Explorer les intégrations Ultralytics YOLOv8 de suivi des expériences de ML

Collecter les données et les annoter, puis entraîner des modèles comme le modèle Ultralytics YOLOv8 constitue le cœur de tout projet de vision par ordinateur. Souvent, tu devras entraîner ton modèle personnalisé plusieurs fois avec différents paramètres afin de créer le modèle le plus optimal possible. Utiliser des outils pour suivre tes expériences d’entraînement peut faciliter quelque peu la gestion de ton projet de vision par ordinateur. Le suivi des expériences consiste à consigner les détails de chaque exécution d’entraînement, comme les paramètres utilisés, les résultats obtenus et les changements apportés en cours de route.

Fig. 1. Une image montrant comment le suivi des expériences s’intègre dans un projet de vision par ordinateur.

Conserver une trace de ces informations t’aide à reproduire tes résultats, à comprendre ce qui fonctionne ou non et à affiner tes modèles plus efficacement. Pour les organisations, cela contribue à maintenir la cohérence entre les équipes, favorise la collaboration et fournit une piste d’audit claire. Pour les particuliers, il s’agit de conserver une documentation claire et organisée de leur travail, afin d’affiner leur approche et d’obtenir de meilleurs résultats au fil du temps.

Dans cet article, nous allons te présenter les différentes intégrations d’entraînement disponibles pour gérer et surveiller tes expériences YOLOv8. Que tu travailles seul ou au sein d’une équipe plus importante, comprendre et utiliser les bons outils de suivi peut réellement influencer la réussite de tes projets YOLOv8.

Suivi des expériences de machine learning 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 aidant les data scientists et les ingénieurs à consigner 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 facilement à YOLOv8, et tu peux consigner des métriques importantes comme la précision, le rappel et la perte directement depuis tes modèles. Configurer MLflow avec YOLOv8 est simple, et plusieurs options flexibles sont disponibles : tu peux utiliser la configuration localhost par défaut, te connecter à différents magasins de données ou lancer un serveur de suivi MLflow distant pour tout garder organisé.

Fig. 2. Configurations courantes de l’environnement de suivi MLflow. Source de l’image : suivi MLflow.

Voici quelques éléments qui t’aideront à déterminer si MLflow est l’outil adapté à ton projet :

• Évolutivité : MLflow s’adapte bien à tes besoins, que tu travailles sur une seule machine ou que tu déploies sur de grands clusters. Si ton projet doit passer du développement à la production, MLflow peut accompagner cette croissance.
• Complexité du projet : MLflow convient parfaitement aux projets complexes qui nécessitent un suivi approfondi, la gestion des modèles et des fonctionnalités de déploiement. Si ton projet requiert toutes ces fonctionnalités à grande échelle, MLflow peut rationaliser tes workflows.
• Configuration et maintenance : Bien que puissant, MLflow implique une courbe d’apprentissage et une certaine charge de configuration.

Utiliser Weights & Biases (W&B) pour suivre les modèles de vision par ordinateur#

Weights & Biases est une plateforme MLOps destinée au suivi, à la visualisation et à la gestion des expériences de machine learning. En utilisant W&B avec YOLOv8, tu peux surveiller les performances de tes modèles pendant que tu les entraînes et les affines. Le tableau de bord interactif de W&B offre une vue claire et en temps réel de ces métriques, ce qui facilite l’identification des tendances, la comparaison des variantes de modèles et le diagnostic des problèmes pendant le processus d’entraînement.

W&B consigne automatiquement les métriques d’entraînement et les checkpoints des modèles, et tu peux même l’utiliser pour affiner des hyperparamètres comme le taux d’apprentissage et la taille des lots. La plateforme prend en charge un large éventail d’options de configuration, du suivi des exécutions sur ta machine locale à la gestion de projets de grande envergure avec un stockage cloud.

Fig. 3. Exemple de tableaux de bord de suivi des expériences de Weights & Biases. Source de l’image : suivi des expériences avec Weights & Biases.

Voici quelques éléments qui t’aideront à déterminer si Weights & Biases est l’outil adapté à ton projet :

• Visualisation et suivi améliorés : W&B fournit un tableau de bord intuitif pour visualiser en temps réel les métriques d’entraînement et les performances des modèles.
• Modèle tarifaire : La tarification repose sur les heures suivies, ce qui peut ne pas convenir aux utilisateurs disposant d’un budget limité ou aux projets impliquant de longues durées d’entraînement.

Suivi des expériences MLOps avec ClearML#

ClearML est une plateforme MLOps open source conçue pour automatiser, surveiller et orchestrer les workflows de machine learning. Elle prend en charge des frameworks de machine learning populaires comme PyTorch, TensorFlow et Keras, et peut facilement s’intégrer à tes 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 de suivi des expériences, de gestion des modèles et de surveillance des ressources. L’interface web intuitive de la plateforme te permet de visualiser les données, de comparer les expériences et de suivre en temps réel des métriques essentielles comme la perte, l’exactitude et les scores de validation. L’intégration prend également en charge des fonctionnalités avancées telles que l’exécution distante, l’optimisation des hyperparamètres et la gestion des checkpoints des modèles.

Fig. 4. Exemple de visualisations du suivi des expériences de ClearML. Source de l’image : suivi des expériences et visualisation des résultats avec Clear ML.

