Explorer les intégrations de suivi d’expériences ML d’Ultralytics YOLOv8

La collecte de données, leur annotation et l'entraînement de modèles comme le modèle Ultralytics YOLOv8 sont au cœur de tout projet de vision par ordinateur. Souvent, vous devrez entraîner votre modèle personnalisé plusieurs fois avec différents paramètres pour créer le modèle le plus optimal. L'utilisation d'outils pour suivre vos expériences d'entraînement peut faciliter la gestion de votre projet de vision par ordinateur. Le suivi des expériences est le processus d'enregistrement des détails de chaque exécution d'entraînement - comme les paramètres que vous avez utilisés, les résultats que vous avez obtenus et les modifications que vous avez apportées en cours de route. 

‍

Garder une trace de ces détails vous aide à reproduire vos résultats, à comprendre ce qui fonctionne et ce qui ne fonctionne pas, et à affiner vos modèles plus efficacement. Pour les organisations, cela permet de maintenir la cohérence entre les équipes, de favoriser la collaboration et de fournir une piste d'audit claire. Pour les individus, il s'agit de maintenir une documentation claire et organisée de votre travail qui vous permet d'affiner votre approche et d'obtenir de meilleurs résultats au fil du temps. 

Dans cet article, nous vous présenterons les différentes intégrations d'entraînement disponibles pour gérer et surveiller vos expériences YOLOv8. Que vous travailliez seul ou au sein d'une équipe plus importante, comprendre et utiliser les bons outils de suivi peut faire une réelle différence dans le succès de vos projets YOLOv8.

Suivi des expériences d'apprentissage automatique avec MLflow

MLflow est une plateforme open source développée par Databricks qui facilite la gestion de l'ensemble du cycle de vie du machine learning. MLflow Tracking est un composant essentiel de MLflow qui fournit une API et une interface utilisateur qui aident les data scientists et les ingénieurs à enregistrer et à visualiser leurs expériences de machine learning. Il prend en charge plusieurs langages et interfaces, notamment les API Python, REST, Java et R. 

MLflow Tracking s'intègre parfaitement à YOLOv8, et vous pouvez enregistrer des métriques importantes comme la précision, le rappel et la perte directement depuis vos modèles. La configuration de MLflow avec YOLOv8 est simple, et il existe des options flexibles : vous pouvez utiliser la configuration localhost par défaut, vous connecter à différents magasins de données, ou démarrer un serveur de suivi MLflow distant pour que tout reste organisé.

‍

Voici quelques éléments à prendre en compte pour déterminer si MLflow est l'outil adapté à votre projet :

• Évolutivité : MLflow s'adapte à vos besoins, que vous travailliez sur une seule machine ou que vous déployiez sur de grands clusters. Si votre projet implique de passer du développement à la production, MLflow peut prendre en charge cette croissance.
  ‍
• Complexité du projet : MLflow est idéal pour les projets complexes qui nécessitent un suivi approfondi, une gestion des modèles et des capacités de déploiement. Si votre projet requiert ces fonctionnalités à grande échelle, MLflow peut rationaliser vos flux de travail.
  ‍
• Configuration et maintenance : Bien que puissant, MLflow implique une courbe d’apprentissage et des frais généraux de configuration. 

Utilisation de Weights & Biases (W&B) pour le suivi des modèles de vision par ordinateur

Weights & Biases est une plateforme MLOps pour le suivi, la visualisation et la gestion des expériences d'apprentissage automatique. En utilisant W&B avec YOLOv8, vous pouvez surveiller les performances de vos modèles pendant que vous les entraînez et les affinez. Le tableau de bord interactif de W&B offre une vue claire et en temps réel de ces métriques et facilite l'identification des tendances, la comparaison des variantes de modèles et le dépannage des problèmes pendant le processus d'entraînement.

