Weights & Biases

Weights & Biases (souvent abrégé en W&B ou WandB) est une plateforme de premier plan destinée aux développeurs et conçue pour rationaliser les opérations d'apprentissage automatique (MLOps). Elle sert de système d'enregistrement centralisé pour les ingénieurs en apprentissage automatique et les scientifiques des données, leur permettant de track expériences, de visualiser les performances des modèles et de gérer les ensembles de données. Dans le cycle de vie complexe de l'apprentissage l'apprentissage automatique (ML), il est difficile de track chaque W&B résout ce problème en enregistrant automatiquement les mesures et en les organisant dans des tableaux de bord interactifs. dans des tableaux de bord interactifs. Cela permet aux équipes de comparer différentes formations, d'assurer la reproductibilité et de collaborer efficacement sur des projets allant de la recherche académique à la recherche scientifique. de collaborer efficacement à des projets allant de la recherche universitaire aux déploiements de systèmes de de la recherche universitaire aux déploiements de vision par ordinateur à l' échelle de l' entreprise.

Distinguer la plate-forme des concepts

Pour comprendre l'outil, il est essentiel de le différencier des concepts fondamentaux des réseaux de neurones (NN) dont il porte le nom. des concepts fondamentaux des réseaux de neurones (NN) dont il porte le nom.

• Weights & Biases (la plateforme) : Il s'agit du service logiciel et de la bibliothèque qui sert d'outil de suivi des expériences. outil complet de suivi des expériences. Il s'intègre à des Il s'intègre à des cadres populaires pour surveiller le processus de formation, gérer les ressources du système et stocker les artefacts du modèle.
• Poids (le paramètre) : Dans le contexte de l'apprentissage profond, les poids du modèle sont les coefficients apprenables qui qui transforment les données d'entrée à l'intérieur des couches du réseau. Ils déterminent la force de la connexion entre les neurones.
• Biais (le paramètre) : Il s'agit de valeurs supplémentaires qui peuvent être apprises et qui permettent à la fonction d'activation d 'activation d'être décalée vers la gauche ou la à gauche ou à droite, aidant ainsi le modèle à mieux s'adapter aux données en fournissant un décalage.

Alors que les paramètresweights and biases) sont les composantes mathématiques optimisées pendant l'apprentissage via la descente stochastique du gradient (SGD), la plateformeWeights & Biases) est l'utilitaire utilisé pour observer et analyser ce processus d'optimisation.

Principales capacités et applications

La plateforme W&B propose une série d'outils qui permettent de relever des défis spécifiques dans le domaine du développement de l'intelligence artificielle (IA). développement de l'intelligence artificielle (IA) de l'intelligence artificielle (IA).

• Suivi des expériences : Les développeurs peuvent enregistrer des mesures dynamiques telles que la fonction de perte et la précision au fil du temps. la fonction de perte et la précision au fil du temps. Cela permet d'identifier des problèmes tels que l'overfitting, lorsqu'un modèle apprend trop bien les données d'apprentissage mais ne parvient pas à se généraliser. apprend trop bien les données d'apprentissage mais ne parvient pas à se généraliser.
• Ajustement des hyperparamètres : Trouver la meilleure configuration pour un modèle, par exemple le taux d'apprentissage, le nombre de jours de travail, le nombre d'heures de travail, etc. taux d'apprentissage, d'apprentissage, la taille du lot ou l'architecture du réseau grâce à W&B Sweeps, qui automatise la recherche des valeurs optimales. valeurs optimales.
• Versionnement des données et des modèles : Grâce aux artefacts W&B Artifacts, les équipes peuvent track 'évolution de leurs données et modèles sauvegardés. et des modèles sauvegardés. Cela garantit que tout résultat peut être reproduit en récupérant la version exacte des données d'entraînement et du code utilisés. données d'entraînement et du code utilisés.
• Visualisation interactive : La plateforme rend des médias riches, permettant aux utilisateurs de visualiser des boîtes de délimitation prédites sur des images ou de superposer des segmentations. prédites sur des images ou de superposer des masques de de segmentation, ce qui facilite la la visualisation des données et le débogage.

Exemples d'intégration dans le monde réel

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

• Détection d'objets dans l'automobile : Une équipe qui met au point une technologie de conduite autonome pourrait utiliser Ultralytics YOLO11 pour detect piétons et les véhicules. En intégrant l'intégration de W&B, ils peuvent visualiser les prédictions des données de validation sur des milliers d'époques. époques. Cela leur permet de repérer des cas d'échec spécifiques, comme les détections manquées dans des conditions de faible luminosité, et d'ajuster leur stratégie d'augmentation des données en conséquence. stratégie d'augmentation des données en conséquence.
• Analyse d'images médicales : Les chercheurs qui travaillent sur l'IA dans le domaine de la santé utilisent W&B pour maintenir une base de données. l 'IA dans le domaine de la santé utilisent W&B pour d'expériences lors de l'entraînement de modèles de détection de tumeurs. Compte tenu de la nature critique du domaine, l'utilisation d'outils de surveillance track modèles pour métriques telles que le rappel et la comme le rappel et la précision, est essentielle pour sécurité des patients.

Mise en œuvre de W&B avec Ultralytics

Intégrer les Weights & Biases dans des cadres modernes tels que PyTorch ou des bibliothèques spécifiques comme Ultralytics est simple. La bibliothèque détecte automatiquement la présence de W&B et enregistre les mesures clés sans code de sans avoir recours à un code de type "boilerplate".

L'exemple suivant montre comment entraîner un modèle YOLO11 tout en enregistrant automatiquement l'exécution dans Weights & Biais. Assurez-vous d'avoir exécuté pip install wandb et authentifié par wandb login dans votre terminal avant d'exécuter le script.

from ultralytics import YOLO

# Initialize the YOLO11 model using pre-trained weights
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
# If 'wandb' is installed and logged in, training metrics are automatically
# uploaded to the Weights & Biases dashboard.
results = model.train(data="coco8.yaml", epochs=5, project="Ultralytics-WandB-Demo", name="yolo11-experiment")

Cette intégration permet de saisir les paramètres du système, tels que GPU l'utilisation du GPU, et les métriques du modèle, fournissant ainsi une vue d'ensemble des performances de formation. Pour obtenir des informations plus détaillées, les utilisateurs peuvent consulter le guide d'intégrationUltralytics pour personnaliser ce qui est enregistré.