Journalise les expériences Ultralytics YOLO avec l’intégration MLflow

Tu peux voir un projet de vision par ordinateur comme un puzzle. En somme, tu apprends aux machines à comprendre les données visuelles en assemblant les pièces du puzzle, comme la collecte d’un jeu de données, l’entraînement d’un modèle et son déploiement. Lorsque toutes les pièces s’emboîtent, tu obtiens un système capable d’analyser efficacement les images et les vidéos et d’en extraire du sens.

Mais, comme pour un vrai puzzle, toutes les étapes d’un projet de vision par ordinateur ne sont pas simples. Des tâches comme le suivi des expériences (consigner les paramètres, les configurations et les données) et la journalisation (enregistrer les résultats et les métriques de performance) peuvent demander beaucoup de temps et d’efforts. Ces étapes sont essentielles pour améliorer et affiner tes modèles de vision par ordinateur, mais elles peuvent parfois devenir un goulot d’étranglement.

C’est là qu’interviennent les modèles Ultralytics YOLO et leur intégration à MLflow. Des modèles comme Ultralytics YOLO11 prennent en charge de nombreuses tâches de vision par ordinateur, notamment la détection d’objets, la segmentation d’instances et la classification d’images. Ces capacités permettent de nombreuses applications de vision par ordinateur. Grâce à des intégrations comme celle de MLflow, les ingénieurs en vision peuvent se concentrer sur le modèle lui-même plutôt que de se perdre dans les détails.

L’intégration de MLflow simplifie notamment le processus en journalisant différentes métriques, différents paramètres et artefacts tout au long de l’entraînement. Dans cet article, nous verrons comment fonctionne l’intégration de MLflow, quels sont ses avantages et comment l’utiliser pour rationaliser tes flux de travail Ultralytics YOLO.

Qu’est-ce que MLflow ?#

MLflow est une plateforme open source (développée par Databricks) conçue pour rationaliser et gérer l’ensemble du cycle de vie de l’apprentissage automatique. Elle couvre le développement, le déploiement et la maintenance des modèles d’apprentissage automatique.

MLflow comprend les composants clés suivants :

• Suivi des expériences : Ce composant permet d’enregistrer des informations importantes, comme les paramètres du modèle, les résultats et les fichiers associés à chaque exécution d’entraînement. Il t’aide à comparer les modèles, à voir comment les changements influent sur les performances et à trouver le meilleur.
• Registre des modèles : Il fonctionne comme un système de stockage pour tes modèles. Tu peux y suivre différentes versions et les organiser par étapes, comme les tests, la préproduction et la production.
• Empaquetage des projets : MLflow facilite le regroupement de tes projets d’apprentissage automatique, y compris le code, les paramètres et les outils nécessaires, afin de pouvoir les partager et les utiliser de façon cohérente dans différentes équipes et différents environnements.
• Déploiement des modèles : MLflow fournit des outils pour déployer rapidement tes modèles entraînés sur des postes de travail ou des plateformes cloud comme AWS et Azure, afin de les rendre prêts pour une utilisation concrète.

Fig. 1 Composants de MLflow.

Les composants de MLflow simplifient la gestion du processus d’apprentissage automatique et le rendent plus efficace. Grâce à cette intégration, Ultralytics permet d’utiliser la fonctionnalité de suivi des expériences de MLflow pour journaliser les paramètres, les métriques et les artefacts pendant l’entraînement des modèles YOLO. Il est ainsi facile de suivre et de comparer différentes versions des modèles YOLO.

L’intégration MLflow simplifie l’entraînement#

Maintenant que nous avons présenté MLflow, examinons les détails de son intégration et les fonctionnalités qu’elle offre.

L’intégration MLflow vise à rendre le processus d’entraînement plus efficace et mieux organisé en assurant automatiquement le suivi et la consignation des aspects importants de tes expériences de vision par ordinateur. Elle facilite trois principaux types de consignation : les métriques, les paramètres et les artefacts.

