Explorar as integrações de acompanhamento de experiências de ML do Ultralytics YOLOv8

Coletar dados e anotá-los, além de treinar modelos como o modelo Ultralytics YOLOv8, é a essência de qualquer projeto de visão computacional. Muitas vezes, você precisará treinar seu modelo personalizado várias vezes com parâmetros diferentes para encontrar o modelo com melhor desempenho. Usar ferramentas para acompanhar seus experimentos de treinamento pode facilitar um pouco o gerenciamento do seu projeto de visão computacional. O rastreamento de experimentos é o processo de registrar os detalhes de cada execução de treinamento — como os parâmetros utilizados, os resultados obtidos e as alterações feitas ao longo do processo.

Fig. 1. Imagem que mostra como o acompanhamento de experimentos se encaixa em um projeto de visão computacional.

Manter um registro desses detalhes ajuda você a reproduzir seus resultados, entender o que funciona e o que não funciona e ajustar seus modelos com mais eficiência. Para as organizações, isso ajuda a manter a consistência entre as equipes, promove a colaboração e fornece um histórico de auditoria claro. Para cada pessoa, trata-se de manter uma documentação clara e organizada do trabalho, que permita refinar a abordagem e obter resultados melhores com o tempo.

Neste artigo, vamos apresentar as diferentes integrações de treinamento disponíveis para gerenciar e monitorar seus experimentos com YOLOv8. Quer você esteja trabalhando por conta própria ou como parte de uma equipe maior, entender e usar as ferramentas de rastreamento certas pode fazer uma diferença real no sucesso dos seus projetos com YOLOv8.

Acompanhamento de experimentos de machine learning com MLflow#

MLflow é uma plataforma de código aberto desenvolvida pela Databricks que facilita o gerenciamento de todo o ciclo de vida do machine learning. O MLflow Tracking é um componente essencial do MLflow que oferece uma API e uma interface de usuário para ajudar cientistas de dados e engenheiros a registrar e visualizar seus experimentos de machine learning. Ele é compatível com várias linguagens e interfaces, incluindo Python, REST e as APIs de Java e R.

O MLflow Tracking se integra perfeitamente ao YOLOv8, e você pode registrar métricas importantes, como precisão, revocação e perda, diretamente dos seus modelos. Configurar o MLflow com YOLOv8 é simples e há opções flexíveis: você pode usar a configuração padrão de localhost, conectar-se a vários armazenamentos de dados ou iniciar um servidor remoto de acompanhamento do MLflow para manter tudo organizado.

Fig. 2. Configurações comuns do ambiente de rastreamento do MLflow. Fonte da imagem: MLflow Tracking.

Veja alguns pontos que podem ajudar você a decidir se o MLflow é a ferramenta certa para seu projeto:

• Escalabilidade: o MLflow se adapta bem às suas necessidades, seja trabalhando em uma única máquina ou implantando em grandes clusters. Se o seu projeto precisar crescer do desenvolvimento à produção, o MLflow poderá dar suporte a essa expansão.
• Complexidade do projeto: o MLflow é ideal para projetos complexos que exigem acompanhamento detalhado, gerenciamento de modelos e recursos de implantação. Se o seu projeto precisar desses recursos abrangentes, o MLflow poderá simplificar seus fluxos de trabalho.
• Configuração e manutenção: apesar de ser poderoso, o MLflow exige algum tempo de aprendizado e esforço de configuração.

Como usar Weights & Biases (W&B) para acompanhar modelos de visão computacional#

Weights & Biases é uma plataforma de MLOps para rastrear, visualizar e gerenciar experimentos de aprendizado de máquina. Ao usar W&B com YOLOv8, você pode monitorar o desempenho dos seus modelos durante o treinamento e o ajuste fino. O painel interativo do W&B oferece uma visão clara e em tempo real dessas métricas, facilitando a identificação de tendências, a comparação de variantes de modelos e a investigação de problemas durante o processo de treinamento.

O W&B registra automaticamente as métricas de treinamento e os checkpoints dos modelos, e você pode usá-lo até mesmo para ajustar hiperparâmetros, como a taxa de aprendizado e o tamanho do lote. A plataforma oferece várias opções de configuração, desde o acompanhamento de execuções na sua máquina local até o gerenciamento de projetos de grande escala com armazenamento em nuvem.

Fig. 3. Exemplo dos painéis de acompanhamento de experimentos do Weights & Biases. Fonte da imagem: acompanhar experimentos com Weights & Biases.

Veja alguns pontos que podem ajudar você a decidir se o Weights & Biases é a ferramenta certa para seu projeto:

• Visualização e acompanhamento aprimorados: o W&B oferece um painel intuitivo para visualizar métricas de treinamento e o desempenho dos modelos em tempo real.

Acompanhamento de experimentos de MLOps com ClearML#

ClearML é uma plataforma de MLOps de código aberto projetada para automatizar, monitorar e orquestrar fluxos de trabalho de machine learning. Ela é compatível com frameworks populares de machine learning, como PyTorch, TensorFlow e Keras, e pode ser facilmente integrada aos seus processos atuais. ClearML também oferece suporte à computação distribuída em máquinas locais ou na nuvem e pode monitorar o uso de CPU e GPU.

A integração do YOLOv8 com o ClearML oferece ferramentas para rastreamento de experimentos, gerenciamento de modelos e monitoramento de recursos. A interface web intuitiva da plataforma permite visualizar dados, comparar experimentos e acompanhar métricas importantes, como perda, precisão e pontuações de validação, em tempo real. A integração também oferece suporte a recursos avançados, como execução remota, ajuste de hiperparâmetros e criação de checkpoints de modelos.

Fig. 4. Exemplo das visualizações de rastreamento de experimentos do ClearML. Fonte da imagem: ClearML Tracking Experiments and Visualizing Results.

