Weights & Biases

Weights & Biases (흔히 W&B 또는 WandB로 약칭)은 다음을 위해 설계된 유명한 개발자 우선 플랫폼입니다. 간소화 머신 러닝 운영(MLOps). 머신 러닝 엔지니어와 데이터 과학자를 위한 중앙 집중식 기록 시스템으로, 다음과 같은 작업을 수행할 수 있습니다. 실험을 track , 모델 성능을 시각화하며, 데이터 세트를 관리할 수 있습니다. 머신 러닝의 복잡한 수명 주기에서 머신 러닝(ML)의 복잡한 수명 주기에서 모든 구성 변경과 모든 구성 변경과 결과를 추적하는 것은 어렵습니다. W&B는 자동으로 메트릭을 기록하고 대화형 대시보드로 구성하여 대화형 대시보드로 구성하여 이 문제를 해결합니다. 이를 통해 팀은 다양한 트레이닝 실행을 비교하고 재현성을 보장하며 학술 연구부터 엔터프라이즈 규모에 이르는 다양한 프로젝트에서 효과적으로 협업할 수 있습니다. 컴퓨터 비전(CV) 배포에 이르기까지 다양한 프로젝트에서 효과적으로 협업할 수 있습니다.

플랫폼과 개념 구분하기

이 도구를 이해하려면 이 도구의 이름을 딴 근본적인 신경망(NN) 개념과 구별하는 것이 중요합니다.

• Weights & Biases (플랫폼): 이는 종합적인 실험 추적 도구 역할을 하는 종합적인 실험 추적 도구 역할을 하는 소프트웨어 서비스 및 라이브러리를 말합니다. 다음과 통합됩니다. 트레이닝 프로세스를 모니터링하고, 시스템 리소스를 관리하고, 모델 아티팩트를 저장하기 위해 널리 사용되는 프레임워크와 통합됩니다.
• 가중치(매개변수): 딥러닝의 맥락에서 모델 가중치는 네트워크 레이어 내에서 입력 데이터를 변환하는 네트워크 레이어 내에서 입력 데이터를 변환하는 학습 가능한 계수입니다. 뉴런 간의 연결 강도를 결정합니다.
• 바이어스(파라미터): 학습 가능한 추가 값으로, 활성화 함수를 활성화 함수를 왼쪽 또는 오프셋을 제공하여 모델이 데이터에 더 잘 맞도록 도와줍니다.

파라미터weights and biases)는 훈련 중에 최적화된 수학적 구성 요소이지만 확률적 경사 하강(SGD), 플랫폼Weights & Biases)은 이러한 최적화 과정을 관찰하고 분석하는 데 사용되는 유틸리티입니다.

주요 기능 및 애플리케이션

W&B 플랫폼은 다음과 같은 특정 과제를 해결하는 도구 모음을 제공합니다. 인공 지능(AI) 개발 워크플로우를 제공합니다.

• 실험 추적: 개발자는 시간 경과에 따른 손실 함수 및 정확도와 같은 손실 함수 및 시간 경과에 따른 정확도 등의 동적 지표를 기록할 수 있습니다. 이는 다음과 같은 경우에 도움이 됩니다. 과적합과 같은 문제를 식별하는 데 도움이 됩니다. 학습 데이터를 너무 잘 학습하지만 일반화에 실패하는 경우와 같은 문제를 식별하는 데 도움이 됩니다.
• 하이퍼파라미터 튜닝: 모델에 가장 적합한 구성 찾기(예 학습률 배치 크기, 네트워크 아키텍처 등 모델에 가장 적합한 구성을 찾는 작업이 최적의 값 검색을 자동화하는 W&B 스윕을 사용하면 값을 자동으로 검색합니다.
• 데이터 및 모델 버전 관리: 다음을 통해 W&B 아티팩트를 통해 팀은 데이터의 계보를 track 수 있습니다. 및 저장된 모델의 계보를 추적할 수 있습니다. 이를 통해 사용된 학습 데이터와 코드의 정확한 버전을 검색하여 모든 결과를 재현할 수 있습니다. 정확한 버전을 검색하여 결과를 재현할 수 있습니다.
• 인터랙티브 시각화: 이 플랫폼은 리치 미디어를 렌더링하여 사용자가 이미지의 예측된 이미지의 바운딩 박스 또는 오버레이 세분화 마스크를 표시하여 더 나은 데이터 시각화 및 디버깅을 용이하게 합니다.

실제 통합 사례

Weights & Biases 엄격한 모델 검증과 공동 개발이 필요한 산업 분야에서 널리 사용됩니다.

• 자동차 물체 감지: 자율 주행 기술을 개발하는 팀은 다음을 사용할 수 있습니다. Ultralytics YOLO11 을 사용하여 보행자와 차량을 detect 수 있습니다. W&B를 W&B를 통합하여 수천 개의 검증 데이터 예측을 시각화할 수 있습니다. 시각화할 수 있습니다. 이를 통해 저조도 환경에서의 감지 누락과 같은 특정 실패 사례를 특정 실패 사례를 발견하고 그에 따라 데이터 보강 전략을 조정할 수 있습니다.
• 의료 이미지 분석: 연구 중인 연구원 의료 분야의 AI 연구자들은 W&B를 사용하여 종양 탐지 모델을 학습시킬 때 종양 검출을 위한 모델을 훈련할 때 정확한 실험 로그를 유지합니다. 이 분야의 중요한 특성을 고려할 때 모델 모니터링 도구를 활용하여 리콜과 같은 메트릭과 정밀도는 규정 준수와 환자 안전을 보장하는 데 필수적입니다.

Ultralytics W&B 구현하기

다음과 같은 최신 프레임워크와 Weights & Biases 통합 PyTorch 또는 Ultralytics 같은 특정 라이브러리와 통합하는 것은 간단합니다. 라이브러리가 자동으로 W&B의 존재를 감지하고 광범위한 상용구 코드 없이도 주요 지표를 자동으로 감지하고 기록합니다.

다음 예시는 달리기를 자동으로 웨이트 및 편향에 기록하면서 YOLO11 모델을 훈련하는 방법을 보여줍니다. 바이어스. 달리기를 했는지 확인합니다. pip install wandb 를 통해 인증하고 wandb login 터미널에서 터미널에서 스크립트를 실행합니다.

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")

이 통합은 다음과 같은 시스템 메트릭을 캡처합니다. GPU 사용량 및 모델 메트릭과 같은 시스템 메트릭을 캡처합니다, 트레이닝 성능에 대한 종합적인 보기를 제공합니다. 더 심층적인 인사이트를 얻으려면 사용자는 Ultralytics 통합 가이드에서 사용자 지정할 수 있습니다.