Weights & Biases

Weights & Biases (W&B) est une plateforme leader d'opérations d'apprentissage automatique (MLOps) conçue pour aider les développeurs et les équipes à créer de meilleurs modèles plus rapidement. Elle fournit une suite d'outils pour le suivi des expériences, le contrôle de version des ensembles de données et la gestion des modèles, rationalisant ainsi l'ensemble du cycle de vie de l'apprentissage automatique, de l'entraînement à la production. En centralisant les informations cruciales, W&B permet d'améliorer la collaboration, la reproductibilité et la compréhension des performances du modèle. C'est un outil essentiel pour les projets qui impliquent un développement itératif, tel que le réglage des hyperparamètres et l'optimisation des performances. Vous pouvez apprendre à intégrer W&B à vos projets Ultralytics dans la documentation officielle.

Fonctionnalités principales de Weights & Biases

La plateforme W&B offre plusieurs fonctionnalités clés qui répondent aux défis courants du développement de l'IA :

• Suivi des expériences : Enregistrez automatiquement les hyperparamètres, les indicateurs de performance comme la précision et le rappel, ainsi que les indicateurs système comme l’utilisation du GPU. Cela permet aux développeurs de comparer facilement différentes exécutions d’entraînement et de comprendre l’impact des modifications du code ou des données. Pour plus d’informations, vous pouvez consulter les guides sur le suivi des expériences de ML.
• Artefacts pour le versionnage : W&B Artifacts fournit un contrôle de version robuste pour les ensembles de données et les poids de modèles. Cela garantit que chaque résultat est reproductible en capturant le code, les données et la configuration exacts utilisés, ce qui est essentiel tant pour la recherche que pour le déploiement de modèles commerciaux. Vous pouvez en savoir plus dans la documentation officielle de W&B Artifacts.
• Visualisation interactive : La plateforme comprend des tableaux de bord interactifs et puissants pour visualiser les résultats. Les utilisateurs peuvent créer des graphiques personnalisés, analyser les cartes de caractéristiques et déboguer le comportement du modèle en inspectant les sorties telles que les boîtes englobantes ou les masques d'image en temps réel.
• Collaboration et rapports : W&B facilite le travail d'équipe en permettant aux utilisateurs de partager des projets, de comparer des résultats et de créer des rapports détaillés. Ces rapports W&B peuvent combiner des visualisations, du texte et du code pour documenter les résultats et partager des informations au sein d'une organisation.

W&B la plateforme vs. Weights and Biases les concepts

Il est important de faire la distinction entre « Weights & Biases », la plateforme, et les concepts fondamentaux de « poids » et de « biais » dans les réseaux neuronaux (NN).

• Poids et biais (Concepts) : Ce sont les principaux paramètres apprenables d'un modèle. Les poids du modèle déterminent la force de la connexion entre les neurones, tandis que les biais sont des paramètres supplémentaires qui décalent la sortie de la fonction d'activation. Pendant l'entraînement, ces valeurs sont ajustées par des processus comme la rétropropagation pour minimiser la fonction de perte.
• Weights & Biases (Plateforme) : Il s'agit de l'outil MLOps qui vous aide à gérer le processus de recherche des valeurs optimales pour les poids et les biais d'un modèle. Il ne remplace pas les frameworks comme PyTorch ou TensorFlow, mais s'intègre plutôt à eux pour suivre et visualiser le processus d'entraînement.

Essentiellement, la plateforme W&B fournit l'infrastructure nécessaire pour surveiller et organiser les expériences qui produisent les poids et biais optimaux d'un modèle.

Applications concrètes de Weights & Biases

W&B est largement utilisé dans divers secteurs pour améliorer les processus de développement du machine learning.

1. Développement de modèles de vision par ordinateur : Une équipe entraînant un modèle Ultralytics YOLOv8 pour la détection d'objets dans les véhicules autonomes peut utiliser W&B pour enregistrer les exécutions d'entraînement avec différentes stratégies d'augmentation de données ou des architectures de backbone. Ils peuvent visualiser l'impact sur les métriques de performance sur des ensembles de données comme Argoverse, comparer les résultats dans le tableau de bord W&B et versionner les poids du modèle les plus performants à l'aide d'Artifacts pour un déploiement ultérieur. Pour en savoir plus sur les avantages de cette intégration, consultez notre blog sur la suralimentation d'Ultralytics avec Weights & Biases.
2. Analyse d'images médicales : Les chercheurs effectuant une analyse d'images médicales pour détecter des maladies, par exemple en utilisant un modèle entraîné sur le jeu de données de tumeurs cérébrales, peuvent tirer parti de W&B. Ils peuvent suivre les expériences impliquant le fine-tuning de modèles pré-entraînés, visualiser les masques de segmentation ou la précision de la classification, et collaborer en partageant des rapports détaillés. Cela garantit la transparence et la reproductibilité, ce qui est crucial dans les applications sensibles et s'aligne sur les objectifs de l'IA explicable (XAI).