Weights & Biases

Weights & Biases （しばしばW&BまたはWandBと略される）は、次のような目的で設計された著名な開発者優先のプラットフォームである。 合理化 機械学習オペレーション（MLOps）を合理化するために設計された著名な開発者ファーストのプラットフォームである。機械学習エンジニアとデータサイエンティストのための集中記録システムとして機能し、以下を可能にする。 実験をtrack し、モデルのパフォーマンスを可視化し、データセットを管理することができます。機械学習（ML）の複雑なライフサイクルにおいて 機械学習（ML）の複雑なライフサイクルでは、すべての設定変更と結果をtrack することは困難です。 W&Bは、メトリクスを自動的に記録し、対話型のダッシュボードに整理することで、この問題を解決します。 インタラクティブなダッシュボードに整理します。これにより、チームは異なるトレーニングの実行を比較し、再現性を確保し、次のようなことが可能になります。 学術研究から企業規模のプロジェクトまで効果的な共同作業が可能になります。 コンピュータビジョン(CV)の導入に至るまで、様々なプロジェクトで効果的な共同作業が可能になります。

プラットフォームとコンセプトを区別する

このツールを理解するためには、その名前に由来する基本的なニューラルネットワーク（NN）の概念と区別することが不可欠である。 ニューラルネットワーク（NN）の概念と区別することが重要である。

• Weights & Biases （プラットフォーム）：これは、包括的な実験追跡ツールとして機能するソフトウェアサービスとライブラリを指す。 総合的な実験追跡ツール。一般的なフレームワークと統合し 一般的なフレームワークと統合し、トレーニングプロセスの監視、システムリソースの管理、モデルの成果物の保存を行う。
• 重み（パラメータ）：ディープラーニングの文脈では モデルの重みとは、学習可能な係数のことである。 ネットワークのレイヤー内で入力データを変換する、学習可能な係数である。重みはニューロン間の接続の強さを決定する。
• バイアス（パラメータ）：これらは学習可能な追加値で 活性化関数を左右に オフセットを提供することで、モデルがデータによりよくフィットするのを助ける。

パラメータweights and biases）は、確率的勾配降下法（SGD）によって学習中に最適化される数学的要素である。 確率的勾配降下法（SGD）、 プラットフォームWeights & Biases）は、その最適化プロセスを観察・分析するためのユーティリティです。

主な機能と用途

W&Bプラットフォームは、人工知能（AI）開発における特定の課題に対応するツール群を提供します。 人工知能（AI）開発 ワークフローを提供します。

• 実験のトラッキング：開発者は、損失関数や精度などの動的メトリクスを を記録することができます。これは オーバーフィッティングのような問題の特定に役立ちます。 が学習データをうまく学習しすぎて汎化に失敗するような問題を特定するのに役立ちます。
• ハイパーパラメータのチューニング：ハイパーパラメータのチューニング：モデルに最適な設定を見つける。 学習率 バッチサイズやネットワークアーキテクチャーなど、モデルに最適なコンフィギュレーションを見つけるのは簡単です。 最適値の探索を自動化するW&B Sweepsを使用することで 値を自動検索します。
• データとモデルのバージョン管理：W&Bアーティファクトを通して W&Bアーティファクトを通じて、チームはデータや保存モデルの系譜をtrack ことができます。 と保存されたモデルの系譜を追跡することができます。これにより、使用したトレーニングデータとコードの正確なバージョンを取得することで、どのような結果も再現できるようになります。 使用されたトレーニングデータとコードの正確なバージョンを取得することで、どのような結果も再現できるようになります。
• インタラクティブな視覚化：このプラットフォームはリッチメディアをレンダリングし、ユーザーは予測された バウンディングボックスを表示したり、セグメンテーションマスク マスクを重ねて表示することができます。 データの可視化とデバッグを容易にします。

実際の統合例

Weights & Biases 、厳密なモデル検証や共同開発を必要とする業界で広く使用されています。

• 自動車の物体検知：自動運転技術を開発するチームは、次のようなものを使うかもしれない。 Ultralytics YOLO11を使用して歩行者と車両をdetect する可能性がある。W&Bを統合することで W&Bを統合することで 何千ものエポックにわたる検証データの予測を可視化できる。 エポックを可視化できる。これにより、特定の障害ケースを発見することができる、 を発見し、それに応じてデータ増強戦略を調整することができる。 データ増強戦略を調整することができます。
• 医療画像解析：医療AIに取り組む研究者 W&Bを使用して、腫瘍検出モデルをトレーニングする際に、正確な実験ログを維持することができます。 腫瘍検出のためのモデルをトレーニングする際に、実験の正確なログを維持するためにW&Bを使用しています。この分野のクリティカルな性質を考慮すると モデル監視ツールをtrack リコールや精度といった指標を追跡する 精度のような指標を追跡するモデルモニタリングツールの活用は、規制遵守と患者の安全性確保に不可欠です。 患者の安全を確保するために不可欠である。

UltralyticsW&Bの導入

Weights & Biases 以下のような最新のフレームワークと統合する。 PyTorchやUltralytics ような特定のライブラリとの統合は 簡単です。ライブラリはW&Bの存在を自動的に検出し、主要なメトリクスをログに記録します。 を記録します。

次の例は、YOLO11 モデルをトレーニングし、その実行を自動的にWeights & Biasesに記録する方法を示している。 バイアス。以下を実行したことを確認してください pip install wandb を介して認証される。 wandb login スクリプトを実行する前に ターミナルでスクリプトを実行する。

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")

この統合は、次のようなシステム・メトリクスを取得します。 GPU使用率やモデルメトリッ トレーニングパフォーマンスの包括的なビューを提供します。より深い洞察のために、ユーザーは Ultralytics 統合ガイドを参照して をカスタマイズすることができます。