Registra experimentos de Ultralytics YOLO mediante la integración de MLflow

Puedes pensar en un proyecto de visión por ordenador como si fuera un rompecabezas. Básicamente, enseñas a las máquinas a entender datos visuales uniendo las piezas del rompecabezas, como recopilar un conjunto de datos, entrenar un modelo y desplegarlo. Cuando todo encaja, obtienes un sistema capaz de analizar e interpretar imágenes y vídeo de forma eficaz.

Pero, al igual que en un rompecabezas real, no todas las partes de un proyecto de visión por ordenador son sencillas. Tareas como el seguimiento de experimentos (llevar un registro de tus ajustes, configuraciones y datos) y el registro (capturar resultados y métricas de rendimiento) pueden requerir mucho tiempo y esfuerzo. Aunque estos pasos son fundamentales para mejorar y perfeccionar tus modelos de visión por ordenador, a veces pueden convertirse en un cuello de botella.

Ahí es donde entran en juego los modelos Ultralytics YOLO y su integración con MLflow. Modelos como Ultralytics YOLO11 admiten una amplia variedad de tareas de visión por ordenador, incluida la detección de objetos, la segmentación de instancias y la clasificación de imágenes. Estas capacidades permiten crear aplicaciones de visión por ordenador innovadoras. Poder recurrir a integraciones como la integración con MLflow permite a los ingenieros de visión centrarse en el propio modelo, en lugar de atascarse en los detalles.

En concreto, la integración con MLflow simplifica el proceso al registrar diversas métricas, parámetros y artefactos durante todo el proceso de entrenamiento. En este artículo, veremos cómo funciona la integración con MLflow, cuáles son sus ventajas y cómo puedes utilizarla para optimizar tus flujos de trabajo con Ultralytics YOLO.

¿Qué es MLflow?#

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 desarrollar, desplegar y mantener modelos de aprendizaje automático.

MLflow incluye los siguientes componentes clave:

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

Fig. 1. Componentes de MLflow.

Los componentes de MLflow hacen que el proceso de aprendizaje automático sea más fácil y eficiente de gestionar. Mediante esta integración, Ultralytics permite utilizar la función de seguimiento de experimentos de MLflow para registrar parámetros, métricas y artefactos mientras entrenas modelos YOLO. Esto facilita el seguimiento y la comparación de distintas versiones de modelos YOLO.

La integración con MLflow optimiza el entrenamiento#

Ahora que hemos explicado qué es MLflow, vamos a profundizar en los detalles de la integración con MLflow y las funciones que ofrece.

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

Veamos con más detalle cada tipo de registro:

• Registro de métricas: Las métricas son valores cuantitativos que miden el rendimiento de tu modelo durante el entrenamiento. Por ejemplo, métricas como la precisión, la precisión positiva, la exhaustividad o la pérdida se registran al final de cada época (un recorrido completo por tu 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 al 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 aprende tu modelo durante el entrenamiento), los archivos de configuración (que almacenan los ajustes de entrenamiento) y otros datos relevantes.

Fig. 2. Funciones clave de registro de la integración con MLflow. Imagen del autor.

Cómo funciona la integración con MLflow#

Puedes consultar la documentación de Ultralytics para seguir las instrucciones paso a paso y activar la integración con MLflow. Una vez configurada, la integración realiza un seguimiento y registra automáticamente los detalles clave de tus experimentos de entrenamiento, como se ha explicado anteriormente. Esto elimina la necesidad de realizar un seguimiento manual y te ayuda a centrarte en perfeccionar tus modelos.

Con la integración con MLflow, todas tus ejecuciones de entrenamiento se almacenan en un mismo lugar, lo que facilita la comparación de resultados y la evaluación de distintas configuraciones. Al comparar los resultados registrados, puedes identificar las configuraciones con mejor rendimiento y utilizar esas conclusiones para mejorar tus modelos. Esto garantiza que tu flujo de trabajo sea más eficiente, esté mejor documentado y sea reproducible.

En concreto, cada sesión de entrenamiento se organiza en un experimento, que actúa como contenedor de varias ejecuciones. Dentro de un experimento, puedes ver todas las ejecuciones asociadas, comparar su rendimiento una junto a otra y analizar tendencias entre distintas configuraciones.

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

Fig. 3. Puedes ver los experimentos mediante la integración con MLflow.

Mientras tanto, en el nivel de cada ejecución, MLflow proporciona información detallada sobre la sesión de entrenamiento específica. Puedes ver métricas como la precisión, la pérdida y la precisión positiva a lo largo de las épocas, consultar los parámetros de entrenamiento utilizados (p. ej., 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 volver a consultar o reproducir cualquier ejecución.

