Weights & Biases

Weights & Biases (a menudo abreviado como W&B o WandB) es una destacada plataforma para desarrolladores diseñada para agilizar las operaciones de aprendizaje automático (MLOps). Sirve como un sistema centralizado de registro para ingenieros de aprendizaje automático y científicos de datos, permitiéndoles track los experimentos, visualizar el rendimiento de los modelos y gestionar los conjuntos de datos. En el complejo ciclo de vida del aprendizaje automático, es difícil hacer un track de cada W&B lo resuelve registrando automáticamente las métricas y organizándolas en paneles interactivos. en paneles interactivos. Esto permite a los equipos comparar diferentes ejecuciones de entrenamiento, garantizar la reproducibilidad y colaborar eficazmente en proyectos que van desde la investigación académica a la a escala empresarial.

Distinguir la plataforma de los conceptos

Para entender la herramienta, es esencial diferenciarla de los conceptos fundamentales de las redes neuronales (NN) que le dan nombre. conceptos fundamentales de las redes neuronales (NN ) que le dan nombre.

• Weights & Biases (la plataforma): Se refiere al servicio de software y biblioteca que actúa como una herramienta integral de seguimiento de experimentos. Se integra con para supervisar el proceso de formación, gestionar los recursos del sistema y almacenar los artefactos del modelo.
• Pesos (el parámetro): En el contexto del aprendizaje profundo los pesos del modelo son los coeficientes aprendibles que transforman los datos de entrada dentro de las capas de la red. Determinan la fuerza de la conexión entre neuronas.
• Sesgos (El parámetro): Son valores adicionales aprendibles que permiten que la función de activación a la izquierda o a la derecha, ayudando al modelo a ajustarse mejor a los datos mediante un desplazamiento.

Mientras que los parámetrosweights and biases) son los componentes matemáticos optimizados durante el entrenamiento mediante descenso de gradiente estocástico (SGD), la plataformaWeights & Biases) es la utilidad utilizada para observar y analizar ese proceso de optimización.

Principales funciones y aplicaciones

La plataforma W&B ofrece un conjunto de herramientas que abordan retos específicos en el desarrollo de inteligencia artificial flujo de trabajo.

• Seguimiento de experimentos: Los desarrolladores pueden registrar métricas dinámicas como la función de pérdida y la precisión a lo largo del tiempo. Esto ayuda a identificar problemas como el sobreajuste, cuando un modelo aprende demasiado bien los datos de entrenamiento pero no consigue generalizar.
• Ajuste de hiperparámetros: Encontrar la mejor configuración para un modelo -como la velocidad de aprendizaje, el tamaño del lote o la arquitectura de red, se simplifica W&B Sweeps, que automatiza la búsqueda de valores óptimos. óptimos.
• Versionado de datos y modelos: A través de W&B Artifacts, los equipos pueden track el linaje de sus datos y modelos guardados. Esto garantiza que cualquier resultado pueda reproducirse recuperando la versión exacta de los datos de formación y el código utilizados. datos de entrenamiento y el código utilizado.
• Visualización interactiva: La plataforma renderiza medios enriquecidos, permitiendo a los usuarios ver predecir en imágenes o superponer máscaras de segmentación, lo que facilita visualización y depuración de datos.

Ejemplos reales de integración

Weights & Biases se utiliza ampliamente en sectores que requieren una validación rigurosa de los modelos y un desarrollo colaborativo.

• Detección de objetos en automóviles: Un equipo que desarrolle tecnología de conducción autónoma podría utilizar Ultralytics YOLO11 para detect peatones y vehículos. Mediante integración de W&B, pueden visualizar predicciones de datos de validación épocas. Esto les permite detectar casos de fallo específicos como las detecciones fallidas en condiciones de poca luz, y ajustar su estrategia de aumento de datos en consecuencia.
• Análisis de imágenes médicas: Los investigadores que trabajan en AI en la atención sanitaria utilizan W&B para mantener un registro preciso de experimentos cuando entrenan modelos para la detección de tumores. Dada la naturaleza crítica del campo la utilización de herramientas de track métricas como recall y precisión es vital para el cumplimiento de la normativa y garantizar la seguridad de los pacientes.

Implantación de W&B con Ultralytics

Integración de Weights & Biases con marcos modernos como PyTorch o librerías específicas como Ultralytics es sencilla. La librería detecta automáticamente la presencia de W&B y registra métricas clave sin necesidad de código código repetitivo.

El siguiente ejemplo muestra cómo entrenar un modelo YOLO11 mientras se registra automáticamente la ejecución en Pesos y Sesgos. Asegúrese de haber ejecutado pip install wandb y autenticado mediante wandb login en su terminal antes de ejecutar el script.

from ultralytics import YOLO

# Initialize the YOLO11 model using pre-trained weights
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
# If 'wandb' is installed and logged in, training metrics are automatically
# uploaded to the Weights & Biases dashboard.
results = model.train(data="coco8.yaml", epochs=5, project="Ultralytics-WandB-Demo", name="yolo11-experiment")

Esta integración captura métricas del sistema, como GPU y las métricas del modelo, proporcionando una visión completa del rendimiento del entrenamiento. Para obtener información más detallada, los usuarios pueden consultar la guía de integración deUltralytics para lo que se registra.