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

A recolha de dados, a sua anotação e o treino de modelos como o modeloUltralytics YOLOv8 são o núcleo de qualquer projeto de visão computacional. Muitas vezes, é necessário treinar o seu modelo personalizado várias vezes com diferentes parâmetros para criar o modelo mais optimizado. A utilização de ferramentas para track as experiências de treino pode facilitar um pouco a gestão do projeto de visão por computador. O acompanhamento de experiências é o processo de registo dos detalhes de cada execução de treino - como os parâmetros utilizados, os resultados obtidos e quaisquer alterações efectuadas ao longo do processo. 

‍

Manter um registro desses detalhes ajuda você a reproduzir seus resultados, entender o que funciona e o que não funciona e ajustar seus modelos de forma mais eficaz. Para as organizações, ajuda a manter a consistência entre as equipes, promove a colaboração e fornece uma trilha de auditoria clara. Para os indivíduos, trata-se de manter uma documentação clara e organizada do seu trabalho, que permite refinar sua abordagem e obter melhores resultados ao longo do tempo. 

Neste artigo, vamos guiá-lo através das diferentes integrações de formação disponíveis para gerir e monitorizar as suas experiências YOLOv8 . Quer esteja a trabalhar sozinho ou como parte de uma equipa maior, compreender e utilizar as ferramentas de acompanhamento certas pode fazer uma verdadeira diferença no sucesso dos seus projectosYOLOv8 .

Rastreamento de experimentos de aprendizado de máquina com MLflow

O MLflow é uma plataforma de código aberto desenvolvida pela Databricks que facilita a gestão de todo o ciclo de vida da aprendizagem automática. O MLflow Tracking é um componente essencial do MLflow que fornece uma API e uma interface de utilizador que ajuda os cientistas e engenheiros de dados a registar e visualizar as suas experiências de aprendizagem automática. Suporta várias linguagens e interfaces, incluindo APIs Python, REST, Java e R. 

O rastreio do MLflow integra-se perfeitamente com o YOLOv8 e pode registar métricas importantes como a precisão, a recuperação e a perda diretamente dos seus modelos. A configuração do MLflow com o YOLOv8 é simples e existem opções flexíveis: pode utilizar a configuração padrão do localhost, ligar-se a vários armazenamentos de dados ou iniciar um servidor de rastreio MLflow remoto para manter tudo organizado.

‍

Aqui estão algumas considerações para ajudá-lo a decidir se o MLflow é a ferramenta certa para o seu projeto:

• Escalabilidade: O MLflow se adapta bem às suas necessidades, quer você esteja trabalhando em uma única máquina ou implantando em grandes clusters. Se o seu projeto envolver escalar do desenvolvimento para a produção, o MLflow pode suportar esse crescimento.
  ‍
• Complexidade do projeto: O MLflow é ideal para projetos complexos que necessitam de um acompanhamento completo, gestão de modelos e capacidades de implementação. Se o seu projeto exigir estas funcionalidades em grande escala, o MLflow pode otimizar os seus fluxos de trabalho.
  ‍
• Configuração e manutenção: Embora poderoso, o MLflow tem uma curva de aprendizagem e custos de configuração. 

Utilização de Weights & Biases (W&B) para o seguimento de modelos de visão por computador

Weights & Biases é uma plataforma MLOps para rastrear, visualizar e gerir experiências de aprendizagem automática. Ao utilizar o W&B com o YOLOv8, pode monitorizar o desempenho dos seus modelos à medida que os treina e afina. O painel interativo do W&B fornece uma visão clara e em tempo real destas métricas e facilita a deteção de tendências, a comparação de variantes de modelos e a resolução de problemas durante o processo de formação.

O W&B regista automaticamente as métricas de treino e os checkpoints do modelo, e pode até usá-lo para ajustar hiperparâmetros como a taxa de aprendizagem e o tamanho do lote. A plataforma suporta uma ampla gama de opções de configuração, desde o rastreamento de execuções na sua máquina local até à gestão de projetos de grande escala com armazenamento na nuvem.

‍

Seguem-se alguns contributos para o ajudar a decidir se o Weights & Biases é a ferramenta certa para o seu projeto:

• Visualização e rastreamento aprimorados: O W&B fornece um painel intuitivo para visualizar as métricas de treinamento e o desempenho do modelo em tempo real. 
  ‍
• Modelo de preços: O preço baseia-se nas horas rastreadas, o que pode não ser ideal para utilizadores com orçamentos limitados ou projetos que envolvam longos tempos de treino.

Acompanhamento de experiências MLOps com ClearML

ClearML é uma plataforma MLOps de código aberto concebida para automatizar, monitorizar e orquestrar fluxos de trabalho de aprendizagem automática. Ele oferece suporte a estruturas populares de aprendizado de máquina, como PyTorch, TensorFlow e Keras, e pode se integrar facilmente aos seus processos existentes. ClearML também suporta a computação distribuída em máquinas locais ou na nuvem e pode monitorizar a utilização da CPU e GPU .

A integração doYOLOv8com o ClearML fornece ferramentas para acompanhamento de experiências, gestão de modelos e monitorização de recursos. A interface de utilizador Web intuitiva da plataforma permite-lhe visualizar dados, comparar experiências e track métricas críticas como perda, precisão e pontuações de validação em tempo real. A integração também suporta recursos avançados, como execução remota, ajuste de hiperparâmetros e checkpointing de modelos.

