Explore cómo la integración y el registro de MLflow pueden elevar sus experimentos Ultralytics YOLO , permitiendo un seguimiento superior para aplicaciones de visión por ordenador.
Puede pensar en un proyecto de visión artificial como en un rompecabezas. Esencialmente, se enseña a las máquinas a entender los datos visuales juntando las piezas del rompecabezas, como la recopilación de un conjunto de datos, el entrenamiento de un modelo y su implementación. Cuando todo encaja, se obtiene un sistema que puede analizar y dar sentido a las imágenes y los vídeos de forma eficaz.
Pero, al igual que un rompecabezas real, no todas las partes de un proyecto de visión artificial son sencillas. Tareas como el seguimiento de experimentos (mantener un registro de tu configuración, ajustes y datos) y el registro (capturar resultados y métricas de rendimiento) pueden llevar mucho tiempo y esfuerzo. Si bien estos pasos son clave para mejorar y refinar tus modelos de visión artificial, a veces pueden sentirse como un cuello de botella.
Ahí es donde entran en juego los modelosYOLO Ultralytics y su integración con MLflow. Modelos como Ultralytics YOLO11 admiten una amplia gama de tareas de visión por ordenador, como la detección de objetos, la segmentación de instancias y la clasificación de imágenes. Estas capacidades permiten la creación de interesantes aplicaciones de visión por ordenador. Tener la opción de confiar en integraciones como la de MLflow permite a los ingenieros de visión centrarse en el propio modelo, en lugar de enredarse en los detalles.
En particular, la integración MLflow simplifica el proceso mediante el registro de diversas métricas, parámetros y artefactos durante todo el proceso de formación. En este artículo, exploraremos cómo funciona la integración MLflow, sus beneficios y cómo puede utilizarla para agilizar sus flujos de trabajo Ultralytics YOLO .
MLflow es una plataforma de código abierto (desarrollada por Databricks) diseñada para optimizar y gestionar todo el ciclo de vida del aprendizaje automático. Abarca el proceso de desarrollo, implementación y mantenimiento de modelos de aprendizaje automático.
MLflow incluye los siguientes componentes clave:
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 track y la comparación de diferentes versiones de modelos YOLO .
Ahora que hemos cubierto qué es MLflow, profundicemos en los detalles de la integración de MLflow y las características que ofrece.
La integración de MLflow está diseñada para hacer que el proceso de entrenamiento sea más eficiente y organizado mediante el seguimiento y el registro automático de aspectos importantes de sus experimentos de visión artificial. Facilita tres tipos principales de registro: métricas, parámetros y artefactos.
Aquí tiene un análisis más detallado de cada tipo de registro:
Puede consultar la documentación 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 tus 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, puedes identificar las configuraciones con mejor rendimiento y utilizar esos conocimientos para mejorar tus modelos. Esto garantiza que tu flujo de trabajo sea más eficiente, esté bien documentado y sea reproducible.
Específicamente, cada sesión de entrenamiento se organiza en un experimento, que actúa como un contenedor para múltiples ejecuciones. Dentro de un experimento, puede ver todas las ejecuciones asociadas, comparar su rendimiento en paralelo y analizar las tendencias entre diferentes 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 precisión, la pérdida y la exactitud 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 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 la reproducción de cualquier ejecución.
Al consultar la documentaciónUltralytics 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 rastrear métricas y visualizar resultados, es importante comprender las cualidades únicas que hacen que la integración de MLflow destaque.
He aquí por qué MLflow podría ser la opción ideal para sus proyectosYOLO :
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 detect tumores en imágenes de rayos X o TC.
En tal escenario, el conjunto de datos consistiría en imágenes médicas anotadas. Tendría que experimentar con varias configuraciones, como ajustar las tasas de aprendizaje, los tamaños de lote y las técnicas de preprocesamiento de imágenes, para lograr una precisión óptima. Dado que hay mucho en juego en la atención médica y la precisión y la fiabilidad son fundamentales, el seguimiento manual de cada experimento puede volverse rápidamente inmanejable.
La integración de MLflow aborda este desafío registrando automáticamente los parámetros, las métricas y los artefactos de cada experimento. Por ejemplo, si modifica la tasa de aprendizaje o aplica una nueva estrategia de aumento de datos, MLflow registra estos cambios junto con las métricas de rendimiento. Además, MLflow guarda las configuraciones y los pesos del modelo entrenado, lo que garantiza que los modelos exitosos puedan reproducirse y desplegarse fácilmente.
Este es solo un ejemplo de cómo la integración de MLflow mejora la gestión de experimentos en aplicaciones de Visión Artificial. Las mismas características se aplican a otras aplicaciones de visión artificial, incluyendo:
La integración de MLflow con los modelosYOLO 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:
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.
Ya sea que estés trabajando en soluciones de atención médica como la detección de tumores, mejorando los sistemas de conducción autónoma o mejorando el análisis minorista, esta integración ayuda a mantener todo organizado y reproducible. Con su interfaz intuitiva y flexibilidad, MLflow permite a los desarrolladores centrarse en la creación de mejores modelos e impulsar la innovación en las aplicaciones de Vision AI.
Únase a nuestra comunidad y consulte nuestro repositorio de GitHub para obtener información sobre la IA. También puede explorar más aplicaciones de la visión artificial en la fabricación o la IA en los coches autónomos en nuestras páginas de soluciones.
.webp)