Esplorare le integrazioni per il tracciamento degli esperimenti ML di Ultralytics YOLOv8

Raccolta di dati, loro annotazione e addestramento di modelli come il modello Ultralytics YOLOv8 sono il fulcro di qualsiasi progetto di visione artificiale. Spesso dovrai addestrare il tuo modello personalizzato più volte con parametri differenti per creare il modello ottimale. L'utilizzo di strumenti per tracciare i tuoi esperimenti di addestramento può rendere la gestione del tuo progetto di visione artificiale un po' più semplice. Il tracciamento degli esperimenti è il processo di registrazione dei dettagli di ogni esecuzione dell'addestramento, come i parametri che hai usato, i risultati che hai ottenuto e qualsiasi modifica apportata lungo il percorso.

Fig 1. Un'immagine che mostra come il tracciamento degli esperimenti si inserisce in un progetto di visione artificiale.

Conservare un registro di questi dettagli ti aiuta a riprodurre i tuoi risultati, a capire cosa funziona e cosa no, e a ottimizzare i tuoi modelli in modo più efficace. Per le organizzazioni, aiuta a mantenere la coerenza tra i team, favorisce la collaborazione e fornisce una chiara traccia di controllo. Per i singoli individui, si tratta di mantenere una documentazione chiara e organizzata del proprio lavoro che ti consenta di perfezionare il tuo approccio e ottenere risultati migliori nel tempo.

In questo articolo ti guideremo attraverso le diverse integrazioni di addestramento disponibili per gestire e monitorare i tuoi esperimenti YOLOv8. Che tu stia lavorando da solo o come parte di un team più ampio, comprendere e utilizzare i giusti strumenti di tracciamento può fare una vera differenza per il successo dei tuoi progetti YOLOv8.

Tracciamento degli esperimenti di machine learning con MLflow#

MLflow è una piattaforma open-source sviluppata da Databricks che semplifica la gestione dell'intero ciclo di vita del machine learning. MLflow Tracking è un componente essenziale di MLflow che fornisce un'API e un'interfaccia utente che aiuta data scientist e ingegneri a registrare e visualizzare i loro esperimenti di machine learning. Supporta più linguaggi e interfacce, inclusi Python, REST, Java e API R.

MLflow Tracking si integra senza problemi con YOLOv8 e puoi registrare metriche importanti come precisione, richiamo e perdita direttamente dai tuoi modelli. La configurazione di MLflow con YOLOv8 è semplice e offre opzioni flessibili: puoi utilizzare la configurazione predefinita di localhost, connetterti a vari archivi di dati o avviare un server di tracciamento MLflow remoto per mantenere tutto organizzato.

Fig 2. Configurazioni comuni per l'ambiente di tracciamento MLflow. Fonte immagine: MLflow tracking.

Ecco alcuni suggerimenti per aiutarti a decidere se MLflow è lo strumento giusto per il tuo progetto:

• Scalabilità: MLflow scala bene in base alle tue esigenze, sia che tu stia lavorando su una singola macchina o distribuendo su grandi cluster. Se il tuo progetto prevede il passaggio dallo sviluppo alla produzione, MLflow può supportare questa crescita.
• Complessità del progetto: MLflow è ideale per progetti complessi che necessitano di tracciamento accurato, gestione del modello e capacità di distribuzione. Se il tuo progetto richiede queste funzionalità su vasta scala, MLflow può semplificare i tuoi flussi di lavoro.
• Configurazione e manutenzione: Sebbene potente, MLflow presenta una curva di apprendimento e un carico di configurazione.

Utilizzare Weights & Biases (W&B) per il tracciamento dei modelli di computer vision#

Weights & Biases è una piattaforma MLOps per tracciare, visualizzare e gestire esperimenti di machine learning. Utilizzando W&B con YOLOv8, puoi monitorare le prestazioni dei tuoi modelli mentre li addestri e li ottimizzi. La dashboard interattiva di W&B fornisce una visione chiara e in tempo reale di queste metriche e rende più semplice individuare tendenze, confrontare varianti di modelli e risolvere i problemi durante il processo di addestramento.

