Registra experimentos de Ultralytics YOLO usando la integración de MLflow

Puedes pensar en un proyecto de visión artificial como si fuera un rompecabezas. Básicamente, enseñas a las máquinas a comprender datos visuales juntando las piezas del puzle, como la recopilación de un conjunto de datos, el entrenamiento de un modelo y su despliegue. Cuando todo encaja, obtienes un sistema capaz de analizar y dar sentido a imágenes y 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 (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 clave para mejorar y perfeccionar tus modelos de visión artificial, a veces pueden sentirse como un cuello de botella.

Ahí es donde entran en juego los modelos de Ultralytics YOLO y su integración con MLflow. Modelos como Ultralytics YOLO11 admiten una amplia gama de tareas de visión artificial, incluidas la detección de objetos, la segmentación de instancias y la clasificación de imágenes. Estas capacidades permiten la creación de aplicaciones de visión artificial apasionantes. Tener la opción de confiar en integraciones como la de MLflow permite a los ingenieros de visión centrarse en el modelo en sí, en lugar de perderse en los detalles.

En particular, la integración con MLflow simplifica el proceso al registrar diversas métricas, parámetros y artefactos a lo largo del proceso de entrenamiento. En este artículo, exploraremos cómo funciona la integración con MLflow, sus ventajas y cómo puedes utilizarla para optimizar tus flujos de trabajo de Ultralytics YOLO.

Link to this section¿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 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 realizar un seguimiento de diferentes versiones y organizarlas por etapas como pruebas, puesta en escena y producción.
• Empaquetado de proyectos: MLflow facilita la agrupación de tus proyectos de aprendizaje automático, incluyendo el código, la configuración y las herramientas necesarias, para que puedan compartirse y utilizarse 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 el mundo real.

Fig 1. Componentes de MLflow.

Los componentes de MLflow hacen que el proceso de aprendizaje automático sea más fácil y eficiente de gestionar. A través de esta integración, Ultralytics hace posible utilizar la función de seguimiento de experimentos de MLflow para registrar parámetros, métricas y artefactos durante el entrenamiento de modelos YOLO. Esto hace que sea sencillo realizar un seguimiento y comparar diferentes versiones de modelos YOLO.

Link to this sectionLa integración con MLflow agiliza el entrenamiento#

Ahora que hemos cubierto qué es MLflow, profundicemos en los detalles de la integración con MLflow y las características 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 automático de aspectos importantes de tus experimentos de visión artificial. Facilita tres tipos principales de registro: métricas, parámetros y artefactos.

Aquí tienes un análisis más detallado de 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 precisión, exactitud, exhaustividad (recall) o pérdida se registran al final de cada época (una pasada completa por tu conjunto de datos).
• Registro de parámetros: los parámetros son los ajustes que defines antes de comenzar 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 las salidas 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), archivos de configuración (que almacenan los ajustes de entrenamiento) y otros datos relevantes.

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

Link to this sectionCómo funciona la integración con MLflow#

Puedes explorar la documentación de Ultralytics para obtener instrucciones paso a paso sobre cómo habilitar la integración con MLflow. Una vez configurada, la integración rastrea y registra automáticamente los detalles clave de tus experimentos de entrenamiento, como se mencionó anteriormente. Esto elimina la necesidad de realizar un seguimiento manual y te ayuda a mantenerte concentrado en perfeccionar tus modelos.

Con la integración con 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 mejor 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, puedes ver todas las ejecuciones asociadas, comparar su rendimiento una al lado de la otra y analizar tendencias en diferentes configuraciones.

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

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

Mientras tanto, a nivel de ejecución individual, MLflow proporciona información detallada sobre la sesión de entrenamiento específica. Puedes ver métricas como precisión, pérdida y exactitud a lo largo de las épocas, verificar 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 volver a visitar o reproducir cualquier ejecución.

Link to this sectionElegir la integración con MLflow: por qué destaca#

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

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

He aquí por qué MLflow podría ser la opción ideal para tus 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, ayudándote 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 un análisis más profundo específico para las necesidades de su proyecto.
• Soporte para flujos de trabajo en varios idiomas: MLflow es compatible con varios lenguajes de programación, incluidos Python, R y Java, lo que facilita su integración en diversos conductos de aprendizaje automático.

Link to this sectionAplicaciones prácticas de YOLO11 y la integración con MLflow#

Para obtener una comprensión más completa de cuándo puedes usar la integración con MLflow, consideremos una aplicación de IA en la atención sanitaria donde necesitas entrenar YOLO11 para detectar tumores en imágenes de rayos X o tomografías computarizadas.

En tal escenario, el conjunto de datos consistiría en imágenes médicas anotadas. Necesitarías 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 sanitaria y la precisión y fiabilidad son fundamentales, el seguimiento manual de cada experimento puede volverse difícil de gestionar rápidamente.

Fig 4. Detección de tumores mediante Ultralytics YOLO11.

La integración con MLflow aborda este desafío registrando automáticamente los parámetros, métricas y artefactos de cada experimento. Por ejemplo, si modificas la tasa de aprendizaje o aplicas una nueva estrategia de aumento, 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 exitosos puedan reproducirse y desplegarse 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 características se aplican a otras aplicaciones de visión artificial, incluyendo:

• Conducción autónoma: YOLO11 se puede utilizar para detectar y clasificar peatones, vehículos y señales de tráfico en tiempo real para mejorar la seguridad y la eficiencia de los sistemas de conducción autónoma.
• Análisis minorista: los modelos de detección de objetos pueden monitorizar el comportamiento del cliente, realizar un seguimiento de la colocación de productos y optimizar el inventario analizando la actividad en la tienda a través de transmisiones de vídeo.
• Seguridad y vigilancia: se pueden entrenar modelos para detectar anomalías o supervisar la actividad en tiempo real en áreas sensibles para reforzar la seguridad.

Link to this sectionVentajas de la integración con MLflow#

La integración de MLflow con modelos YOLO hace que la gestión de los experimentos de aprendizaje automático sea más fácil y eficiente. Al automatizar tareas clave y mantener todo organizado, te permite centrarte en crear y mejorar tus modelos. Aquí tienes un vistazo a las ventajas clave:

• Escalable para grandes proyectos: la plataforma maneja múltiples experimentos y modelos de manera eficiente, lo que la hace adecuada para equipos más grandes y flujos de trabajo complejos.
• Historial detallado de experimentos: la plataforma mantiene un historial completo de experimentos, lo que te permite revisar ejecuciones pasadas, analizar configuraciones anteriores y aprender de resultados anteriores.
• Opciones de desactivación y restablecimiento: el registro de MLflow se puede desactivar fácilmente cuando no sea necesario, y los ajustes se pueden restablecer a los valores predeterminados, ofreciendo flexibilidad para adaptarse a los diferentes requisitos del flujo de trabajo.

Link to this sectionConclusiones clave#

La integración con MLflow hace que la gestión y optimización de los experimentos de Ultralytics YOLO sean más fáciles y eficientes. Al realizar un 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 trabajas en soluciones de atención sanitaria como la detección de tumores, la mejora de sistemas de conducción autónoma o la mejora del análisis minorista, esta integración ayuda a mantener todo organizado y reproducible. Con su interfaz intuitiva y flexibilidad, MLflow permite a los desarrolladores centrarse en construir mejores modelos e impulsar la innovación en aplicaciones de IA de visión.

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