Examinons de plus près chaque type de consignation :

• Consignation des métriques : Les métriques sont des valeurs quantitatives qui mesurent les performances de ton modèle pendant l’entraînement. Par exemple, des métriques comme l’exactitude, la précision, le rappel ou la perte sont suivies à la fin de chaque époque (un passage complet sur ton jeu de données).
• Consignation des paramètres : Les paramètres sont les réglages que tu définis avant le début de l’entraînement du modèle, comme le taux d’apprentissage, la taille du lot (le nombre d’échantillons traités lors d’une étape d’entraînement) et le nombre d’époques. Ces paramètres influencent considérablement le comportement et les performances de ton modèle.
• Consignation des artefacts : Les artefacts sont les sorties ou fichiers générés pendant l’entraînement. Il s’agit notamment de fichiers essentiels comme les poids du modèle (les valeurs numériques apprises par ton modèle pendant l’entraînement), les fichiers de configuration (qui enregistrent les paramètres d’entraînement) et d’autres données pertinentes.

Fig. 2. Principales fonctionnalités de consignation de l’intégration MLflow. Image de l’auteur.

Fonctionnement de l’intégration MLflow#

Tu peux consulter la documentation Ultralytics pour suivre les instructions détaillées sur l’activation de l’intégration MLflow. Une fois configurée, l’intégration suit et consigne automatiquement les détails clés de tes expériences d’entraînement, comme indiqué plus haut. Tu n’as ainsi plus besoin de faire le suivi manuellement et peux te concentrer sur l’amélioration de tes modèles.

Avec l’intégration MLflow, toutes tes exécutions d’entraînement sont regroupées au même endroit, ce qui facilite la comparaison des résultats et l’évaluation de différentes configurations. En comparant les résultats consignés, tu peux repérer les configurations les plus performantes et exploiter ces informations pour améliorer tes modèles. Ton flux de travail gagne ainsi en efficacité, en documentation et en reproductibilité.

Plus précisément, chaque session d’entraînement est organisée en expérience, qui sert de conteneur pour plusieurs exécutions. Dans une expérience, tu peux consulter toutes les exécutions associées, comparer leurs performances côte à côte et analyser les tendances entre différentes configurations.

Par exemple, si tu testes différents taux d’apprentissage ou tailles de lot avec Ultralytics YOLOv8, toutes les exécutions associées sont regroupées dans la même expérience pour faciliter la comparaison et l’analyse, comme illustré ci-dessous.

Fig. 3. Tu peux consulter les expériences avec l’intégration MLflow.

Au niveau de chaque exécution, MLflow fournit des informations détaillées sur la session d’entraînement concernée. Tu peux consulter les métriques, comme l’exactitude, la perte et la précision, au fil des époques, vérifier les paramètres d’entraînement utilisés (par exemple, la taille du lot et le taux d’apprentissage) et accéder aux artefacts générés, comme les poids du modèle et les fichiers de configuration. Ces détails sont enregistrés de manière organisée, ce qui facilite la consultation ou la reproduction de n’importe quelle exécution.

Choisir l’intégration MLflow : ses atouts#

En parcourant la documentation Ultralytics et en explorant les intégrations disponibles, tu peux te demander : qu’est-ce qui distingue l’intégration MLflow et pourquoi la choisir pour ton flux de travail ?

Comme des intégrations telles que TensorBoard proposent aussi des outils de suivi des métriques et de visualisation des résultats, il est important de comprendre ce qui distingue l’intégration MLflow.

Voici pourquoi MLflow pourrait être le choix idéal pour tes projets YOLO :

• Interface conviviale : Le tableau de bord MLflow facilite la consultation des expériences, la comparaison des exécutions et l’analyse des résultats, ce qui t’aide à repérer rapidement les configurations les plus performantes.
• Consignation de métriques personnalisées : Les ingénieurs en vision peuvent consigner des métriques personnalisées en plus des métriques standard, ce qui permet une analyse plus approfondie adaptée aux besoins de leur projet.
• Prise en charge des flux de travail multilingues : MLflow est compatible avec plusieurs langages de programmation, dont Python, R et Java, ce qui facilite son intégration à divers pipelines d’apprentissage automatique.

