Weights & Biases

Weights & Biases souvent abrégé en W&B ou WandB) est une plateforme de premier plan dédiée aux développeurs et visant à rationaliser les opérations d'apprentissage automatique (MLOps). Elle sert de système d'enregistrement centralisé pour les scientifiques des données et les ingénieurs en apprentissage automatique, leur permettant de track , de visualiser les performances des modèles et de gérer des flux de travail complexes. Dans le processus itératif de développement de l' intelligence artificielle (IA), il est essentiel de conserver un historique de chaque modification de configuration et de chaque résultat afin de garantir la reproductibilité. W&B résout ce problème en enregistrant automatiquement les métriques et en les organisant dans des tableaux de bord interactifs, ce qui permet aux équipes de collaborer efficacement sur des projets allant de la recherche universitaire aux déploiements à grande échelle de la vision par ordinateur (CV).

Distinguer la plateforme des paramètres

Pour comprendre l'utilité de cet outil, il est utile de le différencier des concepts fondamentaux des réseaux neuronaux (RN) qui partagent son nom.

• Weights & Biases la plateforme) : il s'agit du service logiciel et de la bibliothèque qui servent d' outil complet de suivi des expériences. Il s'intègre aux cadres populaires pour surveiller le processus de formation et stocker les artefacts du modèle.
• Poids (le paramètre) : dans l'apprentissage profond, les poids du modèle sont les coefficients apprenables qui déterminent la force des connexions entre les neurones. Ils sont optimisés pour minimiser les erreurs pendant l'entraînement.
• Biais (paramètre) : il s'agit de constantes apprenables ajoutées au produit des entrées et des poids, permettant à la fonction d'activation d'être décalée pour mieux s'adapter aux données.

Alors que les paramètres (weights and biases) sont les valeurs mathématiques optimisées via la descente de gradient stochastique (SGD), la plateforme (Weights & Biases) est l'utilitaire utilisé pour observer, analyser et améliorer ce processus d'optimisation .

Capacités clés en apprentissage automatique

La plateforme W&B fournit une suite d'outils qui répondent à des défis spécifiques dans le cycle de vie du développement de l'apprentissage automatique (ML).

• Suivi des expériences : les développeurs peuvent enregistrer des mesures dynamiques telles que la fonction de perte et la précision en temps réel. Cela permet d' identifier des problèmes tels que le surajustement, où un modèle apprend trop bien les données d'entraînement mais ne parvient pas à généraliser à de nouvelles données.
• Réglage des hyperparamètres : la recherche de la meilleure configuration (telle que le taux d'apprentissage, la taille des lots ou la profondeur de l'architecture) est simplifiée grâce à l'utilisation de balayages W&B, qui automatisent la recherche des valeurs optimales.
• Visualisation des données : la plateforme affiche des médias enrichis, permettant aux utilisateurs de visualiser les cadres de sélection prédits sur les images ou de superposer des masques de segmentation. Cette analyse qualitative est essentielle pour le débogage des modèles visuels.
• Gestion des versions des modèles : les équipes peuvent track traçabilité de leurs ensembles de données et des points de contrôle enregistrés. Cela garantit que tout résultat peut être reproduit en récupérant la version exacte des données d'entraînement et du code utilisés.

Applications concrètes

Weights & Biases est largement utilisé dans les industries qui requièrent une validation rigoureuse des modèles et un développement collaboratif.

• Conduite autonome : une équipe développant une technologie de conduite autonome pourrait utiliser la dernière version d' Ultralytics pour detect et les véhicules. En intégrant W&B, elle peut visualiser les prévisions des données de validation sur des milliers d' époques. Cela lui permet de repérer des cas d'échec spécifiques, tels que les détections manquées dans des conditions de faible luminosité, et d'ajuster sa stratégie d'augmentation des données en conséquence.
• Diagnostic médical : les chercheurs travaillant sur l' IA dans le domaine de la santé utilisent W&B pour conserver un journal précis des expériences lorsqu'ils entraînent des modèles pour la détection des tumeurs. Compte tenu de la nature critique de ce domaine, l' utilisation d'outils de surveillance des modèles pour track des mesures telles que le rappel et la précision est essentielle pour se conformer à la réglementation et garantir la sécurité des patients.

Intégration avec Ultralytics

L'intégration Weights & Biases Ultralytics se fait en toute transparence. Une fois le client W&B installé, Ultralytics detect automatiquement et commencent à enregistrer les métriques clés, les statistiques système et les points de contrôle du modèle sans nécessiter de code standardisé complexe.

L'exemple suivant montre comment entraîner un modèle YOLO26 tout en enregistrant automatiquement l'exécution dans le tableau de bord W&B.

from ultralytics import YOLO

# Initialize the YOLO26 model with pre-trained weights
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# If 'wandb' is installed and you are logged in, this automatically
# tracks the experiment in your default project.
results = model.train(data="coco8.yaml", epochs=5, project="My-First-WandB-Run")

Cette intégration capture les métriques système, telles que GPU , et les mesures du modèle, offrant ainsi une vue complète des performances de l'entraînement. Pour une personnalisation plus poussée, les utilisateurs peuvent consulter le guideUltralytics afin de personnaliser précisément ce qui est enregistré pendant le processus d'entraînement.