W&B enregistre automatiquement les métriques d'entraînement et les points de contrôle du modèle, et vous pouvez même l'utiliser pour affiner les hyperparamètres tels que le taux d'apprentissage et la taille du lot. La plateforme prend en charge un large éventail d'options de configuration, du suivi des exécutions sur votre machine locale à la gestion de projets à grande échelle avec stockage en nuage.

‍

Voici quelques éléments à prendre en compte pour déterminer si Weights & Biases est l'outil adapté à votre projet :

• Visualisation et suivi améliorés : W&B fournit un tableau de bord intuitif pour visualiser les métriques d'entraînement et les performances du modèle en temps réel. 
  ‍
• Modèle de tarification : La tarification est basée sur les heures suivies, ce qui peut ne pas être idéal pour les utilisateurs ayant des budgets limités ou des projets qui impliquent de longs temps d’entraînement.

Suivi des expériences MLOps avec ClearML

ClearML est une plateforme MLOps open source conçue pour automatiser, surveiller et orchestrer les flux de travail d'apprentissage automatique. Elle prend en charge les frameworks d'apprentissage automatique populaires tels que PyTorch, TensorFlow et Keras, et peut s'intégrer facilement à vos processus existants. ClearML prend également en charge le calcul distribué sur des machines locales ou dans le cloud et peut surveiller l'utilisation du CPU et du GPU.

L'intégration de YOLOv8 avec ClearML fournit des outils pour le suivi des expériences, la gestion des modèles et la surveillance des ressources. L'interface utilisateur web intuitive de la plateforme vous permet de visualiser les données, de comparer les expériences et de suivre les métriques critiques telles que la perte, la précision et les scores de validation en temps réel. L'intégration prend également en charge des fonctionnalités avancées telles que l'exécution à distance, le réglage des hyperparamètres et le checkpointing des modèles.

‍

Voici quelques éléments à prendre en compte pour déterminer si ClearML est l'outil adapté à votre projet :

• Nécessité d'un suivi avancé des expériences : ClearML fournit un suivi robuste des expériences qui inclut l'intégration automatique avec Git.
  ‍
• Déploiement flexible : ClearML peut être utilisé sur site, dans le cloud ou sur des clusters Kubernetes, ce qui le rend adaptable à différentes configurations.

Suivre les expériences d'entraînement à l'aide de Comet ML

Comet ML est une plateforme conviviale qui aide à gérer et à suivre les expériences d'apprentissage automatique. L'intégration de YOLOv8 avec Comet ML vous permet d'enregistrer vos expériences et de visualiser vos résultats au fil du temps. L'intégration facilite l'identification des tendances et la comparaison des différentes exécutions. 

Comet ML peut être utilisé dans le cloud, sur un cloud privé virtuel (VPC), ou même sur site, ce qui le rend adaptable à différentes configurations et besoins. Cet outil est conçu pour le travail d'équipe. Vous pouvez partager des projets, identifier des coéquipiers et laisser des commentaires afin que chacun puisse rester sur la même longueur d'onde et reproduire les expériences avec précision.

Voici quelques éléments à prendre en compte pour déterminer si Comet ML est l'outil adapté à votre projet :

• Prend en charge plusieurs frameworks et langages : Comet ML fonctionne avec Python, JavaScript, Java, R, et plus encore, ce qui en fait une option polyvalente, quels que soient les outils ou les langages utilisés par votre projet.
  ‍
• Tableaux de bord et rapports personnalisables : L'interface de Comet ML est hautement personnalisable, vous pouvez donc créer les rapports et les tableaux de bord qui sont les plus pertinents pour votre projet.
  ‍
• Coût : Comet ML est une plateforme commerciale, et certaines de ses fonctionnalités avancées nécessitent un abonnement payant.

TensorBoard peut aider à la visualisation.

TensorBoard est une puissante boîte à outils de visualisation spécialement conçue pour les expériences TensorFlow, mais c'est aussi un excellent outil pour suivre et visualiser les métriques dans un large éventail de projets d'apprentissage automatique. Reconnu pour sa simplicité et sa rapidité, TensorBoard permet aux utilisateurs de suivre facilement les métriques clés et de visualiser les graphes de modèles, les embeddings et d'autres types de données.

