Registro de experimentos YOLO de Ultralytics mediante la integración de MLflow

¿Qué es MLflow?

MLflow es una plataforma de código abierto (desarrollada por Databricks) diseñada para agilizar y gestionar todo el ciclo de vida del aprendizaje automático. Abarca el proceso de desarrollo, despliegue y mantenimiento de modelos de aprendizaje automático. 

MLflow incluye los siguientes componentes clave:

• Seguimiento de experimentos: Este componente se centra en registrar detalles importantes como la configuración del modelo, los resultados y los archivos de cada ejecución de entrenamiento del modelo. Te ayuda a comparar modelos, ver cómo los cambios afectan al rendimiento y encontrar el mejor.
  ‍
• Registro de modelos: Es como un sistema de almacenamiento para tus modelos, donde puedes hacer un seguimiento de las diferentes versiones y organizarlas por etapas como pruebas, staging y producción.
  ‍
• Empaquetado de proyectos: MLflow facilita la agrupación de sus proyectos de aprendizaje automático, incluido el código, la configuración y las herramientas necesarias, para que puedan compartirse y utilizarse de forma coherente en todos los equipos y entornos.
  ‍
• Despliegue de modelos: MLflow proporciona herramientas para desplegar rápidamente sus modelos entrenados en lugares como estaciones de trabajo o plataformas en la nube como AWS y Azure, dejándolos listos para su uso en el mundo real.

‍

Los componentes de MLflow facilitan y hacen más eficiente la gestión del proceso de aprendizaje automático. Mediante esta integración, Ultralytics permite utilizar la función de seguimiento de experimentos de MLflow para registrar parámetros, métricas y artefactos mientras se entrenan los modelos YOLO. Esto simplifica el seguimiento y la comparación de diferentes versiones de modelos YOLO.

La integración de MLflow agiliza la formación

Ahora que hemos cubierto lo que es MLflow, vamos a sumergirnos en los detalles de la integración MLflow y qué características ofrece. 

La integración de MLflow está diseñada para hacer que el proceso de formación sea más eficiente y organizado mediante el seguimiento automático y el registro de aspectos importantes de sus experimentos de visión por ordenador. Facilita tres tipos principales de registro: métricas, parámetros y artefactos.

He aquí un análisis más detallado de cada tipo de tala:

• Registro de métricas: Las métricas son valores cuantitativos que miden el rendimiento del modelo durante el entrenamiento. Por ejemplo, métricas como la exactitud, la precisión, la recuperación o la pérdida se registran al final de cada época (una pasada completa por el conjunto de datos).
  ‍
• Registro de parámetros: Los parámetros son los ajustes que defines antes de que comience el entrenamiento del modelo, como la tasa de aprendizaje, el tamaño del lote (el número de muestras procesadas en un paso de entrenamiento) y el número de épocas. Estos parámetros afectan significativamente al comportamiento y rendimiento de tu modelo.
  ‍
• Registro de artefactos: Los artefactos son los resultados o archivos generados durante el entrenamiento. Esto incluye archivos esenciales como los pesos del modelo (los valores numéricos que tu modelo aprende durante el entrenamiento), archivos de configuración (que almacenan los ajustes del entrenamiento) y otros datos relevantes.

‍

Cómo funciona la integración de MLflow

Puede consultar la documentación de Ultralytics para obtener instrucciones paso a paso sobre cómo activar la integración de MLflow. Una vez configurada, la integración rastrea y registra automáticamente los detalles clave de sus experimentos de formación, como se ha comentado anteriormente. Esto elimina la necesidad de realizar un seguimiento manual y le ayuda a centrarse en el perfeccionamiento de sus modelos.

Con la integración de MLflow, todas sus ejecuciones de entrenamiento se almacenan en un solo lugar, lo que facilita la comparación de resultados y la evaluación de diferentes configuraciones. Al comparar los resultados registrados, puede identificar las configuraciones de mejor rendimiento y utilizar esos conocimientos para mejorar sus modelos. Esto garantiza que su flujo de trabajo sea más eficiente, esté bien documentado y sea reproducible.

En concreto, cada sesión de entrenamiento se organiza en un experimento, que actúa como contenedor de múltiples ejecuciones. Dentro de un experimento, puede ver todas las ejecuciones asociadas, comparar su rendimiento y analizar las tendencias de las distintas configuraciones. 

Por ejemplo, si está probando varias tasas de aprendizaje o tamaños de lote con Ultralytics YOLOv8, todas las ejecuciones relacionadas se agrupan en el mismo experimento para facilitar la comparación y el análisis, como se muestra a continuación.

‍

Mientras tanto, a nivel de ejecución individual, MLflow proporciona información detallada sobre la sesión de entrenamiento específica. Puede ver métricas como la exactitud, la pérdida y la precisión a lo largo de las épocas, comprobar los parámetros de entrenamiento utilizados (por ejemplo, el tamaño del lote y la tasa de aprendizaje) y acceder a los artefactos generados, como los pesos del modelo y los archivos de configuración. Estos detalles se almacenan en un formato organizado, lo que facilita la revisión o reproducción de cualquier ejecución.

