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

Collecter des données, les annoter et 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 pour créer le modèle le plus optimal. Utiliser des outils pour suivre tes expériences d'entraînement peut faciliter la gestion de ton projet de vision par ordinateur. Le suivi d'expériences est le processus consistant à enregistrer les détails de chaque exécution d'entraînement, comme les paramètres que tu as utilisés, les résultats que tu as obtenus et tout changement que tu as effectué en cours de route.

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

Garder une trace de ces détails t'aide à reproduire tes résultats, à comprendre ce qui fonctionne et ce qui ne fonctionne pas, et à ajuster tes modèles plus efficacement. Pour les organisations, cela aide à maintenir la cohérence entre les équipes, favorise la collaboration et fournit une piste d'audit claire. Pour les individus, il s'agit de maintenir une documentation claire et organisée de ton travail qui te permet d'affiner ton approche et d'obtenir de meilleurs résultats au fil du temps.

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

Link to this sectionSuivi d'expériences de machine learning avec MLflow#

MLflow est une plateforme open-source développée par Databricks qui facilite la gestion du cycle de vie complet 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 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 avec YOLOv8, et tu peux consigner des métriques importantes telles que la précision, le rappel et la perte directement depuis tes modèles. Configurer MLflow avec YOLOv8 est simple, et il existe des options flexibles : tu peux utiliser la configuration localhost par défaut, te connecter à divers stockages de données ou démarrer un serveur de suivi MLflow distant pour garder tout bien organisé.

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

Voici quelques éléments pour t'aider à décider si MLflow est l'outil adapté à ton projet :

• Scalabilité : MLflow évolue bien avec tes besoins, que tu travailles sur une seule machine ou que tu déploies sur de grands clusters. Si ton projet implique de passer du développement à la production, MLflow peut accompagner 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 ton projet requiert ces fonctionnalités à grande échelle, MLflow peut rationaliser tes flux de travail.
• Configuration et maintenance : Bien que puissant, MLflow implique une courbe d'apprentissage et une surcharge de configuration.

Link to this sectionUtiliser 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 de machine learning. En utilisant W&B avec YOLOv8, tu peux surveiller les performances de tes modèles au fur et à mesure que tu les entraînes et les ajustes. 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 consigne automatiquement les métriques d'entraînement et les points de contrôle du modèle, et tu peux même l'utiliser pour ajuster des hyperparamètres comme 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 ta machine locale à la gestion de projets à grande échelle avec stockage cloud.

Fig 3. Un exemple des tableaux de bord de suivi d'expériences de Weights & Biases. Source de l'image : suivi d'expériences Weights & Biases.

Voici quelques éléments pour t'aider à décider si Weights & Biases est l'outil adapté à ton 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 avec des budgets limités ou des projets impliquant de longs temps d'entraînement.

Link to this sectionSuivi d'expériences MLOps avec ClearML#

ClearML est une plateforme MLOps open-source conçue pour automatiser, surveiller et orchestrer les flux de travail de machine learning. Elle prend en charge les frameworks de machine learning populaires tels que PyTorch, TensorFlow et Keras et peut s'intégrer facilement 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 pour le suivi des expériences, la gestion des modèles et la surveillance des ressources. L'interface utilisateur Web intuitive de la plateforme te permet de visualiser les données, de comparer les expériences et de suivre des métriques critiques comme 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 la mise en point de contrôle des modèles.

Fig 4. Un exemple des visualisations de suivi d'expériences de ClearML. Source de l'image : suivi d'expériences Clear ML et visualisation des résultats.

Voici quelques éléments pour t'aider à décider si ClearML est l'outil adapté à ton projet :

• Besoin d'un suivi d'expériences avancé : ClearML fournit un suivi d'expériences robuste qui inclut une 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.

Link to this sectionSuivre les expériences d'entraînement en utilisant Comet ML#

Comet ML est une plateforme conviviale qui aide à gérer et suivre les expériences de machine learning. L'intégration de YOLOv8 avec Comet ML te permet de consigner tes expériences et de visualiser tes 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. Tu peux partager des projets, taguer des coéquipiers et laisser des commentaires pour que tout le monde puisse rester sur la même longueur d'onde et reproduire les expériences avec précision.

Voici quelques éléments pour t'aider à décider si Comet ML est l'outil adapté à ton 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 langages que ton projet utilise.
• Tableaux de bord et rapports personnalisables : L'interface de Comet ML est hautement personnalisable, tu peux donc créer les rapports et les tableaux de bord qui ont le plus de sens pour ton projet.
• Coût : Comet ML est une plateforme commerciale, et certaines de ses fonctionnalités avancées nécessitent un abonnement payant.

Link to this sectionTensorBoard peut aider avec les visualisations#

TensorBoard est une boîte à outils de visualisation puissante spécifiquement conçue pour les expériences TensorFlow, mais c'est aussi un excellent outil pour suivre et visualiser des métriques sur une large gamme de projets de machine learning. Connu pour sa simplicité et sa rapidité, TensorBoard permet aux utilisateurs de suivre facilement les métriques clés et de visualiser les graphiques de modèles, les plongements et d'autres types de données.

Un avantage majeur de l'utilisation de TensorBoard avec YOLOv8 est qu'il est livré préinstallé, éliminant le besoin de configuration supplémentaire. Un autre avantage est la capacité de TensorBoard à fonctionner entièrement sur site. C'est particulièrement crucial pour les projets ayant des exigences strictes en matière de confidentialité des données ou pour ceux dans des environnements où les téléchargements vers le cloud ne sont pas une option.

Fig 5. Surveillance de l'entraînement du modèle YOLOv8 à l'aide de TensorBoard.

Voici quelques éléments pour t'aider à décider si TensorBoard est l'outil adapté à ton projet :

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

Link to this sectionUtiliser DVCLive (Data Version Control Live) pour suivre les expériences ML#

L'intégration de YOLOv8 avec DVCLive offre un moyen rationalisé de suivre et de gérer les expériences en versionnant tes jeux de données, tes modèles et ton code ensemble sans stocker de gros fichiers 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 consigne les métriques clés, visualise les résultats et gère les expériences proprement 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 parfait pour les équipes cherchant à rationaliser le suivi des expériences sans infrastructure supplémentaire ou dépendance au cloud.

Link to this sectionGestion des modèles et flux de travail Ultralytics en utilisant 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 comme YOLOv5 et YOLOv8. Contrairement aux intégrations externes, Ultralytics HUB offre une expérience native et fluide créée spécifiquement pour les utilisateurs de YOLO. Il simplifie tout le processus, te permettant de télécharger facilement des jeux de données, de choisir des modèles pré-entraînés et de lancer l'entraînement en quelques clics en utilisant des ressources cloud - le tout depuis l'interface facile à utiliser du HUB. Ultralytics HUB prend également en charge le suivi des expériences, rendant la surveillance de la progression de l'entraînement, la comparaison des résultats et l'ajustement des modèles très faciles.

Fig 6. Surveillance de l'entraînement du modèle YOLOv8 à l'aide d'Ultralytics HUB.

Link to this sectionPoints clés#

Choisir le bon outil pour suivre tes expériences de machine learning peut faire une grande différence. Tous les outils dont nous avons discuté peuvent t'aider avec le suivi des 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 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 explorer d'autres intégrations YOLOv8 passionnantes, consulte notre documentation.

Apprends-en plus sur l'IA en explorant notre référentiel GitHub et en rejoignant notre communauté. Découvre nos pages de solutions pour des perspectives détaillées sur l'IA dans la fabrication et les soins de santé. 🚀