Elegir la integración con MLflow: por qué destaca#

Al consultar la documentación de Ultralytics y explorar las integraciones disponibles, puede que te preguntes: ¿Qué diferencia a la integración con MLflow y por qué debería elegirla para mi flujo de trabajo?

Dado que integraciones como TensorBoard también proporcionan herramientas para realizar un seguimiento de las métricas y visualizar los resultados, es importante entender las cualidades únicas que hacen que la integración con MLflow destaque.

Estas son las razones por las que MLflow podría ser la opción ideal para tus proyectos YOLO:

• Interfaz fácil de usar: El panel de MLflow facilita la visualización de experimentos, la comparación de ejecuciones y el análisis de resultados, lo que te ayuda 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 y específicos para las necesidades de su proyecto.
• Compatibilidad con flujos de trabajo multilingües: MLflow es compatible con varios lenguajes de programación, incluidos Python, R y Java, lo que facilita su integración en diversas canalizaciones de aprendizaje automático.

Aplicaciones prácticas de Ultralytics YOLO11 y la integración con MLflow#

Para comprender mejor cuándo puedes utilizar la integración con MLflow, considera una aplicación de IA en el ámbito sanitario en la que necesites entrenar Ultralytics YOLO11 para detectar tumores en imágenes de rayos X o de tomografías computarizadas.

En este escenario, el conjunto de datos estaría compuesto por imágenes médicas anotadas. Tendrías 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 en el ámbito sanitario hay mucho en juego y la precisión y la fiabilidad son fundamentales, realizar un seguimiento manual de cada experimento puede volverse rápidamente inmanejable.

Fig. 4. Detección de tumores mediante Ultralytics YOLO11.

La integración con MLflow aborda este reto al registrar automáticamente los parámetros, las métricas y los artefactos de cada experimento. Por ejemplo, si modificas la tasa de aprendizaje o aplicas una nueva estrategia de aumento de datos, MLflow registra estos cambios junto con las métricas de rendimiento. Además, MLflow guarda los pesos y las configuraciones del modelo entrenado, lo que garantiza que los modelos que funcionan correctamente se puedan reproducir y desplegar fácilmente.

Este es solo un ejemplo de cómo la integración con MLflow mejora la gestión de experimentos en aplicaciones de IA de visión. Las mismas funciones se aplican a otras aplicaciones de visión por ordenador, entre ellas:

• Conducción autónoma: Ultralytics YOLO11 se puede utilizar para detectar y clasificar peatones, vehículos y señales de tráfico en tiempo real con el fin de mejorar la seguridad y la eficiencia de los sistemas de conducción autónoma.
• Analítica minorista: Los modelos de detección de objetos pueden supervisar el comportamiento de los clientes, realizar un seguimiento de la colocación de productos y optimizar el inventario mediante el análisis de la actividad en las tiendas a través de transmisiones de vídeo.
• Seguridad y vigilancia: Los modelos se pueden entrenar para detectar anomalías o supervisar la actividad en tiempo real en zonas sensibles con el fin de mejorar la seguridad.

Ventajas de la integración con MLflow#

La integración con MLflow y los modelos YOLO facilita y hace más eficiente la gestión de experimentos de aprendizaje automático. Al automatizar tareas clave y mantenerlo todo organizado, te permite centrarte en crear y mejorar tus modelos. Estas son sus principales ventajas:

• Escalabilidad para proyectos grandes: La plataforma gestiona varios experimentos y modelos de forma eficiente, por lo que resulta adecuada para equipos grandes y flujos de trabajo complejos.
• Historial detallado de experimentos: La plataforma mantiene un historial completo de los experimentos, lo que te permite volver a consultar ejecuciones anteriores, analizar configuraciones previas y aprender de resultados anteriores.
• Opciones para desactivar y restablecer: El registro de MLflow se puede desactivar fácilmente cuando no se necesita y los ajustes se pueden restablecer a sus valores predeterminados, lo que ofrece flexibilidad para adaptarse a distintos requisitos del flujo de trabajo.

Conclusiones clave#

La integración con MLflow facilita y hace más eficiente la gestión y optimización de los experimentos de Ultralytics YOLO. Al realizar un seguimiento automático de detalles clave, como parámetros, métricas y artefactos, simplifica el proceso y elimina las molestias de gestionar experimentos manualmente.

Tanto si trabajas en soluciones sanitarias, como la detección de tumores, como si mejoras sistemas de conducción autónoma o perfeccionas la analítica minorista, esta integración ayuda a mantenerlo 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 aplicaciones de IA de visión.

Únete a nuestra comunidad y consulta nuestro repositorio de GitHub para aprender sobre IA. También puedes explorar más aplicaciones de la visión por ordenador en la fabricación o de la IA en los coches autónomos en nuestras páginas de soluciones.