginas de soluciones para obtener información detallada sobre la IA en la fabricación y la atención sanitaria. 🚀