Voici quelques éléments qui t’aideront à déterminer si ClearML est l’outil adapté à ton projet :

• Besoin d’un suivi avancé des expériences : ClearML fournit un suivi robuste des expériences, avec une intégration automatique à 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 avec Comet ML#

Comet ML est une plateforme conviviale qui aide à gérer et à suivre les expériences de machine learning. L’intégration de YOLOv8 avec Comet ML te permet de consigner tes expériences et de consulter tes résultats au fil du temps. Cette intégration facilite l’identification des tendances et la comparaison de 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 à différents besoins. Cet outil est conçu pour le travail en équipe. Tu peux partager des projets, identifier tes coéquipiers et laisser des commentaires afin que tout le monde reste sur la même longueur d’onde et puisse reproduire les expériences avec précision.

Voici quelques éléments qui t’aideront à déterminer si Comet ML est l’outil adapté à ton projet :

• Prise en charge de plusieurs frameworks et langages : Comet ML fonctionne avec Python, JavaScript, Java, R et bien d’autres, ce qui en fait une option polyvalente quels que soient les outils ou les langages utilisés par ton projet.
• Tableaux de bord et rapports personnalisables : L’interface de Comet ML est hautement personnalisable, ce qui te permet de créer les rapports et les tableaux de bord les plus pertinents pour ton projet.
• Coût : Comet ML est une plateforme commerciale et certaines de ses fonctionnalités avancées nécessitent un abonnement payant.

TensorBoard peut t’aider à créer des visualisations#

TensorBoard est une puissante boîte à outils de visualisation spécialement conçue pour les expériences TensorFlow, mais c’est également un excellent outil pour suivre et visualiser les métriques de nombreux projets de machine learning. Réputé pour sa simplicité et sa rapidité, TensorBoard permet de suivre facilement les métriques clés et de visualiser les graphes des modèles, les embeddings et d’autres types de données.

L’un des principaux avantages d’utiliser TensorBoard avec YOLOv8 est qu’il est préinstallé, ce qui évite toute configuration supplémentaire. Autre avantage : TensorBoard peut fonctionner entièrement sur site. Cela est particulièrement important pour les projets soumis à des exigences strictes en matière de confidentialité des données ou menés dans des environnements où l’importation vers le cloud n’est pas possible.

Fig. 5. Surveillance de l’entraînement d’un modèle YOLOv8 avec TensorBoard.

Voici quelques éléments qui t’aideront à déterminer si TensorBoard est l’outil adapté à ton projet :

• Explicabilité avec l’outil What-If (WIT) : TensorBoard inclut l’outil What-If, qui propose une interface facile à utiliser pour explorer et comprendre les modèles de ML. Il est particulièrement utile si tu souhaites mieux comprendre les modèles boîtes noires et améliorer leur explicabilité.
• Suivi simple des expériences : TensorBoard convient parfaitement aux besoins de suivi de base, avec des possibilités limitées de comparaison des expériences, et ne dispose pas de fonctionnalités robustes de collaboration en équipe, de contrôle des versions et de gestion de la confidentialité.

Utiliser DVCLive (Contrôle de version des données en direct) pour suivre les expériences de ML#

L’intégration de YOLOv8 avec DVCLive fournit une méthode simplifiée pour suivre et gérer les expériences en versionnant ensemble tes jeux de données, tes modèles et ton code, sans stocker de fichiers volumineux dans Git. Elle utilise des commandes similaires à celles de Git et stocke les métriques suivies dans des fichiers texte brut pour faciliter le contrôle des versions. DVCLive consigne les métriques clés, visualise les résultats et gère proprement les expériences sans encombrer ton dépôt. Il prend en charge un large éventail de fournisseurs de stockage et peut fonctionner localement ou dans le cloud. DVCLive est idéal pour les équipes qui souhaitent simplifier le suivi des expériences sans infrastructure supplémentaire ni dépendances cloud.

Gérer les modèles et les workflows Ultralytics avec Ultralytics HUB#

Ultralytics HUB est une plateforme tout-en-un interne conçue pour simplifier l’entraînement, le déploiement et la gestion des modèles Ultralytics YOLO, comme YOLOv5 et YOLOv8. Contrairement aux intégrations externes, Ultralytics HUB offre une expérience native et fluide créée spécialement pour les utilisateurs de YOLO. Il simplifie l’ensemble du processus : tu peux facilement téléverser des jeux de données, choisir des modèles préentraînés et commencer l’entraînement en quelques clics à l’aide de ressources cloud, le tout depuis l’interface facile à utiliser de HUB. Ultralytics HUB prend également en charge le suivi des expériences, ce qui facilite la surveillance de la progression de l’entraînement, la comparaison des résultats et l’affinage des modèles.

Fig. 6. Surveillance de l’entraînement d’un modèle YOLOv8 avec Ultralytics HUB.

Points clés à retenir#

Choisir le bon outil pour suivre tes expériences de machine learning peut faire une grande différence. Tous les outils présentés peuvent t’aider à suivre les expériences d’entraînement YOLOv8, mais il est important d’évaluer les avantages et les inconvénients de chacun afin de trouver celui qui convient le mieux à ton projet. Le bon outil te permettra de rester organisé et contribuera à améliorer les performances de ton modèle YOLOv8 !

Les intégrations peuvent simplifier l’utilisation de YOLOv8 dans tes projets innovants et accélérer ta progression. Pour découvrir d’autres intégrations YOLOv8 intéressantes, consulte notre documentation.

Pour en savoir plus sur l’IA, explore notre dépôt GitHub et rejoins notre communauté. Consulte nos pages de solutions pour découvrir des informations détaillées sur l’IA dans l’industrie manufacturière et les soins de santé. 🚀