Journalise tes expériences Ultralytics YOLO avec l’intégration MLflow

Tu peux considérer un projet de vision par ordinateur comme un puzzle. En substance, 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 tout s’emboîte, tu obtiens un système capable d’analyser efficacement les images et les vidéos et d’en comprendre le contenu.

Mais, tout comme dans un vrai puzzle, toutes les étapes d’un projet de vision par ordinateur ne sont pas simples. Des tâches comme le suivi des expériences (conserver un historique de tes paramètres, configurations et données) et la journalisation (consigner les résultats et les métriques de performance) peuvent demander beaucoup de temps et d’efforts. Bien que ces étapes soient essentielles pour améliorer et perfectionner tes modèles de vision par ordinateur, elles peuvent parfois sembler être un goulot d’étranglement.

C’est là que les modèles Ultralytics YOLO et leur intégration avec MLflow entrent en jeu. Des modèles comme Ultralytics YOLO11 prennent en charge un large éventail de tâches de vision par ordinateur, notamment la détection d’objets, la segmentation d’instances et la classification d’images. Ces fonctionnalités permettent de créer des applications de vision par ordinateur innovantes. La possibilité de s’appuyer sur des intégrations comme celle de MLflow permet aux ingénieurs en vision de se concentrer sur le modèle lui-même plutôt que de se perdre dans les détails.

Plus particulièrement, l’intégration MLflow simplifie le processus en journalisant différentes métriques, paramètres et artefacts tout au long de l’entraînement. Dans cet article, nous allons examiner le fonctionnement de l’intégration MLflow, ses avantages et la manière dont tu peux l’utiliser pour rationaliser tes workflows 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 du machine learning. Elle couvre le développement, le déploiement et la maintenance des modèles de machine learning.

MLflow comprend les composants clés suivants :

• Suivi des expériences : ce composant se concentre sur l’enregistrement des informations importantes, comme les paramètres du modèle, les résultats et les fichiers, pour chaque exécution d’entraînement d’un modèle. Il t’aide à comparer les modèles, à voir comment les changements affectent les performances et à trouver le meilleur modèle.
• Registre des modèles : il s’agit d’un système de stockage pour tes modèles, dans lequel tu peux suivre les différentes versions et les organiser selon des étapes comme les tests, la préproduction et la production.
• Empaquetage des projets : MLflow facilite le regroupement de tes projets de machine learning, notamment du code, des paramètres et des outils requis, afin qu’ils puissent être partagés et utilisés de manière cohérente entre les équipes et les 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 préparer à une utilisation réelle.

Fig. 1 Composants de MLflow.

Les composants de MLflow rendent le processus de machine learning plus simple et plus efficace à gérer. 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. Elle facilite le suivi et la comparaison des différentes versions des modèles YOLO.

L’intégration MLflow rationalise l’entraînement#

Maintenant que nous avons vu ce qu’est MLflow, examinons en détail l’intégration MLflow et les fonctionnalités qu’elle propose.

L’intégration MLflow est conçue pour rendre le processus d’entraînement plus efficace et mieux organisé en suivant et en journalisant automatiquement les aspects importants de tes expériences de vision par ordinateur. Elle prend en charge trois principaux types de journalisation : les métriques, les paramètres et les artefacts.

Voici un aperçu plus détaillé de chaque type de journalisation :

• Journalisation des métriques : les métriques sont des valeurs quantitatives qui mesurent les performances de ton modèle pendant l’entraînement. Par exemple, des métriques comme la précision, la précision positive, le rappel ou la perte sont suivies à la fin de chaque époque (un parcours complet de ton jeu de données).
• Journalisation 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 de lot (le nombre d’échantillons traités lors d’une étape d’entraînement) et le nombre d’époques. Ces paramètres influencent fortement le comportement et les performances de ton modèle.
• Journalisation des artefacts : les artefacts sont les sorties ou les fichiers générés pendant l’entraînement. Il peut s’agir de fichiers essentiels comme les poids du modèle (les valeurs numériques que ton modèle apprend pendant l’entraînement), les fichiers de configuration (qui stockent les paramètres d’entraînement) et d’autres données pertinentes.

Fig. 2. Fonctionnalités clés de journalisation de l’intégration MLflow. Image réalisée par l’auteur.

Fonctionnement de l’intégration MLflow#

Tu peux consulter la documentation Ultralytics pour obtenir des instructions détaillées sur l’activation de l’intégration MLflow. Une fois configurée, l’intégration suit et journalise automatiquement les informations clés de tes expériences d’entraînement, comme indiqué précédemment. Cela élimine le besoin d’un suivi manuel et t’aide à rester concentré sur le perfectionnement de tes modèles.

