Weights & Biases

Weights & Biases (souvent abrégé en W&B ou WandB) est une plateforme complète d’opérations de machine learning (MLOps) conçue pour aider les data scientists et les ingénieurs en machine learning à rationaliser leur workflow de développement de modèles. En tant qu’outil axé sur les développeurs, elle sert de système central de référence pour le suivi des expériences, le versionnage des jeux de données et des modèles, ainsi que la visualisation des métriques de performance en temps réel. Dans le paysage complexe de l’intelligence artificielle, il est essentiel de garantir la reproductibilité et la visibilité des runs d’entraînement ; Weights & Biases répond à ce besoin en enregistrant automatiquement les hyperparamètres, les métriques système et les fichiers de sortie, ce qui permet aux équipes de comparer efficacement des expériences disparates et d’identifier les configurations les plus performantes.

Principales capacités en machine learning#

La valeur principale de Weights & Biases réside dans sa capacité à organiser le processus souvent chaotique d’entraînement des modèles de deep learning. La plateforme fournit une suite d’outils qui s’intègrent directement à des frameworks populaires comme PyTorch et à l’écosystème Ultralytics.

• Suivi des expériences : cette fonctionnalité enregistre tous les paramètres de configuration, tels que le taux d’apprentissage, la taille des lots et l’architecture du modèle. Elle consigne également des métriques dynamiques, comme les fonctions de perte et la précision au fil du temps, en les présentant dans des graphiques interactifs.
• Optimisation des hyperparamètres : W&B Sweeps automatise le processus d’ajustement des hyperparamètres. En explorant différentes combinaisons de paramètres, les utilisateurs peuvent maximiser des métriques de performance du modèle telles que la précision moyenne (mAP) sans intervention manuelle.
• Gestion des artefacts : pour assurer un suivi complet de la provenance, W&B Artifacts assure le contrôle de version des jeux de données et des checkpoints de modèles. Les utilisateurs peuvent ainsi retracer précisément quelle version des données a produit un modèle donné, ce qui constitue un élément essentiel d’un suivi robuste des modèles.
• Surveillance du système : la plateforme suit l’utilisation du matériel, notamment l’utilisation du GPU, la consommation de mémoire et la température. Cela aide à identifier les goulots d’étranglement et à garantir une allocation efficace des ressources pendant les sessions d’entraînement exigeantes en calcul.

Applications concrètes#

Weights & Biases est largement utilisé dans divers secteurs pour accélérer le déploiement de solutions de vision par ordinateur et de NLP.

1. Recherche et développement collaboratifs : les grandes équipes de recherche en IA utilisent W&B pour partager instantanément leurs résultats expérimentaux. Par exemple, une équipe qui développe un système de perception pour un véhicule autonome peut avoir plusieurs ingénieurs entraînant différentes architectures de détection d’objets. W&B regroupe ces runs dans un tableau de bord unique, ce qui permet à l’équipe d’analyser conjointement quelle architecture gère le mieux les cas limites et favorise des cycles d’itération plus rapides.

2. Maintenance des modèles en production : dans les environnements industriels, comme le contrôle qualité dans le secteur manufacturier, les modèles doivent être réentraînés périodiquement avec de nouvelles données afin d’éviter la dérive des données. W&B aide les ingénieurs à comparer les performances d’un modèle candidat à déployer en production avec la référence actuelle, afin de garantir que seuls les modèles offrant une précision et un rappel supérieurs sont déployés sur l’edge.

Intégration avec Ultralytics YOLO#

L’intégration entre Weights & Biases et Ultralytics est fluide et fournit des visualisations riches pour les tâches de détection d’objets, de segmentation et d’estimation de pose. Lors de l’entraînement d’un modèle moderne comme YOLO26, l’intégration enregistre automatiquement les métriques, les prédictions de BBox et les matrices de confusion.

Cet extrait montre comment exploiter les fonctionnalités de journalisation automatique. Il suffit d’installer le client pour que le processus d’entraînement synchronise les résultats avec le cloud.

from ultralytics import YOLO

# Ensure the wandb client is installed
# pip install wandb

# Load the YOLO26 model (latest generation)
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The integration automatically detects wandb and logs metrics
model.train(data="coco8.yaml", epochs=5, project="YOLO26_Experiments", name="run_01")

Distinction : plateforme et paramètres du réseau neuronal#

Il est important de distinguer la plateforme « Weights & Biases » des concepts fondamentaux de réseau neuronal que sont les poids et les biais.

• Poids et biais (paramètres) : dans un réseau neuronal, les « poids » sont les paramètres apprenables qui déterminent la force de la connexion entre les neurones, tandis que les « biais » sont des paramètres supplémentaires qui permettent de décaler la fonction d’activation. Il s’agit des valeurs mathématiques optimisées pendant la rétropropagation.
• Weights & Biases (plateforme) : il s’agit de l’outil logiciel externe présenté sur cette page. Bien que la plateforme suive les valeurs et les gradients des poids et des biais du réseau neuronal à des fins d’analyse, elle constitue une couche de gestion située au-dessus des données d’entraînement et du processus, et non les composants mathématiques eux-mêmes.

Pour les utilisateurs qui souhaitent gérer l’ensemble du cycle de vie, notamment l’annotation et le déploiement, en complément du suivi des expériences, l’Ultralytics Platform propose également des outils robustes qui complètent la journalisation détaillée des métriques fournie par l’intégration Weights & Biases.