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

Raccogliere dati, annotarli e addestrare modelli come il modello Ultralytics YOLOv8 è il nucleo di qualsiasi progetto di computer vision. Spesso, dovrai addestrare il tuo modello personalizzato più volte con parametri diversi per creare il modello più ottimale. L'utilizzo di strumenti per tracciare i tuoi esperimenti di addestramento può rendere la gestione del tuo progetto di computer vision un po' più semplice. Il tracciamento degli esperimenti è il processo di registrazione dei dettagli di ogni esecuzione di addestramento, come i parametri utilizzati, i risultati ottenuti e qualsiasi modifica apportata lungo il percorso.

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

Tenere traccia 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 audit. Per i singoli, si tratta di mantenere una documentazione chiara e organizzata del proprio lavoro che ti permetta 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 gli strumenti di tracciamento giusti può fare una reale differenza nel successo dei tuoi progetti YOLOv8.

Link to this sectionTracciamento 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 perfettamente con YOLOv8 e puoi registrare metriche importanti come precision, recall e loss direttamente dai tuoi modelli. Configurare MLflow con YOLOv8 è semplice e ci sono opzioni flessibili: puoi utilizzare la configurazione localhost predefinita, connetterti a vari data store 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.

Link to this sectionUtilizzare 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 facile individuare tendenze, confrontare varianti di modelli e risolvere problemi durante il processo di addestramento.

W&B registra automaticamente le metriche di addestramento e i checkpoint del modello, e puoi persino usarlo per ottimizzare gli iperparametri come learning rate e batch size. 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 cloud storage.

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.

Link to this sectionTracciamento 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 del modello e il monitoraggio delle risorse. L'intuitiva interfaccia web della piattaforma ti consente di visualizzare i dati, confrontare esperimenti e tracciare metriche critiche come loss, precisione e punteggi di validazione in tempo reale. L'integrazione supporta anche funzionalità avanzate come l'esecuzione remota, l'ottimizzazione degli iperparametri e il checkpointing del modello.

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.

Link to this sectionTraccia gli esperimenti di addestramento utilizzando Comet ML#

Comet ML è una piattaforma user-friendly che aiuta a gestire e tracciare gli 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.

Link to this sectionTensorBoard 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 pre-installato, eliminando la necessità di ulteriori configurazioni. Un altro vantaggio è la capacità di TensorBoard di essere eseguito interamente on-premise. Questo è particolarmente importante per i progetti con rigorosi requisiti di privacy dei dati o per quelli in ambienti in cui i caricamenti nel cloud non sono un'opzione.

Fig 5. Monitoraggio dell'addestramento del modello YOLOv8 utilizzando 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.

Link to this sectionUtilizzo di DVCLive (Data Version Control Live) per tracciare esperimenti ML#

L'integrazione di YOLOv8 con DVCLive fornisce un modo semplificato per tracciare e gestire esperimenti creando versioni dei tuoi dataset, modelli e codice insieme, senza archiviare file di grandi dimensioni in Git. Utilizza comandi simili a Git e archivia le metriche tracciate in file di testo semplici per un facile controllo della versione. DVCLive registra le metriche chiave, visualizza i risultati e gestisce gli esperimenti in modo pulito senza ingombrare 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 cercano di semplificare il tracciamento degli esperimenti senza infrastrutture aggiuntive o dipendenze cloud.

Link to this sectionGestione dei modelli e flussi di lavoro Ultralytics utilizzando Ultralytics HUB#

Ultralytics HUB è una piattaforma all-in-one interna progettata per semplificare l'addestramento, la distribuzione 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 appositamente per gli utenti YOLO. Semplifica l'intero processo, consentendoti di caricare facilmente i dataset, scegliere modelli pre-addestrati e iniziare l'addestramento con pochi clic utilizzando le risorse cloud, tutto all'interno dell'interfaccia facile da usare dell'HUB. Ultralytics HUB supporta anche il tracciamento degli esperimenti, rendendo facile il monitoraggio dell'avanzamento dell'addestramento, il confronto dei risultati e l'ottimizzazione dei modelli.

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

Link to this sectionPunti 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'utilizzo di YOLOv8 nei tuoi progetti innovativi e accelerare i tuoi progressi. Per esplorare altre interessanti integrazioni di YOLOv8, consulta la nostra documentazione.

Scopri di più sull'AI esplorando il nostro repository GitHub e unendoti alla nostra community. Dai un'occhiata alle nostre pagine delle soluzioni per approfondimenti dettagliati sull'AI nella produzione e nell'assistenza sanitaria. 🚀