Dare una spinta a Ultralytics con Weights & Biases

Ecco un altro momento saliente di YOLO Vision 2023 (YV23), tenutosi al Google for Startups Campus di Madrid. L'intervento si è concentrato sulle operazioni di machine learning, ambito in cui Ultralytics e Weights & Biases collaborano per semplificare i flussi di lavoro di addestramento. Soumik Rakshit, Machine Learning Engineer di Weights & Biases, ha mostrato come gestire facilmente gli esperimenti e i checkpoint dei modelli e visualizzare i risultati degli esperimenti.

I vantaggi di Weights & Biases: il sogno di ogni sviluppatore#

Weights & Biases è una piattaforma MLOps pensata innanzitutto per gli sviluppatori, che consente di monitorare, confrontare e condividere gli esperimenti di machine learning. La sua suite di strumenti aiuta i team a comprendere e migliorare i propri modelli.

Integrazione di Ultralytics con W&B#

Nel suo intervento, Soumik ha presentato il lavoro svolto da Weights & Biases per integrare le sue funzionalità con Ultralytics YOLOv8, inclusa la visualizzazione dell'inferenza per il rilevamento degli oggetti, e ha mostrato come usare questa integrazione nei tuoi flussi di lavoro Ultralytics.

Dalla teoria alla pratica: una dimostrazione dal vivo#

Soumik ha illustrato un flusso di lavoro completo per il rilevamento degli oggetti, usando un dataset ospitato su Weights & Biases e addestrando un modello con Ultralytics, per mostrare come collaborano le due piattaforme.

Funzionalità principali della dashboard di Weights & Biases#

Weights & Biases offre anche una dashboard che permette di visualizzare il grafico dell’addestramento e le metriche. Ecco alcune funzionalità principali:

• Monitoraggio delle metriche in tempo reale: monitora in tempo reale metriche di prestazione fondamentali, come accuratezza, loss e punteggi di validazione, mentre il tuo modello di deep learning viene addestrato, così da poter apportare modifiche tempestive e ottenere informazioni sul comportamento del modello.
• Ottimizzazione degli iperparametri: usa strumenti automatizzati o tecniche manuali per ottimizzare iperparametri come il learning rate, la dimensione del batch e l'architettura della rete, migliorando le prestazioni e la convergenza del modello.
• Visualizzazione dei progressi dell’addestramento: comprendi meglio il comportamento del modello visualizzando i progressi dell’addestramento tramite grafici, diagrammi e istogrammi, così da ottenere informazioni sulle dinamiche di addestramento, sull’overfitting e sui modelli di convergenza.
• Monitoraggio delle risorse: tieni sotto controllo le risorse computazionali, come CPU, GPU e uso della memoria, durante l’addestramento del modello, assicurando un’allocazione efficiente delle risorse e prevenendo colli di bottiglia che potrebbero compromettere le prestazioni dell’addestramento.

Per approfondire ogni funzionalità, consulta la sezione sulla dashboard di Weights & Biases nella documentazione Ultralytics.

In conclusione#

L'intervento di Soumik ha mostrato come il monitoraggio degli esperimenti con Weights & Biases semplifichi la gestione, il confronto e la condivisione delle esecuzioni di addestramento Ultralytics, sia che tu sia un ingegnere ML esperto sia che tu stia iniziando a lavorare con l'IA. Se monitori già le esecuzioni di YOLO in W&B, puoi anche importare quei modelli in Ultralytics Platform.

Guarda il talk completo su YouTube.