Weights & Biases

Weights & Biases (W&B, o wandb por su paquete de Python) es una plataforma para desarrolladores de operaciones de aprendizaje automático (MLOps) que registra, visualiza y compara ejecuciones de entrenamiento de modelos. Unas pocas líneas en un script de entrenamiento de PyTorch o de otra tecnología envían al panel alojado la configuración de cada ejecución, como la tasa de aprendizaje y el tamaño del lote, junto con las métricas, las estadísticas de la GPU y los archivos de salida. Los equipos comparan experimentos, reproducen resultados y rastrean qué datos y ajustes generaron cada modelo. Además del seguimiento de experimentos, W&B ofrece ajuste de hiperparámetros, control de versiones de conjuntos de datos y modelos, un registro de modelos y, mediante su producto Weave, trazabilidad y evaluación de aplicaciones de modelos de lenguaje grandes (LLM). El proveedor de servicios en la nube para GPU CoreWeave completó la adquisición de Weights & Biases en mayo de 2025, y la documentación de W&B está ahora en el sitio de documentación de CoreWeave.

Funciones principales#

• Experimentos: wandb.init() inicia una ejecución y guarda su configuración, mientras que wandb.log() registra métricas, imágenes y tablas en cada paso. El SDK también toma muestras de métricas del sistema, como el uso de la GPU y la memoria, lo que permite detectar cuellos de botella en la carga de datos.
• Barridos: Búsquedas automatizadas de hiperparámetros con métodos de cuadrícula, aleatorios o bayesianos, con agentes que ejecutan pruebas en paralelo en muchos equipos y la opción de detener pronto las ejecuciones que van mal.
• Artefactos: Conjuntos de datos, checkpoints de modelos y otros archivos con control de versiones, además de gráficos de linaje que muestran qué ejecución utilizó o generó cada versión.
• Registro: Catálogo seleccionado de versiones aprobadas de modelos y conjuntos de datos que los equipos preparan para su despliegue.
• Informes: Documentos que se pueden compartir y que combinan gráficos actualizados de las ejecuciones con análisis escritos.
• Weave: Trazabilidad, evaluación y seguimiento de costes para aplicaciones de LLM y agentes.

Un barrido separa la búsqueda del entrenamiento: un controlador mantiene el estado de la búsqueda y propone configuraciones, mientras que cualquier número de agentes puede obtenerlas, entrenar y devolver la métrica objetivo.

Uso de W&B con Ultralytics YOLO#

Ultralytics YOLO incluye una integración con W&B desactivada de forma predeterminada. Una vez habilitada en los ajustes de Ultralytics, cada ejecución de entrenamiento registra la lista completa de argumentos, las pérdidas y las tasas de aprendizaje de cada época, las métricas de validación como la precisión, la exhaustividad y la precisión media promedio (mAP), así como los gráficos que guarda. Al terminar, sube best.pt como artefacto del modelo, junto con curvas interactivas de precisión-exhaustividad y confianza. Más adelante, esos artefactos best.pt se pueden importar a Ultralytics Platform para realizar predicciones, exportarlos o desplegarlos.

import os

from ultralytics import YOLO, settings

# Registra localmente sin una clave de API; sube los datos más tarde con «wandb sync» o ejecuta «wandb login» y elimina esta línea
os.environ["WANDB_MODE"] = "offline"

# Activa la callback integrada de W&B (requiere «pip install wandb»; se guarda en el archivo de configuración de Ultralytics)
settings.update({"wandb": True})

# project y name se convierten en los nombres del proyecto y de la ejecución de W&B
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=5, project="yolo26-experiments", name="baseline")

Las ejecuciones de entrenamiento que comparten project y difieren en name aparecen una al lado de la otra en un mismo proyecto de W&B, así que puedes comparar en un único panel ejecuciones con distintos tamaños de modelo, tamaños de imagen o ajustes de aumento de datos.

W&B y términos relacionados#

• Pesos y sesgos del modelo: El nombre de la plataforma alude a los parámetros aprendibles de una red neuronal. Los pesos escalan las entradas de cada neurona; los sesgos desplazan su salida antes de la función de activación, y la retropropagación actualiza ambos. La plataforma puede registrar sus distribuciones y gradientes durante el entrenamiento.
• MLflow: Plataforma de código abierto para hacer seguimiento de modelos, empaquetarlos y registrarlos, que los equipos suelen alojar por su cuenta. W&B es principalmente un servicio gestionado, aunque ofrece opciones de alojamiento propio para empresas.
• TensorBoard: Herramienta de visualización local para los registros de entrenamiento de PyTorch y TensorFlow, sin las funciones de colaboración alojada, barridos o registro de W&B.