Exploration des intégrations de suivi des expériences d’apprentissage automatique d’Ultralytics YOLOv8

La collecte et l’annotation des données, ainsi que l’entraînement de modèles comme le modèle Ultralytics YOLOv8, sont au cœur de tout projet de vision par ordinateur. Souvent, tu devras entraîner plusieurs fois ton modèle personnalisé avec différents paramètres pour trouver celui qui offre les meilleures performances. Des outils de suivi de tes expériences d’entraînement peuvent faciliter la gestion de ton projet de vision par ordinateur. Le suivi des expériences consiste à consigner les détails de chaque cycle d’entraînement, comme les paramètres utilisés, les résultats obtenus et les changements apportés en cours de route.

Fig. 1. Image illustrant la place du suivi des expériences dans un projet de vision par ordinateur.

Consigner ces détails t’aide à reproduire tes résultats, à comprendre ce qui fonctionne ou non et à affiner tes modèles plus efficacement. Pour les organisations, cela permet de 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 ton travail, afin d’affiner ton 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 suivre tes expériences YOLOv8. Que tu travailles de ton côté ou au sein d’une équipe plus vaste, comprendre et utiliser les bons outils de suivi peut faire une vraie différence dans 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 : il fournit une API et une interface utilisateur qui aident 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 Python, REST, Java et les API R.

MLflow Tracking s’intègre parfaitement à YOLOv8 et te permet de consigner directement depuis tes modèles des indicateurs importants comme la précision, le rappel et la perte. La configuration de MLflow avec YOLOv8 est simple et offre plusieurs options flexibles : tu peux utiliser la configuration localhost par défaut, te connecter à différents magasins de données ou démarrer un serveur de suivi MLflow distant pour tout organiser.

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

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

• Évolutivité : MLflow s’adapte 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 est idéal pour les projets complexes qui nécessitent un suivi approfondi, une gestion des modèles et des capacités de déploiement. Si ton projet exige toutes ces fonctionnalités à grande échelle, MLflow peut rationaliser tes flux de travail.
• Configuration et maintenance : bien que puissant, MLflow présente une certaine courbe d’apprentissage et des contraintes de configuration.

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

Weights & Biases est une plateforme MLOps qui permet de suivre, de visualiser et de gérer les expériences de machine learning. En utilisant W&B avec YOLOv8, tu peux surveiller les performances de tes modèles pendant leur entraînement et leur ajustement fin. Le tableau de bord interactif de W&B offre une vue claire et en temps réel de ces métriques, ce qui facilite la détection des tendances, la comparaison des variantes de modèles et le dépannage des problèmes pendant l’entraînement.

W&B consigne automatiquement les indicateurs d’entraînement et les points de contrôle des modèles. 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 de configurations, du suivi des exécutions sur ta machine locale à la gestion de projets de grande ampleur avec un stockage cloud.

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

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 qui permet de visualiser en temps réel les indicateurs d’entraînement et les performances des modèles.

Suivi des 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 comme PyTorch, TensorFlow et Keras et s’intègre 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 à 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 clés comme la perte, la précision et les scores de validation. L’intégration prend également en charge des fonctionnalités avancées, comme l’exécution à distance, le réglage des hyperparamètres et la sauvegarde des points de contrôle des modèles.

Fig. 4. Exemple de visualisations du suivi des expériences dans ClearML. Source de l’image : ClearML Tracking Experiments and Visualizing Results.

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 offre un suivi robuste des expériences, avec notamment une intégration automatique à Git.
• Déploiement flexible : ClearML peut être utilisé sur site, dans le cloud ou sur des clusters Kubernetes, ce qui lui permet de s’adapter 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 à Comet ML te permet de consigner tes expériences et de consulter tes résultats au fil du temps. Cette intégration facilite la détection 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 lui permet de s’adapter à différentes configurations et à différents besoins. Cet outil est conçu pour le travail d’équipe. Tu peux partager des projets, identifier des coéquipiers et laisser des commentaires afin que tout le monde reste au courant 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 langages, 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 les mieux adaptés à ton projet.
• Coût : Comet ML est une plateforme commerciale et certaines de ses fonctionnalités avancées nécessitent un abonnement payant.

TensorBoard peut faciliter 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 indicateurs de nombreux projets de machine learning. Réputé pour sa simplicité et sa rapidité, TensorBoard permet de suivre facilement les indicateurs clés et de visualiser les graphes des modèles, les plongements et d’autres types de données.

L’un des principaux avantages de l’utilisation de TensorBoard avec YOLOv8 est sa configuration minimale : installe le paquet tensorboard et active la journalisation une seule fois avec yolo settings tensorboard=True. Autre avantage, TensorBoard peut fonctionner entièrement sur site. C’est particulièrement important pour les projets soumis à des exigences strictes en matière de confidentialité des données ou dans des environnements où l’envoi de données vers le cloud n’est pas envisageable.

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 :

• Suivi simple des expériences : TensorBoard convient aux besoins de suivi élémentaires, avec des capacités limitées de comparaison des expériences, et ne dispose pas de fonctionnalités robustes de collaboration en équipe, de gestion des versions ni de protection de la vie privée.

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

L’intégration de YOLOv8 à DVCLive offre un moyen simplifié de suivre et de gérer les expériences en versionnant ensemble les jeux de données, les modèles et le code, sans stocker de gros fichiers dans Git. Elle utilise des commandes similaires à celles de Git et stocke les métriques suivies dans des fichiers texte simples pour faciliter le contrôle de version. DVCLive consigne les métriques clés, visualise les résultats et gère les expériences sans encombrer ton dépôt. Elle prend en charge un large éventail de fournisseurs de stockage et peut fonctionner localement ou dans le cloud. DVCLive convient parfaitement aux équipes qui souhaitent simplifier le suivi des expériences sans infrastructure supplémentaire ni dépendance au cloud.

Gérer les modèles et les flux de travail Ultralytics avec Ultralytics HUB#

Ultralytics HUB (désormais Ultralytics Platform) est une plateforme tout-en-un développée en interne pour simplifier l’entraînement, le déploiement et la gestion des modèles Ultralytics YOLO, comme YOLOv5 et YOLOv8. Contrairement aux intégrations externes, Ultralytics HUB propose une expérience native spécialement conçue pour les utilisateurs de YOLO. La plateforme simplifie l’ensemble du processus : tu peux facilement importer des jeux de données, choisir des modèles préentraînés et lancer l’entraînement en quelques clics grâce aux ressources cloud, le tout depuis l’interface intuitive de HUB. Ultralytics HUB prend également en charge le suivi des expériences, ce qui facilite le suivi de la progression de l’entraînement, la comparaison des résultats et l’ajustement fin des modèles.

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

Points clés à retenir#

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

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

Découvre l’IA en explorant notre dépôt GitHub et en rejoignant notre communauté. Consulte nos pages de solutions pour en savoir plus sur l’IA dans la fabrication et la santé.