Optimiser Ultralytics avec des Weights & Biases

Nous allons nous plonger dans un autre moment fort de YOLO VISION 2023 (YV23), qui s'est tenu sur le campus Google for Startups à Madrid. Pour cet exposé, nous allons nous plonger dans le monde dynamique des opérations d'apprentissage automatique, où Ultralytics s'associe à Weights & Biases pour révolutionner votre flux de travail. Rejoignez-nous avec Soumik Rakshit, ingénieur en apprentissage automatique chez Weights & Biases, qui nous expliquera comment gérer facilement nos expériences, les points de contrôle des modèles et la visualisation des résultats de nos expériences.

L'avantage des Weights & Biases : Le rêve d'un développeur

Weights Weights & Biases est une plateforme MLOps destinée aux développeurs et conçue pour booster vos efforts en matière d'apprentissage automatique. Avec une suite de produits et de services de pointe à votre disposition, Weights & Biases vous permet d'exploiter le plein potentiel de vos modèles en toute simplicité.

L'intégration d'Ultralytics à W&B : un changement de donne

Dans son exposé, Soumik a dévoilé le travail innovant réalisé par Weights & Biases pour intégrer de manière transparente des fonctionnalités avancées à Ultralytics YOLOv8. Préparez-vous à assister à une visualisation de l'inférence de la détection d'objets comme jamais auparavant et apprenez comment vous pouvez tirer parti de cette intégration pour améliorer vos propres flux de travail Ultralytics .

De la théorie à la pratique : une démonstration en direct

Voyons cela en action ! Soumik nous a guidé à travers un workflow de détection d'objets de bout en bout en utilisant un ensemble de données sur Weights & Biases et en entraînant un modèle avec Ultralytics, soulignant une synergie transparente entre ces deux plateformes puissantes.

Principales caractéristiques du tableau de bord Weights & Biases

Weights & biases propose également un tableau de bord qui permet de visualiser le graphique et les mesures de l'entraînement. Voici quelques-unes des principales caractéristiques :

• Suivi des métriques en temps réel : Surveillez les métriques de performance cruciales telles que la précision, la perte et les scores de validation en temps réel pendant l'entraînement de votre modèle de deep learning, ce qui permet des ajustements rapides et une meilleure compréhension du comportement du modèle.
  ‍
• Optimisation des hyperparamètres : Utilisez des outils automatisés ou des techniques manuelles pour affiner les hyperparamètres tels que le taux d'apprentissage, la taille des lots et l'architecture du réseau, optimisant ainsi les performances et la convergence du modèle.
  ‍
• Visualisation de la progression de l'entraînement : Approfondissez votre compréhension du comportement de votre modèle en visualisant la progression de l'entraînement à travers des tracés, des graphiques et des histogrammes, ce qui vous donne un aperçu de la dynamique de l'entraînement, du surapprentissage et des schémas de convergence.
  ‍
• Surveillance des ressources : track des ressources informatiques telles que l'utilisation du CPU, du GPU et de la mémoire pendant l'apprentissage du modèle, afin d'assurer une allocation efficace des ressources et d'éviter les goulets d'étranglement susceptibles d'entraver les performances de l'apprentissage.

Pour des informations détaillées sur chaque fonctionnalité, consultez nos pages de documentation.

Conclusion

Alors que nous terminons notre voyage, une chose devient tout à fait claire : l'avenir des opérations de ML est plus brillant que jamais. Ainsi, que vous soyez un ingénieur ML chevronné ou que vous fassiez vos premiers pas dans le monde de l'IA, soyez assuré que le chemin à parcourir est pavé de possibilités infinies.

Rejoignez-nous pour adopter l'avenir des opérations d'apprentissage automatique. Regardez la conférence complète ici !