W&B registra automaticamente le metriche di addestramento e i checkpoint dei modelli, e puoi persino usarlo per ottimizzare iperparametri come il tasso di apprendimento e la dimensione del batch. La piattaforma supporta un'ampia gamma di opzioni di configurazione, dal tracciamento delle esecuzioni sulla tua macchina locale alla gestione di progetti su larga scala con archiviazione cloud.

Fig 3. Un esempio delle dashboard di tracciamento degli esperimenti di Weights & Biases. Fonte immagine: Weights & Biases track experiments.

Ecco alcuni suggerimenti per aiutarti a decidere se Weights & Biases è lo strumento giusto per il tuo progetto:

• Visualizzazione e tracciamento migliorati: W&B fornisce una dashboard intuitiva per visualizzare le metriche di addestramento e le prestazioni del modello in tempo reale.
• Modello di prezzo: Il prezzo si basa sulle ore tracciate, il che potrebbe non essere l'ideale per utenti con budget limitati o progetti che prevedono lunghi tempi di addestramento.

Tracciamento degli esperimenti MLOps con ClearML#

ClearML è una piattaforma MLOps open-source progettata per automatizzare, monitorare e orchestrare i flussi di lavoro di machine learning. Supporta framework di machine learning popolari come PyTorch, TensorFlow e Keras e può integrarsi facilmente con i tuoi processi esistenti. ClearML supporta anche il calcolo distribuito su macchine locali o nel cloud e può monitorare l'utilizzo di CPU e GPU.

L'integrazione di YOLOv8 con ClearML fornisce strumenti per il tracciamento degli esperimenti, la gestione dei modelli e il monitoraggio delle risorse. L'intuitiva interfaccia web della piattaforma ti consente di visualizzare i dati, confrontare gli esperimenti e tracciare in tempo reale metriche critiche come perdita, accuratezza e punteggi di validazione. L'integrazione supporta anche funzionalità avanzate come l'esecuzione remota, la sintonizzazione degli iperparametri e il salvataggio dei checkpoint dei modelli.

Fig 4. Un esempio delle visualizzazioni di tracciamento degli esperimenti di ClearML. Fonte immagine: Clear ML Tracking Experiments and Visualizing Results.

Ecco alcuni suggerimenti per aiutarti a decidere se ClearML è lo strumento giusto per il tuo progetto:

• Necessità di un tracciamento avanzato degli esperimenti: ClearML fornisce un robusto tracciamento degli esperimenti che include l'integrazione automatica con Git.
• Distribuzione flessibile: ClearML può essere utilizzato on-premise, nel cloud o su cluster Kubernetes, rendendolo adattabile a diverse configurazioni.

Traccia gli esperimenti di addestramento utilizzando Comet ML#

Comet ML è una piattaforma intuitiva che aiuta a gestire e tracciare esperimenti di machine learning. L'integrazione di YOLOv8 con Comet ML ti consente di registrare i tuoi esperimenti e visualizzare i tuoi risultati nel tempo. L'integrazione rende più semplice individuare tendenze e confrontare diverse esecuzioni.

Comet ML può essere utilizzato nel cloud, su un virtual private cloud (VPC) o anche on-premise, rendendolo adattabile a diverse configurazioni ed esigenze. Questo strumento è progettato per il lavoro di squadra. Puoi condividere progetti, taggare i compagni di squadra e lasciare commenti in modo che tutti possano rimanere allineati e riprodurre gli esperimenti con precisione.

Ecco alcuni suggerimenti per aiutarti a decidere se Comet ML è lo strumento giusto per il tuo progetto:

• Supporta più framework e linguaggi: Comet ML funziona con Python, JavaScript, Java, R e altro ancora, rendendolo un'opzione versatile indipendentemente dagli strumenti o dai linguaggi utilizzati dal tuo progetto.
• Dashboard e report personalizzabili: L'interfaccia di Comet ML è altamente personalizzabile, quindi puoi creare i report e le dashboard più sensati per il tuo progetto.
• Costo: Comet ML è una piattaforma commerciale e alcune delle sue funzionalità avanzate richiedono un abbonamento a pagamento.

