Registra experimentos de Ultralytics YOLO con la integración de MLflow

Puedes pensar en un proyecto de visión artificial como si fuera un puzle. Básicamente, enseñas a las máquinas a comprender datos visuales reuniendo las piezas del puzle, como recopilar un conjunto de datos, entrenar un modelo e implementarlo. Cuando todo encaja, obtienes un sistema capaz de analizar y comprender imágenes y vídeos de forma eficaz.

Pero, al igual que ocurre con un puzle de verdad, no todas las partes de un proyecto de visión artificial son sencillas. Tareas como el seguimiento de experimentos (llevar un registro de tus ajustes, configuraciones y datos) y el registro (recopilar resultados y métricas de rendimiento) pueden llevar mucho tiempo y esfuerzo. Aunque estos pasos son fundamentales para mejorar y perfeccionar los modelos de visión artificial, a veces pueden convertirse en un cuello de botella.

Aquí 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 artificial, como la detección de objetos, la segmentación de instancias y la clasificación de imágenes. Estas capacidades permiten desarrollar numerosas aplicaciones de visión artificial. La posibilidad de utilizar integraciones como la de MLflow permite a los ingenieros de visión centrarse en el modelo, en lugar de quedar atrapados en los detalles.

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

¿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, implementación y mantenimiento de modelos de aprendizaje automático.

MLflow incluye los siguientes componentes principales:

• 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. 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 llevar un seguimiento de las 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.
• Implementación de modelos: MLflow proporciona herramientas para implementar rápidamente tus modelos entrenados en estaciones de trabajo o plataformas en la nube como AWS y Azure, y dejarlos listos para su uso en el mundo real.

Fig. 1. Componentes de MLflow.

Los componentes de MLflow facilitan y hacen más eficiente la gestión del proceso de aprendizaje automático. Gracias a esta integración, Ultralytics permite utilizar la función de seguimiento de experimentos de MLflow para registrar parámetros, métricas y artefactos mientras entrenas modelos YOLO. Así resulta sencillo hacer un seguimiento de las distintas versiones de los modelos YOLO y compararlas.

La integración de MLflow agiliza el entrenamiento#

Ahora que ya hemos explicado qué es MLflow, veamos los detalles de la integración de MLflow y las funciones que ofrece.

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

Veamos más de cerca cada tipo de registro:

• Registro de métricas: Las métricas son valores cuantitativos que miden el rendimiento de tu modelo durante el entrenamiento. Por ejemplo, se realiza un seguimiento de métricas como la precisión, la precisión positiva, la exhaustividad o la pérdida al final de cada época (un recorrido completo 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 al rendimiento de tu modelo.
• Registro de artefactos: Los artefactos son los resultados o archivos generados durante el entrenamiento. Incluyen 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 principales de registro de la integración de MLflow. Imagen del autor.

Cómo funciona la integración de MLflow#

Puedes consultar la documentación de Ultralytics para seguir las instrucciones paso a paso y activar la integración de MLflow. Una vez configurada, la integración realiza un seguimiento y registra automáticamente los datos clave de tus experimentos de entrenamiento, como hemos explicado antes. Así no tendrás que hacer un seguimiento manual y podrás centrarte en perfeccionar tus modelos.

Con la integración de MLflow, todas tus ejecuciones de entrenamiento se guardan en un mismo lugar, lo que facilita comparar los resultados y evaluar distintas configuraciones. Al comparar los resultados registrados, puedes identificar las configuraciones con mejor rendimiento y aprovechar esos conocimientos para mejorar tus modelos. Así, tu flujo de trabajo será más eficiente, estará mejor documentado y será reproducible.

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

Por ejemplo, si pruebas varias tasas de aprendizaje o tamaños de lote con Ultralytics YOLOv8, todas las ejecuciones relacionadas se agrupan en el mismo experimento para que puedas compararlas y analizarlas fácilmente, como se muestra a continuación.

