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

Collecter des données, les annoter et entraîner des modèles comme le Ultralytics YOLOv8 model est au cœur de tout projet de computer vision. Souvent, tu dois entraîner ton modèle personnalisé plusieurs fois avec des paramètres différents pour créer le modèle le plus optimal. Utiliser des outils pour suivre tes expériences d'entraînement peut rendre la gestion de ton computer vision project un peu plus facile. Le suivi des expériences est le processus qui consiste à enregistrer les détails de chaque exécution d'entraînement, tels que les paramètres utilisés, les résultats obtenus et les modifications apportées en cours de route.

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

Conserver un enregistrement de ces détails t'aide à reproduire tes résultats, à comprendre ce qui fonctionne et ce qui ne fonctionne pas, et à fine-tune your models 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 allons te guider à travers les différentes training integrations 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 la réussite de tes YOLOv8 projects.

Suivi 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 de manière fluide avec YOLOv8, et tu peux enregistrer des important metrics telles que la précision, le rappel et la perte directement depuis tes modèles. Setting up MLflow with YOLOv8 est simple, et il existe des options flexibles : tu peux utiliser la configuration localhost par défaut, te connecter à divers magasins 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.

Utiliser 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 using W&B with YOLOv8, tu peux surveiller les models’ performance de tes modèles au fur et à mesure que tu les train et les affines. 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 la troubleshoot issues pendant le processus d'entraînement.

W&B enregistre automatiquement les métriques d'entraînement et les points de contrôle du modèle, et tu peux même l'utiliser pour affiner des hyperparameters tels que 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 à grande échelle avec le 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.

Suivi 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.

YOLOv8’s integration with 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 en temps réel les métriques critiques telles que la perte, la précision et les scores de validation. L'intégration prend également en charge des fonctionnalités avancées telles que l'exécution à distance, l'optimisation des hyperparamètres et la sauvegarde des points de contrôle du modèle.

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.

Suivre les expériences d'entraînement en utilisant Comet ML#

Comet ML est une plateforme conviviale qui aide à gérer et à suivre les expériences de machine learning. YOLOv8’s integration with Comet ML te permet d'enregistrer tes expériences et de visualiser tes résultats au fil du temps. L'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 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 les langages utilisés par ton projet.
• 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.

TensorBoard 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 using TensorBoard with YOLOv8 est qu'il est préinstallé, ce qui élimine le besoin d'une configuration supplémentaire. Un autre avantage est la capacité de TensorBoard à s'exécuter entièrement sur site. C'est particulièrement crucial pour les projets ayant des exigences strictes en matière de confidentialité des données ou pour ceux qui se trouvent dans des environnements où les téléchargements vers le cloud ne sont pas possibles.

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.

Utiliser DVCLive (Data Version Control Live) pour suivre les expériences ML#

YOLOv8’s integration with DVCLive offre un moyen simplifié de suivre et de gérer les expériences en versionnant ensemble tes jeux de données, tes modèles et ton code 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 enregistre 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 qui cherchent à simplifier le suivi des expériences sans infrastructure supplémentaire ni dépendances cloud.

Gestion des modèles et flux de travail Ultralytics en utilisant Ultralytics HUB#

Ultralytics HUB est une plateforme interne tout-en-un conçue pour simplifier le training, le deployment et la gestion des Ultralytics YOLO models comme YOLOv5 et YOLOv8. Contrairement aux intégrations externes, Ultralytics HUB offre une expérience transparente et native créée spécifiquement pour les utilisateurs de YOLO. Il simplifie l'ensemble du processus, te permettant de télécharger facilement des jeux de données, de choisir des modèles pré-entraînés et de commencer l'entraînement en quelques clics à l'aide de ressources cloud - le tout dans le HUB’s easy-to-use interface. Ultralytics HUB prend également en charge le suivi des expériences, facilitant la surveillance de la progression de l'entraînement, la comparaison des résultats et l'affinage des modèles.

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

Points 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 tes progrès. Pour explorer davantage d'intégrations passionnantes de YOLOv8, consulte our documentation.

Apprends-en plus sur l'IA en explorant notre dépôt GitHub et en rejoignant notre communauté. Consulte nos pages de solutions pour des informations détaillées sur l'IA dans la fabrication et la santé. 🚀