TensorBoard può aiutare con le visualizzazioni#

TensorBoard è un potente toolkit di visualizzazione progettato specificamente per gli esperimenti TensorFlow, ma è anche un ottimo strumento per tracciare e visualizzare metriche su un'ampia gamma di progetti di machine learning. Conosciuto per la sua semplicità e velocità, TensorBoard consente agli utenti di tracciare facilmente metriche chiave e visualizzare grafici del modello, embedding e altri tipi di dati.

Un grande vantaggio dell'utilizzo di TensorBoard con YOLOv8 è che viene fornito comodamente preinstallato, eliminando la necessità di ulteriori configurazioni. Un altro beneficio è la capacità di TensorBoard di essere eseguito interamente on-premises. Questo è particolarmente fondamentale per i progetti con rigidi requisiti di privacy dei dati o per quelli in ambienti in cui i caricamenti su cloud non sono un'opzione.

Fig 5. Monitoraggio dell'addestramento del modello YOLOv8 tramite TensorBoard.

Ecco alcuni suggerimenti per aiutarti a decidere se TensorBoard è lo strumento giusto per il tuo progetto:

• Spiegabilità con il What-If Tool (WIT): TensorBoard include il What-If Tool, che offre un'interfaccia facile da usare per esplorare e comprendere i modelli ML. È prezioso per chi cerca di ottenere approfondimenti sui modelli black-box e migliorare la spiegabilità.
• Tracciamento semplice degli esperimenti: TensorBoard è ideale per esigenze di tracciamento di base, con un confronto limitato degli esperimenti e privo di robuste funzionalità di collaborazione in team, controllo della versione e gestione della privacy.

Utilizzo di DVCLive (Data Version Control Live) per tracciare esperimenti ML#

L'integrazione di YOLOv8 con DVCLive offre un modo ottimizzato per tracciare e gestire gli esperimenti versionando insieme dataset, modelli e codice senza archiviare file di grandi dimensioni in Git. Utilizza comandi simili a Git e memorizza le metriche tracciate in file di testo semplice per un facile controllo di versione. DVCLive registra le metriche chiave, visualizza i risultati e gestisce gli esperimenti in modo pulito senza sovraccaricare il tuo repository. Supporta un'ampia gamma di provider di archiviazione e può funzionare localmente o nel cloud. DVCLive è perfetto per i team che desiderano semplificare il tracciamento degli esperimenti senza infrastrutture aggiuntive o dipendenze dal cloud.

Gestione dei modelli e flussi di lavoro Ultralytics utilizzando Ultralytics HUB#

Ultralytics HUB è una piattaforma interna all-in-one progettata per semplificare l'addestramento, il rilascio e la gestione dei modelli Ultralytics YOLO come YOLOv5 e YOLOv8. A differenza delle integrazioni esterne, Ultralytics HUB offre un'esperienza nativa e senza interruzioni creata specificamente per gli utenti YOLO. Semplifica l'intero processo, consentendoti di caricare facilmente dataset, scegliere modelli pre-addestrati e avviare l'addestramento con pochi clic utilizzando risorse cloud, il tutto all'interno dell'interfaccia intuitiva di HUB. Ultralytics HUB supporta anche il tracciamento degli esperimenti, rendendo facile monitorare i progressi dell'addestramento, confrontare i risultati e ottimizzare i modelli.

Fig 6. Monitoraggio dell'addestramento del modello YOLOv8 tramite Ultralytics HUB.

Punti chiave#

Scegliere lo strumento giusto per tracciare i tuoi esperimenti di machine learning può fare una grande differenza. Tutti gli strumenti di cui abbiamo discusso possono aiutare con il tracciamento degli esperimenti di addestramento YOLOv8, ma è importante valutare i pro e i contro di ciascuno per trovare quello più adatto al tuo progetto. Lo strumento giusto ti manterrà organizzato e aiuterà a migliorare le prestazioni del tuo modello YOLOv8!

Le integrazioni possono semplificare l'uso di YOLOv8 nei tuoi progetti innovativi e accelerare i tuoi progressi. Per esplorare altre entusiasmanti integrazioni di YOLOv8, dai un'occhiata alla nostra documentazione.

Scopri di più sull'IA esplorando il nostro repository GitHub e unendoti alla nostra community. Visita le pagine delle nostre soluzioni per approfondimenti dettagliati sull'IA nella produzione e nella sanità. 🚀