Cómo potenciar Ultralytics con Weights & Biases

Aquí tienes otro momento destacado de YOLO Vision 2023 (YV23), celebrado en el Google for Startups Campus de Madrid. La charla se centró en las operaciones de aprendizaje automático, un ámbito en el que Ultralytics y Weights & Biases colaboran para optimizar los flujos de trabajo de entrenamiento. Soumik Rakshit, ingeniero de aprendizaje automático en Weights & Biases, mostró cómo gestionar fácilmente los experimentos y los puntos de control de los modelos, así como visualizar los resultados de los experimentos.

Las ventajas de Weights & Biases: el sueño de cualquier desarrollador#

Weights & Biases es una plataforma de operaciones de aprendizaje automático (MLOps) pensada para desarrolladores, que permite hacer un seguimiento de los experimentos de aprendizaje automático, compararlos y compartirlos. Su conjunto de herramientas ayuda a los equipos a comprender y mejorar sus modelos.

Integración de Ultralytics con W&B#

En su charla, Soumik presentó el trabajo realizado en Weights & Biases para integrar sus funciones con Ultralytics YOLOv8, incluida la visualización de inferencias de detección de objetos, y mostró cómo puedes utilizar esta integración en tus propios flujos de trabajo de Ultralytics.

De la teoría a la práctica: una demostración en directo#

Soumik explicó un flujo de trabajo completo de detección de objetos, en el que utilizó un conjunto de datos alojado en Weights & Biases y entrenó un modelo con Ultralytics para mostrar cómo funcionan conjuntamente ambas plataformas.

Funciones clave del panel de Weights & Biases#

Weights & Biases también ofrece un panel en el que puedes visualizar la gráfica de entrenamiento y las métricas. Algunas de sus funciones clave son:

• Seguimiento de métricas en tiempo real: Supervisa en tiempo real métricas de rendimiento clave, como la precisión, la pérdida y las puntuaciones de validación, mientras se entrena tu modelo de aprendizaje profundo. Así podrás realizar ajustes a tiempo y conocer el comportamiento del modelo.
• Optimización de hiperparámetros: Utiliza herramientas automatizadas o técnicas manuales para ajustar hiperparámetros como la tasa de aprendizaje, el tamaño del lote y la arquitectura de la red, y optimizar el rendimiento y la convergencia del modelo.
• Visualización del progreso del entrenamiento: comprende mejor el comportamiento de tu modelo mediante la visualización del progreso del entrenamiento con gráficos, diagramas e histogramas, que aportan información sobre la dinámica del entrenamiento, el sobreajuste y los patrones de convergencia.
• Supervisión de recursos: controla el uso de recursos computacionales, como CPU, GPU y memoria, durante el entrenamiento del modelo para garantizar una asignación eficiente y evitar cuellos de botella que puedan perjudicar el rendimiento del entrenamiento.

Para obtener información detallada sobre cada función, consulta la sección del panel de Weights & Biases de la documentación de Ultralytics.

Conclusiones#

La charla de Soumik mostró cómo el seguimiento de experimentos con Weights & Biases facilita la gestión, la comparación y el intercambio de los entrenamientos de Ultralytics, tanto si eres un ingeniero de aprendizaje automático con experiencia como si acabas de empezar con la IA. Si ya haces un seguimiento de tus entrenamientos de YOLO en W&B, también puedes importar esos modelos a Ultralytics Platform.

Mira la charla completa en YouTube.