Elección de la integración MLflow: por qué destaca

Al consultar la documentación de Ultralytics y explorar las integraciones disponibles, es posible que se pregunte: ¿Qué diferencia a la integración MLflow y por qué debería elegirla para mi flujo de trabajo?

Con integraciones como TensorBoard que también proporcionan herramientas para el seguimiento de métricas y la visualización de resultados, es importante entender las cualidades únicas que hacen que la integración de MLflow destaque. 

He aquí por qué MLflow podría ser la opción ideal para sus proyectos YOLO:

• Interfaz fácil de usar: El panel de control de MLflow facilita la visualización de experimentos, la comparación de ejecuciones y el análisis de resultados, ayudándole a identificar rápidamente las configuraciones con mejor rendimiento.
  ‍
• Registro de métricas personalizadas: Los ingenieros de visión pueden registrar métricas personalizadas además de las estándar, lo que permite realizar análisis más exhaustivos específicos para las necesidades de sus proyectos.
  ‍
• Compatibilidad con flujos de trabajo en varios idiomas: MLflow es compatible con múltiples lenguajes de programación, incluidos Python, R y Java, lo que facilita la integración en diversos pipelines de aprendizaje automático.

Aplicaciones prácticas de YOLO11 y la integración de MLflow

Para comprender mejor cuándo se puede utilizar la integración MLflow, pensemos en una aplicación de IA en el ámbito sanitario en la que se necesita entrenar a YOLO11 para que detecte tumores en imágenes de rayos X o TC. 

En este caso, el conjunto de datos consistiría en imágenes médicas anotadas. Tendría que experimentar con varias configuraciones, como el ajuste de las tasas de aprendizaje, el tamaño de los lotes y las técnicas de preprocesamiento de imágenes, para lograr una precisión óptima. Dado que en la atención sanitaria hay mucho en juego y que la precisión y la fiabilidad son fundamentales, el seguimiento manual de cada experimento puede resultar rápidamente inmanejable.

‍

La integración de MLflow aborda este reto mediante el registro automático de los parámetros, métricas y artefactos de cada experimento. Por ejemplo, si modifica la tasa de aprendizaje o aplica una nueva estrategia de aumento, MLflow registra estos cambios junto con las métricas de rendimiento. Además, MLflow guarda los pesos y las configuraciones de los modelos entrenados, lo que garantiza que los modelos satisfactorios puedan reproducirse y desplegarse fácilmente. 

Este es sólo un ejemplo de cómo la integración de MLflow mejora la gestión de experimentos en aplicaciones de IA de visión. Las mismas características se aplican a otras aplicaciones de visión por ordenador, incluyendo:

• Conducción autónoma: YOLO11 puede utilizarse para detectar y clasificar peatones, vehículos y señales de tráfico en tiempo real con el fin de mejorar la seguridad y la eficacia de los sistemas de conducción autónoma.
  ‍
• Análisis del comercio minorista: Los modelos de detección de objetos pueden controlar el comportamiento de los clientes, seguir la ubicación de los productos y optimizar el inventario analizando la actividad en la tienda a través de imágenes de vídeo.
  ‍
• Seguridad y vigilancia: Los modelos pueden entrenarse para detectar anomalías o supervisar la actividad en tiempo real en zonas sensibles para reforzar la seguridad.

Ventajas de la integración de MLflow

La integración de MLflow con los modelos YOLO hace que la gestión de experimentos de aprendizaje automático sea más fácil y eficiente. Al automatizar las tareas clave y mantener todo organizado, le permite centrarse en construir y mejorar sus modelos. He aquí un vistazo a los beneficios clave:

• Escala para grandes proyectos: La plataforma gestiona múltiples experimentos y modelos de forma eficiente, lo que la hace adecuada para equipos grandes y flujos de trabajo complejos.
  ‍
• Historial detallado de experimentos: La plataforma mantiene un historial completo de los experimentos, lo que le permite volver a visitar ejecuciones anteriores, analizar configuraciones previas y aprender de resultados anteriores.
  ‍
• Opciones de desactivación y restablecimiento: El registro de MLflow se puede desactivar fácilmente cuando no sea necesario, y la configuración se puede restablecer a los valores predeterminados, lo que ofrece flexibilidad para adaptarse a los distintos requisitos del flujo de trabajo.

Principales conclusiones

La integración de MLflow hace que la gestión y optimización de los experimentos Ultralytics YOLO sea más fácil y eficiente. Mediante el seguimiento automático de detalles clave como parámetros, métricas y artefactos, simplifica el proceso y elimina las molestias de la gestión manual de experimentos. 

Tanto si trabaja en soluciones sanitarias como la detección de tumores, la mejora de los sistemas de conducción autónoma o la mejora de los análisis de comercio minorista, esta integración le ayuda a mantener todo organizado y reproducible. Con su interfaz intuitiva y su flexibilidad, MLflow permite a los desarrolladores centrarse en crear mejores modelos e impulsar la innovación en las aplicaciones de Vision AI.

Únase a nuestra comunidad y consulte nuestro repositorio de GitHub para aprender sobre IA. También puede explorar más aplicaciones de la visión por ordenador en la fabricación o de la IA en los coches autoconducidos en nuestras páginas de soluciones.