Applications pratiques d’Ultralytics YOLO11 et de l’intégration MLflow#

Pour mieux comprendre dans quels cas utiliser l’intégration MLflow, prenons l’exemple d’une application d’IA dans le domaine de la santé où tu dois entraîner Ultralytics YOLO11 à détecter des tumeurs sur des radiographies ou des images de tomodensitométrie.

Dans ce scénario, le jeu de données serait composé d’images médicales annotées. Tu devrais tester différentes configurations, par exemple en ajustant les taux d’apprentissage, les tailles de lot et les techniques de prétraitement des images, afin d’obtenir une précision optimale. Dans le domaine de la santé, les enjeux sont élevés et la précision comme la fiabilité sont essentielles : le suivi manuel de chaque expérience peut donc vite devenir ingérable.

Fig. 4. Détection de tumeurs avec Ultralytics YOLO11.

L’intégration MLflow relève ce défi en consignant automatiquement les paramètres, les métriques et les artefacts de chaque expérience. Par exemple, si tu modifies le taux d’apprentissage ou appliques une nouvelle stratégie d’augmentation, MLflow enregistre ces changements avec les métriques de performance. MLflow enregistre également les poids et les configurations des modèles entraînés, ce qui facilite la reproduction et le déploiement des modèles performants.

Ce n’est qu’un exemple de la manière dont l’intégration MLflow améliore la gestion des expériences dans les applications d’IA visuelle. Les mêmes fonctionnalités s’appliquent à d’autres applications de vision par ordinateur, notamment :

• Conduite autonome : Ultralytics YOLO11 peut servir à détecter et à classer en temps réel les piétons, les véhicules et les panneaux de signalisation afin d’améliorer la sécurité et l’efficacité des systèmes de conduite autonome.
• Analyse du commerce de détail : Les modèles de détection d’objets peuvent surveiller le comportement des clients, suivre le placement des produits et optimiser les stocks en analysant les activités en magasin à partir de flux vidéo.
• Sécurité et surveillance : Les modèles peuvent être entraînés à détecter des anomalies ou à surveiller en temps réel l’activité dans des zones sensibles afin de renforcer la sécurité.

Avantages de l’intégration MLflow#

L’intégration MLflow avec les modèles YOLO simplifie et améliore la gestion des expériences d’apprentissage automatique. En automatisant les tâches clés et en organisant toutes les informations, elle te permet de te concentrer sur la création et l’amélioration de tes modèles. Voici ses principaux avantages :

• Adaptée aux projets de grande envergure : La plateforme gère efficacement plusieurs expériences et modèles, ce qui la rend adaptée aux grandes équipes et aux flux de travail complexes.
• Historique détaillé des expériences : La plateforme conserve un historique complet des expériences, ce qui te permet de revoir les exécutions précédentes, d’analyser les configurations passées et de tirer des enseignements des résultats antérieurs.
• Options de désactivation et de réinitialisation : Tu peux facilement désactiver la consignation MLflow lorsque tu n’en as pas besoin et rétablir les paramètres par défaut, ce qui te donne la flexibilité nécessaire pour t’adapter aux exigences variables de ton flux de travail.

Points clés à retenir#

L’intégration MLflow simplifie et améliore la gestion et l’optimisation des expériences Ultralytics YOLO. En suivant automatiquement les détails clés, comme les paramètres, les métriques et les artefacts, elle simplifie le processus et t’évite les contraintes de la gestion manuelle des expériences.

Que tu travailles sur des solutions de santé, comme la détection de tumeurs, que tu améliores des systèmes de conduite autonome ou que tu développes l’analyse du commerce de détail, cette intégration t’aide à tout organiser et à rendre tes travaux reproductibles. Grâce à son interface intuitive et à sa flexibilité, MLflow permet aux développeurs de se concentrer sur la création de meilleurs modèles et l’innovation dans les applications d’IA visuelle.

Rejoins notre communauté et consulte notre dépôt GitHub pour en savoir plus sur l’IA. Tu peux également découvrir d’autres applications de la vision par ordinateur dans l’industrie manufacturière ou de l’IA dans les voitures autonomes sur nos pages de solutions.