Veja alguns pontos que podem ajudar você a decidir se o ClearML é a ferramenta certa para seu projeto:

• Necessidade de acompanhamento avançado de experimentos: o ClearML oferece um acompanhamento robusto de experimentos, incluindo integração automática com o Git.
• Implantação flexível: o ClearML pode ser usado localmente, na nuvem ou em clusters Kubernetes, adaptando-se a diferentes configurações.

Acompanhe experimentos de treinamento com Comet ML#

Comet ML é uma plataforma fácil de usar que ajuda a gerenciar e acompanhar experimentos de machine learning. A integração do YOLOv8 com Comet ML permite registrar seus experimentos e consultar os resultados ao longo do tempo. A integração facilita a identificação de tendências e a comparação de diferentes execuções.

Comet ML pode ser usado na nuvem, em uma nuvem privada virtual (VPC) ou até mesmo localmente, adaptando-se a diferentes configurações e necessidades. Essa ferramenta foi projetada para o trabalho em equipe. Você pode compartilhar projetos, marcar colegas de equipe e deixar comentários para que todos se mantenham alinhados e reproduzam os experimentos com precisão.

Veja alguns pontos que podem ajudar você a decidir se o Comet ML é a ferramenta certa para seu projeto:

• Compatibilidade com várias estruturas e linguagens: o Comet ML funciona com Python, JavaScript, Java, R e outras linguagens, sendo uma opção versátil, independentemente das ferramentas ou linguagens usadas no seu projeto.
• Painéis e relatórios personalizáveis: a interface do Comet ML é altamente personalizável, permitindo criar relatórios e painéis que façam mais sentido para seu projeto.
• Custo: Comet ML é uma plataforma comercial, e alguns dos recursos avançados exigem uma assinatura paga.

O TensorBoard pode ajudar com visualizações#

TensorBoard é um poderoso conjunto de ferramentas de visualização projetado especificamente para experimentos com TensorFlow, mas também é uma ótima ferramenta para acompanhar e visualizar métricas em uma ampla variedade de projetos de machine learning. Conhecido por sua simplicidade e velocidade, TensorBoard permite acompanhar facilmente as principais métricas e visualizar gráficos de modelos, embeddings e outros tipos de dados.

Uma das principais vantagens de usar o TensorBoard com YOLOv8 é que ele exige uma configuração mínima: basta instalar o pacote tensorboard e ativar o registro uma vez com yolo settings tensorboard=True. Outra vantagem é que o TensorBoard pode ser executado inteiramente no local. Isso é especialmente importante para projetos com requisitos rigorosos de privacidade de dados ou em ambientes nos quais não é possível enviar dados para a nuvem.

Fig. 5. Monitoramento do treinamento de modelos YOLOv8 usando TensorBoard.

Veja alguns pontos que podem ajudar você a decidir se o TensorBoard é a ferramenta certa para seu projeto:

• Acompanhamento simples de experimentos: TensorBoard é ideal para necessidades básicas de acompanhamento, com comparação limitada entre experimentos, e não oferece recursos robustos de colaboração em equipe, controle de versões e gerenciamento de privacidade.

Como usar DVCLive (Data Version Control Live) para acompanhar experimentos de ML#

A integração do YOLOv8 com o DVCLive oferece uma maneira simplificada de rastrear e gerenciar experimentos, mantendo o controle de versões dos conjuntos de dados, modelos e código em conjunto, sem armazenar arquivos grandes no Git. Ela usa comandos semelhantes aos do Git e armazena as métricas rastreadas em arquivos de texto simples para facilitar o controle de versões. O DVCLive registra métricas importantes, visualiza resultados e gerencia experimentos sem complicações nem desorganizar seu repositório. Ele é compatível com uma ampla variedade de provedores de armazenamento e pode funcionar localmente ou na nuvem. O DVCLive é uma boa opção para equipes que buscam simplificar o rastreamento de experimentos sem infraestrutura adicional nem dependências da nuvem.

Gerenciamento de modelos e fluxos de trabalho da Ultralytics com Ultralytics HUB#

O Ultralytics HUB (agora Ultralytics Platform) é uma plataforma interna completa, criada para simplificar o treinamento, a implantação e o gerenciamento de modelos Ultralytics YOLO, como YOLOv5 e YOLOv8. Ao contrário das integrações externas, o Ultralytics HUB oferece uma experiência nativa, criada especificamente para usuários do YOLO. Ele simplifica todo o processo, permitindo que você carregue conjuntos de dados, escolha modelos pré-treinados e inicie o treinamento com apenas alguns cliques usando recursos de nuvem — tudo na interface fácil de usar do HUB. O Ultralytics HUB também oferece suporte ao rastreamento de experimentos, facilitando o monitoramento do progresso do treinamento, a comparação de resultados e o ajuste fino dos modelos.

Fig. 6. Monitoramento do treinamento de modelos YOLOv8 usando Ultralytics HUB.

Principais conclusões#

Escolher a ferramenta certa para acompanhar seus experimentos de machine learning pode fazer uma grande diferença. Todas as ferramentas que discutimos podem ajudar a acompanhar experimentos de treinamento com YOLOv8, mas é importante avaliar os prós e os contras de cada uma para encontrar a opção ideal para seu projeto. A ferramenta certa ajudará você a manter tudo organizado e a melhorar o desempenho do seu modelo YOLOv8!

As integrações podem simplificar o uso do YOLOv8 nos seus projetos e acelerar seu progresso. Para conhecer mais integrações com YOLOv8, confira nossa documentação.

Saiba mais sobre IA explorando nosso repositório do GitHub e participando da nossa comunidade. Confira nossas páginas de soluções para saber mais sobre IA em manufatura e saúde.