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

Por su parte, en el nivel de cada ejecución, MLflow ofrece información detallada sobre la sesión de entrenamiento concreta. Puedes consultar métricas como la precisión, la pérdida y la precisión positiva a lo largo de las épocas, revisar los parámetros de entrenamiento utilizados (p. ej., 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 datos se almacenan de forma organizada, por lo que es fácil volver a consultar o reproducir cualquier ejecución.

Elegir la integración de MLflow: por qué destaca#

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

Como también hay herramientas de seguimiento de métricas y visualización de resultados en integraciones como TensorBoard, es importante entender qué características únicas hacen destacar a la integración de MLflow.

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

• Interfaz fácil de usar: El panel de MLflow facilita la visualización de experimentos, la comparación de ejecuciones y el análisis de resultados, para que identifiques 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 detallados y adaptados a las necesidades de cada 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 diversos procesos de aprendizaje automático.

Aplicaciones prácticas de Ultralytics YOLO11 y la integración de MLflow#

Para entender mejor cuándo puedes usar la integración de MLflow, veamos una aplicación de IA en el sector sanitario en la que necesitas entrenar Ultralytics YOLO11 para detectar tumores en imágenes de rayos X o de tomografía computarizada.

En ese escenario, el conjunto de datos estaría formado por imágenes médicas anotadas. Tendrías que probar distintas configuraciones, como ajustar las tasas de aprendizaje y los tamaños de lote, así como las técnicas de preprocesamiento de imágenes, para alcanzar una precisión óptima. Dado que hay mucho en juego en el sector sanitario y que la precisión y la fiabilidad son fundamentales, el seguimiento manual de cada experimento puede volverse inmanejable rápidamente.

Fig. 4. Detección de tumores con Ultralytics YOLO11.

La integración de MLflow resuelve este problema 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 esos 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 que dan buenos resultados se puedan reproducir e implementar fácilmente.

Este es solo un ejemplo de cómo la integración de MLflow mejora la gestión de experimentos en aplicaciones de IA visual. Las mismas funciones se aplican a otras aplicaciones de visión artificial, como:

• 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 del comercio minorista: Los modelos de detección de objetos pueden supervisar el comportamiento de los clientes, hacer un seguimiento de la ubicación de los productos y optimizar el inventario mediante el análisis de la actividad en tienda a través de secuencias de vídeo.
• Seguridad y vigilancia: Los modelos se pueden entrenar para detectar anomalías o supervisar la actividad en tiempo real en zonas sensibles y reforzar la seguridad.

Ventajas de la integración de MLflow#

La integración de MLflow con los modelos YOLO facilita y agiliza 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:

• Se adapta a proyectos grandes: La plataforma gestiona varios experimentos y modelos de forma eficiente, por lo que es adecuada para equipos grandes y flujos de trabajo complejos.
• Historial detallado de experimentos: La plataforma conserva un historial completo de los experimentos, para que puedas volver a consultar ejecuciones anteriores, analizar configuraciones previas y aprender de los resultados obtenidos.
• Opciones para desactivar y restablecer: Puedes desactivar fácilmente el registro de MLflow cuando no lo necesites y restablecer los ajustes predeterminados, lo que te da flexibilidad para adaptarte a distintos requisitos de flujo de trabajo.

Conclusiones clave#

La integración de MLflow facilita y agiliza la gestión y optimización de los experimentos de Ultralytics YOLO. Al realizar automáticamente un seguimiento de datos clave, como los parámetros, las métricas y los artefactos, simplifica el proceso y elimina las complicaciones de gestionar los experimentos manualmente.

Tanto si trabajas en soluciones sanitarias, como la detección de tumores, como si mejoras sistemas de conducción autónoma o la analítica del comercio minorista, esta integración te ayuda a mantenerlo todo organizado y reproducible. Gracias a su interfaz intuitiva y su flexibilidad, MLflow permite a los desarrolladores centrarse en crear mejores modelos e impulsar la innovación en aplicaciones de IA visual.

Únete a nuestra comunidad y echa un vistazo a nuestro repositorio de GitHub para aprender sobre IA. También puedes descubrir más aplicaciones de la visión artificial en la fabricación o la IA en los coches autónomos en nuestras páginas de soluciones.