Booster Ultralytics avec Weights & Biases

Voici un autre moment fort de YOLO Vision 2023 (YV23), qui s’est tenu au Google for Startups Campus de Madrid. Cette intervention portait sur les opérations de machine learning : Ultralytics et Weights & Biases collaborent pour rationaliser les flux de travail d’entraînement. Soumik Rakshit, ingénieur en machine learning chez Weights & Biases, a montré comment gérer facilement les expériences et les points de contrôle des modèles, et visualiser les résultats des expériences.

Les atouts de Weights & Biases : le rêve des développeurs#

Weights & Biases est une plateforme MLOps conçue avant tout pour les développeurs, qui permet de suivre, comparer et partager des expériences de machine learning. Sa suite d’outils aide les équipes à comprendre et à améliorer leurs modèles.

Intégration d’Ultralytics à W&B#

Dans son intervention, Soumik a présenté les travaux menés chez Weights & Biases pour intégrer ses fonctionnalités à Ultralytics YOLOv8, notamment la visualisation des inférences en détection d’objets. Il a également montré comment utiliser cette intégration dans tes propres flux de travail Ultralytics.

De la théorie à la pratique : démonstration en direct#

Soumik a présenté un flux de travail complet de détection d’objets, en utilisant un jeu de données hébergé sur Weights & Biases et en entraînant un modèle avec Ultralytics, afin de montrer comment les deux plateformes fonctionnent ensemble.

Fonctionnalités clés du tableau de bord Weights & Biases#

Weights & Biases propose également un tableau de bord qui permet de visualiser le graphique d’entraînement et les métriques. Voici quelques-unes de ses fonctionnalités clés :

• Suivi des métriques en temps réel : Suis en temps réel les métriques de performance essentielles, comme la précision, la perte et les scores de validation, pendant l’entraînement de ton modèle d’apprentissage profond. Tu peux ainsi effectuer des ajustements en temps utile et mieux comprendre le comportement du modèle.
• Optimisation des hyperparamètres : Utilise des outils automatisés ou des techniques manuelles pour ajuster les hyperparamètres, comme le taux d’apprentissage, la taille des lots et l’architecture du réseau, afin d’optimiser les performances et la convergence du modèle.
• Visualisation de la progression de l’entraînement : Comprends mieux le comportement de ton modèle en visualisant la progression de l’entraînement sous forme de graphiques et d’histogrammes. Tu obtiens ainsi des informations sur la dynamique de l’entraînement, le surapprentissage et les schémas de convergence.
• Surveillance des ressources : Suis l’utilisation des ressources de calcul, comme le CPU, le GPU et la mémoire, pendant l’entraînement du modèle afin d’assurer une allocation efficace et d’éviter les goulots d’étranglement susceptibles de nuire aux performances de l’entraînement.

Pour obtenir des informations détaillées sur chaque fonctionnalité, consulte la section du tableau de bord Weights & Biases de la documentation Ultralytics.

Pour conclure#

L’intervention de Soumik a montré comment le suivi des expériences avec Weights & Biases facilite la gestion, la comparaison et le partage des exécutions d’entraînement Ultralytics, que tu sois ingénieur ML expérimenté ou que tu débutes en IA. Si tu suis déjà tes exécutions YOLO dans W&B, tu peux aussi importer ces modèles dans Ultralytics Platform.

Regarde la conférence dans son intégralité sur YouTube.