Weights & Biases

Weights & Biases (spesso abbreviata in W&B o WandB) è un'importante piattaforma per sviluppatori progettata per semplificare operazioni di apprendimento automatico (MLOps). Serve come sistema di registrazione centralizzato per gli ingegneri di machine learning e i data scientist, consentendo loro di di track esperimenti, visualizzare le prestazioni dei modelli e gestire i set di dati. Nel complesso ciclo di vita del apprendimento automatico (ML), è difficile tenere track di ogni di ogni modifica della configurazione e di ogni risultato; W&B risolve questo problema registrando automaticamente le metriche e organizzandole in dashboard interattivi. in cruscotti interattivi. In questo modo i team possono confrontare i diversi cicli di formazione, garantire la riproducibilità e collaborare efficacemente a progetti che spaziano dall'ambito accademico a quello accademico. collaborare in modo efficace su progetti che vanno dalla ricerca accademica alla di computer vision (CV) su scala aziendale.

Distinguere la piattaforma dai concetti

Per comprendere lo strumento, è essenziale differenziarlo dai concetti fondamentali di rete neurale (NN) da cui prende il nome. concetti fondamentali di rete neurale (NN) da cui prende il nome.

• Weights & Biases (la piattaforma): Si riferisce al servizio software e alla libreria che funge da strumento di strumento completo di tracciamento degli esperimenti. Si integra con con i framework più diffusi per monitorare il processo di formazione, gestire le risorse di sistema e archiviare gli artefatti del modello.
• Pesi (il parametro): Nel contesto del deep learning, i pesi del modello sono i coefficienti apprendibili che trasformano i dati in ingresso all'interno degli strati della rete. Determinano la forza della connessione tra i neuroni.
• Bias (il parametro): Si tratta di valori aggiuntivi apprendibili che consentono alla funzione di attivazione di essere spostata a sinistra o a destra, aiutando il modello ad adattarsi meglio ai dati grazie a un offset.

Mentre i parametriweights and biases) sono le componenti matematiche ottimizzate durante l'addestramento tramite discesa stocastica del gradiente (SGD), la piattaformaWeights & Biases) è l'utility utilizzata per osservare e analizzare il processo di ottimizzazione.

Funzionalità e applicazioni chiave

La piattaforma W&B fornisce una suite di strumenti che affrontano sfide specifiche nello sviluppo dell'intelligenza artificiale (AI). sviluppo dell'intelligenza artificiale (AI) flusso di lavoro.

• Tracciamento degli esperimenti: Gli sviluppatori possono registrare le metriche dinamiche come la funzione di perdita e l'accuratezza nel tempo. Questo aiuta a identificare problemi come l'overfitting, quando un modello apprende troppo bene i dati di addestramento ma non riesce a generalizzare.
• Regolazione degli iperparametri: Trovare la migliore configurazione per un modello, ad esempio il tasso di apprendimento, batch o l'architettura della rete, è semplificata con W&B Sweeps, che automatizza la ricerca dei valori ottimali. valori ottimali.
• Versione dei dati e dei modelli: Attraverso gli W&B Artifacts, i team possono track il percorso dei dati e dei modelli salvati. e dei modelli salvati. In questo modo è possibile riprodurre qualsiasi risultato recuperando l'esatta versione dei dati e del codice di dati di formazione e del codice utilizzato.
• Visualizzazione interattiva: La piattaforma esegue il rendering di contenuti multimediali ricchi, consentendo agli utenti di visualizzare le immagini o di sovrapporre maschere di segmentazione, facilitando così una migliore maschere di segmentazione, facilitando una migliore visualizzazione dei dati e il debugging.

Esempi di integrazione nel mondo reale

Weights & Biases è ampiamente utilizzato nei settori che richiedono una rigorosa validazione dei modelli e uno sviluppo collaborativo.

• Rilevamento di oggetti nel settore automobilistico: Un team che sta sviluppando una tecnologia di guida autonoma potrebbe usare Ultralytics YOLO11 per detect pedoni e veicoli. Integrando integrando il W&B, possono visualizzare dati di convalida su migliaia di epoche. In questo modo è possibile individuare casi di errore specifici, come i mancati rilevamenti in condizioni di scarsa illuminazione, e di adattare di conseguenza la loro strategia di strategia di incremento dei dati.
• Analisi delle immagini mediche: I ricercatori che si occupano di AI nel settore sanitario utilizzano W&B per mantenere un un registro preciso degli esperimenti durante l'addestramento dei modelli per il rilevamento dei tumori. Data la natura critica del settore, l'utilizzo di strumenti di monitoraggio dei modelli per metriche come il richiamo e la precisione precisione è fondamentale per la conformità alle normative e per garantire la sicurezza dei pazienti.

Implementazione del W&B con Ultralytics

Integrazione di Weights & Biases con framework moderni come PyTorch o librerie specifiche come Ultralytics è semplice. La libreria rileva automaticamente la presenza di W&B e registra le metriche chiave senza bisogno di un esteso codice di base.

L'esempio seguente mostra come addestrare un modello YOLO11 registrando automaticamente l'esecuzione in Weights & Biases. Biases. Assicurarsi di aver eseguito pip install wandb e autenticato tramite wandb login nel prima di eseguire lo script.

from ultralytics import YOLO

# Initialize the YOLO11 model using pre-trained weights
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
# If 'wandb' is installed and logged in, training metrics are automatically
# uploaded to the Weights & Biases dashboard.
results = model.train(data="coco8.yaml", epochs=5, project="Ultralytics-WandB-Demo", name="yolo11-experiment")

Questa integrazione acquisisce le metriche del sistema, come ad esempio GPU e le metriche del modello, fornendo una visione completa delle prestazioni dell'addestramento. Per approfondimenti, gli utenti possono esplorare la guida all'integrazione di guida all'integrazione diUltralytics per personalizzare i dati registrati.