Weights & Biases

Weights & Biases (W&B, ou wandb d'après son package Python) est une plateforme destinée aux développeurs pour les opérations de machine learning (MLOps), qui enregistre, visualise et compare les exécutions d'entraînement de modèles. Quelques lignes ajoutées à un script d'entraînement PyTorch ou à un autre script transmettent au tableau de bord hébergé la configuration de chaque exécution, comme le taux d'apprentissage et la taille de lot, ainsi que les métriques, les statistiques du GPU et les fichiers de sortie. Les équipes peuvent y comparer les expériences, reproduire les résultats et déterminer quelles données et quels paramètres ont produit un modèle. Au-delà du suivi des expériences, W&B propose le réglage des hyperparamètres, le versionnage des jeux de données et des modèles, un registre de modèles et, avec son produit Weave, le traçage et l'évaluation des applications de grands modèles de langage (LLM). Le fournisseur de services cloud GPU CoreWeave a finalisé l'acquisition de Weights & Biases en mai 2025, et la documentation W&B se trouve désormais sur le site de documentation de CoreWeave.

Fonctionnalités principales#

• Expériences : wandb.init() démarre une exécution et enregistre sa configuration, tandis que wandb.log() consigne les métriques, les images et les tableaux à chaque étape. Le SDK échantillonne aussi les métriques système, comme l'utilisation et la mémoire du GPU, ce qui permet de repérer les goulots d'étranglement du chargement des données.
• Explorations : Recherches automatisées d’hyperparamètres par méthodes exhaustives, aléatoires ou bayésiennes, avec des agents qui exécutent les essais en parallèle sur de nombreuses machines et peuvent arrêter tôt les exécutions peu prometteuses.
• Artefacts : Jeux de données, points de contrôle de modèles et autres fichiers versionnés, accompagnés de graphes de filiation indiquant quelle exécution a utilisé ou produit chaque version.
• Registre : Catalogue organisé de versions approuvées de modèles et de jeux de données que les équipes font progresser vers le déploiement.
• Rapports : Documents partageables combinant des graphiques actualisés issus des exécutions et des analyses écrites.
• Weave : Traçage, évaluation et suivi des coûts pour les applications de LLM et d'agents.

Un sweep dissocie la recherche de l'entraînement : un contrôleur conserve l'état de la recherche et propose des configurations, tandis qu'un nombre quelconque d'agents récupèrent ces configurations, entraînent les modèles et renvoient la métrique cible.

Utiliser W&B avec Ultralytics YOLO#

Ultralytics YOLO intègre W&B, désactivé par défaut. Une fois activé dans les paramètres Ultralytics, chaque exécution d’entraînement consigne la liste complète de ses arguments, les pertes et les taux d’apprentissage par époque, les métriques de validation comme la précision, le rappel et la précision moyenne moyenne (mAP), ainsi que les graphiques enregistrés. À la fin, elle téléverse best.pt comme artefact de modèle, avec des courbes interactives précision-rappel et de confiance. Ces artefacts best.pt peuvent ensuite être importés dans Ultralytics Platform pour la prédiction, l’export ou le déploiement.

import os

from ultralytics import YOLO, settings

# # Consigne localement sans clé d'API ; téléverse plus tard avec « wandb sync », ou exécute « wandb login » et supprime cette ligne
os.environ["WANDB_MODE"] = "offline"

# # Active le callback W&B intégré (nécessite « pip install wandb » ; enregistré dans le fichier de paramètres Ultralytics)
settings.update({"wandb": True})

# # project et name deviennent les noms du projet et de l'exécution W&B
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=5, project="yolo26-experiments", name="baseline")

Les exécutions d'entraînement qui partagent project et diffèrent par name apparaissent côte à côte dans un même projet W&B. Les exécutions avec différentes tailles de modèle, tailles d'image ou paramètres d'augmentation peuvent ainsi être comparées sur un seul tableau de bord.

W&B et les termes associés#

• Poids et biais du modèle : Le nom de la plateforme désigne les paramètres apprenables d’un réseau neuronal. Les poids mettent à l’échelle les entrées de chaque neurone, les biais décalent sa sortie avant la fonction d’activation, et la rétropropagation met à jour les deux. La plateforme peut consigner leur distribution et leurs gradients pendant l’entraînement.
• MLflow : Plateforme open source de suivi, de conditionnement et d'enregistrement des modèles, souvent hébergée par les équipes elles-mêmes. W&B est principalement un service géré, avec des options d'hébergement autonome pour les entreprises.
• TensorBoard : Outil de visualisation local des journaux d'entraînement de PyTorch et TensorFlow, sans les fonctions de collaboration hébergées, de sweeps ou de registre de W&B.