Avec l’intégration MLflow, toutes tes exécutions d’entraînement sont stockées au même endroit, ce qui facilite la comparaison des résultats et l’évaluation des différentes configurations. En comparant les résultats journalisés, tu peux identifier les configurations les plus performantes et utiliser ces informations pour améliorer tes modèles. Ton workflow gagne ainsi en efficacité, en documentation et en reproductibilité.

Plus précisément, chaque session d’entraînement est organisée au sein d’une 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 les 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 indiqué ci-dessous.

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

Par ailleurs, au niveau de chaque exécution, MLflow fournit des informations détaillées sur la session d’entraînement concernée. Tu peux consulter des métriques comme la précision, la perte et la précision positive au fil des époques, vérifier les paramètres d’entraînement utilisés (par exemple, la taille de lot et le taux d’apprentissage) et accéder aux artefacts générés, comme les poids du modèle et les fichiers de configuration. Ces informations sont stockées dans un format organisé, ce qui simplifie la consultation ou la reproduction de chaque exécution.

Choisir l’intégration MLflow : pourquoi se démarque-t-elle ?#

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 devrais-je la choisir pour mon workflow ?

Avec des intégrations comme TensorBoard, qui proposent également des outils pour suivre les métriques et visualiser les résultats, il est important de comprendre les qualités uniques qui distinguent 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 identifier rapidement les configurations les plus performantes.
• Journalisation de métriques personnalisées : les ingénieurs en vision peuvent journaliser 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 workflows multilingues : MLflow est compatible avec plusieurs langages de programmation, notamment Python, R et Java, ce qui facilite son intégration dans des pipelines de machine learning variés.

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

Pour mieux comprendre dans quelles situations tu peux utiliser l’intégration MLflow, considérons une application d’IA dans le domaine de la santé dans laquelle tu dois entraîner Ultralytics YOLO11 à détecter des tumeurs sur des images radiographiques ou des tomodensitogrammes.

Dans ce scénario, le jeu de données serait constitué d’images médicales annotées. Tu devrais expérimenter différentes configurations, comme l’ajustement des taux d’apprentissage, des tailles de lot et des techniques de prétraitement des images, afin d’obtenir une précision optimale. Comme les enjeux sont importants dans le domaine de la santé et que la précision et la fiabilité sont essentielles, le suivi manuel de chaque expérience peut rapidement devenir ingérable.

Fig. 4. Détection de tumeurs avec Ultralytics YOLO11.

L’intégration MLflow relève ce défi en journalisant 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, afin que les modèles performants puissent être facilement reproduits et déployés.

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 être utilisé pour détecter et 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 l’activité en magasin au moyen de flux vidéo.
• Sécurité et surveillance : les modèles peuvent être entraînés à détecter les anomalies ou à surveiller l’activité en temps réel dans les zones sensibles afin de renforcer la sécurité.

Avantages de l’intégration MLflow#

L’intégration MLflow avec les modèles YOLO rend la gestion des expériences de machine learning plus simple et plus efficace. En automatisant les tâches clés et en gardant tout organisé, elle te permet de te concentrer sur la création et l’amélioration de tes modèles. Voici un aperçu de ses principaux avantages :

• Évolutivité pour les projets de grande ampleur : la plateforme gère efficacement plusieurs expériences et modèles, ce qui la rend adaptée aux grandes équipes et aux workflows complexes.
• Historique détaillé des expériences : la plateforme conserve un historique complet des expériences, ce qui te permet de consulter les exécutions passées, d’analyser les configurations précédentes et de tirer des enseignements des résultats antérieurs.
• Options de désactivation et de réinitialisation : la journalisation MLflow peut être facilement désactivée lorsqu’elle n’est pas nécessaire et les paramètres peuvent être réinitialisés à leurs valeurs par défaut, offrant ainsi la flexibilité nécessaire pour s’adapter aux différentes exigences des workflows.

Points clés à retenir#

L’intégration MLflow facilite et optimise la gestion des expériences Ultralytics YOLO. En suivant automatiquement les informations clés comme les paramètres, les métriques et les artefacts, elle simplifie le processus et élimine les contraintes liées à 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 perfectionnes l’analyse du commerce de détail, cette intégration contribue à maintenir une organisation et une reproductibilité optimales. Grâce à son interface intuitive et à sa flexibilité, MLflow permet aux développeurs de se concentrer sur la création de meilleurs modèles et de stimuler l’innovation dans les applications d’IA visuelle.

Rejoins notre communauté et consulte notre dépôt GitHub pour en apprendre davantage 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 consacrées aux solutions.