L'un des principaux avantages de l'utilisation de TensorBoard avec YOLOv8 est qu'il est commodément préinstallé, ce qui élimine le besoin d'une configuration supplémentaire. Un autre avantage est la capacité de TensorBoard à fonctionner entièrement sur site. Ceci est particulièrement important pour les projets avec des exigences strictes en matière de confidentialité des données ou ceux dans des environnements où les téléchargements vers le cloud ne sont pas une option.

‍

Voici quelques éléments à prendre en compte pour déterminer si TensorBoard est l'outil adapté à votre projet :

• Explicabilité avec l'outil What-If (WIT) : TensorBoard comprend l'outil What-If, qui offre une interface facile à utiliser pour explorer et comprendre les modèles de ML. Il est précieux pour ceux qui cherchent à mieux comprendre les modèles de boîte noire et à améliorer l'explicabilité.
  ‍
• Suivi simple des expériences : TensorBoard est idéal pour les besoins de suivi de base avec une comparaison limitée des expériences et manque de fonctionnalités robustes de collaboration d’équipe, de contrôle de version et de gestion de la confidentialité.

Utilisation de DVCLive (Data Version Control Live) pour suivre les expériences de ML

L'intégration de YOLOv8 avec DVCLive offre un moyen simplifié de suivre et de gérer les expériences en versionnant vos ensembles de données, vos modèles et votre code ensemble sans stocker de fichiers volumineux dans Git. Il utilise des commandes de type Git et stocke les métriques suivies dans des fichiers texte brut pour un contrôle de version facile. DVCLive enregistre les métriques clés, visualise les résultats et gère les expériences proprement sans encombrer votre référentiel. Il prend en charge un large éventail de fournisseurs de stockage et peut fonctionner localement ou dans le cloud. DVCLive est parfait pour les équipes qui cherchent à rationaliser le suivi des expériences sans infrastructure supplémentaire ni dépendances cloud.

Gérer les modèles et les flux de travail Ultralytics à l'aide d'Ultralytics HUB

Ultralytics HUB est une plateforme interne tout-en-un conçue pour simplifier l'entraînement, le déploiement et la gestion des modèles Ultralytics YOLO tels que YOLOv5 et YOLOv8. Contrairement aux intégrations externes, Ultralytics HUB offre une expérience native et transparente créée spécifiquement pour les utilisateurs de YOLO. Il simplifie l'ensemble du processus, vous permettant de télécharger facilement des ensembles de données, de choisir des modèles pré-entraînés et de commencer l'entraînement en quelques clics à l'aide des ressources du cloud, le tout dans l'interface conviviale du HUB. UltralyticsHUB prend également en charge le suivi des expériences, ce qui facilite la surveillance de la progression de l'entraînement, la comparaison des résultats et le réglage fin des modèles.

‍

Principaux points à retenir

Choisir le bon outil pour suivre vos expériences d'apprentissage automatique peut faire une grande différence. Tous les outils dont nous avons parlé peuvent vous aider à suivre les expériences d'entraînement YOLOv8, mais il est important de peser le pour et le contre de chacun pour trouver celui qui convient le mieux à votre projet. Le bon outil vous permettra de rester organisé et d'améliorer les performances de votre modèle YOLOv8 ! 

Les intégrations peuvent simplifier l'utilisation de YOLOv8 dans vos projets innovants et accélérer vos progrès. Pour découvrir d'autres intégrations intéressantes de YOLOv8, consultez notre documentation.

Apprenez-en davantage sur l'IA en explorant notre dépôt GitHub et en rejoignant notre communauté. Consultez nos pages de solutions pour obtenir des informations détaillées sur l'IA dans les secteurs de la fabrication et de la santé. 🚀