Weights & Biases

Weights & Biases (W&B, o wandb dopo il nome del pacchetto Python) è una piattaforma per sviluppatori dedicata alle operazioni di apprendimento automatico (MLOps), che registra, visualizza e confronta le esecuzioni di addestramento dei modelli. Bastano poche righe in uno script di addestramento PyTorch o di un altro framework per inviare a una dashboard ospitata la configurazione di ogni esecuzione, come il tasso di apprendimento e la dimensione del batch, insieme alle metriche, alle statistiche della GPU e ai file di output. Qui i team confrontano gli esperimenti, riproducono i risultati e risalgono ai dati e alle impostazioni che hanno prodotto un modello. Oltre al monitoraggio degli esperimenti, W&B offre la messa a punto degli iperparametri, il controllo delle versioni dei dataset e dei modelli, un registro dei modelli e, tramite il prodotto Weave, il tracciamento e la valutazione di applicazioni basate su modelli linguistici di grandi dimensioni (LLM). Il provider di servizi cloud GPU CoreWeave ha completato l'acquisizione di Weights & Biases nel maggio 2025 e la documentazione di W&B è ora disponibile sul sito della documentazione di CoreWeave.

Funzionalità principali#

• Esperimenti: wandb.init() avvia un'esecuzione e ne memorizza la configurazione, mentre wandb.log() registra metriche, immagini e tabelle a ogni passaggio. L'SDK campiona anche metriche di sistema, come l'utilizzo della GPU e della memoria, mettendo in evidenza i colli di bottiglia nel caricamento dei dati.
• Sweeps: Ricerche automatiche di iperparametri con metodi a griglia, casuali o bayesiani, in cui agenti eseguono prove in parallelo su numerose macchine e, facoltativamente, interrompono in anticipo quelle con risultati scadenti.
• Artifact: Dataset versionati, checkpoint dei modelli e altri file, con grafici di derivazione che mostrano quale esecuzione ha utilizzato o prodotto ogni versione.
• Registro: Catalogo curato delle versioni approvate di modelli e dataset che i team avviano verso la distribuzione.
• Report: Documenti condivisibili che combinano grafici aggiornati delle esecuzioni e analisi scritte.
• Weave: Tracciamento, valutazione e monitoraggio dei costi per applicazioni basate su LLM e agenti.

Uno sweep separa la ricerca dall'addestramento: un controller mantiene lo stato della ricerca e propone configurazioni; un numero qualsiasi di agenti le acquisisce, esegue l'addestramento e comunica la metrica obiettivo.

Usare W&B con Ultralytics YOLO#

Ultralytics YOLO include un'integrazione W&B disattivata per impostazione predefinita. Una volta attivata nelle impostazioni Ultralytics, ogni esecuzione di addestramento registra l'elenco completo degli argomenti, le perdite e i tassi di apprendimento per epoca, le metriche di validazione come precisione, richiamo e precisione media media (mAP), nonché i grafici salvati; al termine carica best.pt come artefatto del modello insieme a curve interattive di precisione-richiamo e confidenza. In seguito, questi artefatti best.pt possono essere importati in Ultralytics Platform per la previsione, l'esportazione o la distribuzione.

import os

from ultralytics import YOLO, settings

# Registra localmente senza una chiave API; carica in seguito con "wandb sync", oppure esegui "wandb login" e rimuovi questa riga
os.environ["WANDB_MODE"] = "offline"

# Attiva il callback W&B incorporato (richiede "pip install wandb"; salvato nel file delle impostazioni di Ultralytics)
settings.update({"wandb": True})

# project e name diventano rispettivamente i nomi del progetto e dell'esecuzione W&B
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=5, project="yolo26-experiments", name="baseline")

Le esecuzioni di addestramento che condividono project e differiscono in name vengono visualizzate affiancate in un unico progetto W&B, così puoi confrontare nella stessa dashboard esecuzioni con dimensioni del modello, risoluzioni delle immagini o impostazioni di aumento dei dati diverse.

W&B e termini correlati#

• Pesi e bias del modello: Il nome della piattaforma si riferisce ai parametri apprendibili di una rete neurale. I pesi scalano gli input di ciascun neurone, i bias ne spostano l'output prima della funzione di attivazione e la retropropagazione aggiorna entrambi. Durante l'addestramento, la piattaforma può registrare le relative distribuzioni e i gradienti.
• MLflow: Piattaforma open source per il monitoraggio, la pacchettizzazione e la registrazione dei modelli, spesso ospitata autonomamente dai team. W&B è principalmente un servizio gestito, con opzioni di hosting autonomo per le aziende.
• TensorBoard: Strumento di visualizzazione locale per i log di addestramento di PyTorch e TensorFlow, privo delle funzionalità di collaborazione ospitata, sweeps o registro di W&B.