‍

Seguem-se alguns contributos para o ajudar a decidir se ClearML é a ferramenta certa para o seu projeto:

• Necessidade de acompanhamento avançado de experiências: ClearML fornece um controlo de experiências robusto que inclui a integração automática com o Git.
  ‍
• Implantação flexível: ClearML pode ser usado no local, na nuvem ou em clusters Kubernetes, tornando-o adaptável a diferentes configurações.

Experiências de treino de trajectos utilizando Comet ML

Comet ML é uma plataforma de fácil utilização que ajuda a gerir e track as experiências de aprendizagem automática. A integração doYOLOv8com o Comet ML permite-lhe registar as suas experiências e visualizar os seus resultados ao longo do tempo. A integração facilita a deteção de tendências e a comparação de diferentes execuções. 

Comet ML pode ser utilizado na nuvem, numa nuvem privada virtual (VPC) ou mesmo no local, o que o torna adaptável a diferentes configurações e necessidades. Esta ferramenta foi concebida para o trabalho em equipa. Pode partilhar projectos, marcar colegas de equipa e deixar comentários para que todos possam estar na mesma página e reproduzir experiências com precisão.

Eis alguns contributos para o ajudar a decidir se Comet ML é a ferramenta certa para o seu projeto:

• Suporta várias estruturas e linguagens: Comet ML funciona com PythonJavaScript, Java, R e muito mais, tornando-o uma opção versátil, independentemente das ferramentas ou linguagens utilizadas no seu projeto.
  ‍
• Painéis e relatórios personalizáveis: A interface do Comet ML é altamente personalizável, pelo que pode criar os relatórios e painéis de controlo que fazem mais sentido para o seu projeto.
  ‍
• Custo: Comet ML é uma plataforma comercial e algumas das suas funcionalidades avançadas requerem uma subscrição paga.

O TensorBoard pode ajudar com visualizações.

O TensorBoard é um poderoso kit de ferramentas de visualização especificamente concebido para experiências TensorFlow , mas é também uma excelente ferramenta para acompanhar e visualizar métricas numa vasta gama de projectos de aprendizagem automática. Conhecido pela sua simplicidade e velocidade, o TensorBoard permite que os utilizadores track facilmente as principais métricas e visualizem gráficos de modelos, embeddings e outros tipos de dados.

Uma grande vantagem de usar o TensorBoard com o YOLOv8 é que ele vem convenientemente pré-instalado, eliminando a necessidade de configuração adicional. Outra vantagem é a capacidade do TensorBoard de ser executado inteiramente no local. Isto é especialmente importante para projectos com requisitos rigorosos de privacidade de dados ou em ambientes onde os carregamentos na nuvem não são uma opção.

‍

Aqui estão algumas considerações para ajudá-lo a decidir se o TensorBoard é a ferramenta certa para o seu projeto:

• Explicabilidade com a Ferramenta What-If (WIT): O TensorBoard inclui a Ferramenta What-If, que oferece uma interface fácil de usar para explorar e entender modelos de ML. É valiosa para aqueles que procuram obter insights sobre modelos de caixa preta e melhorar a explicabilidade.
  ‍
• Rastreamento simples de experimentos: O TensorBoard é ideal para necessidades básicas de rastreamento com comparação limitada de experimentos e carece de recursos robustos de colaboração em equipe, controle de versão e gerenciamento de privacidade.

Usando DVCLive (Data Version Control Live) para rastrear experimentos de ML

A integração doYOLOv8com o DVCLive fornece uma forma simplificada de track e gerir experiências através do controlo de versões dos seus conjuntos de dados, modelos e código, sem armazenar ficheiros grandes no Git. Ele usa comandos semelhantes aos do Git e armazena métricas rastreadas em arquivos de texto simples para facilitar o controle de versão. O DVCLive regista as principais métricas, visualiza os resultados e gere as experiências de forma limpa, sem sobrecarregar o seu repositório. Ele suporta uma ampla gama de provedores de armazenamento e pode funcionar localmente ou na nuvem. O DVCLive é perfeito para equipas que procuram simplificar o acompanhamento de experiências sem infra-estruturas adicionais ou dependências da nuvem.

Gerir modelos e fluxos de trabalho do Ultralytics utilizando o Ultralytics HUB

OUltralytics HUB é uma plataforma interna, tudo-em-um, concebida para simplificar a formação, a implementação e a gestão dosmodelos Ultralytics YOLO como YOLOv5 e YOLOv8. Ao contrário das integrações externas, o Ultralytics HUB oferece uma experiência nativa e sem falhas, criada especificamente para os utilizadores YOLO . Ele simplifica todo o processo, permitindo que você carregue facilmente conjuntos de dados, escolha modelos pré-treinados e comece a treinar com apenas alguns cliques usando recursos da nuvem - tudo na interface fácil de usar do HUB. O UltralyticsHUB também suporta o rastreamento de experimentos, facilitando o monitoramento do progresso do treinamento, a comparação de resultados e o ajuste fino dos modelos.

‍

Principais conclusões

A escolha da ferramenta certa para acompanhar as suas experiências de aprendizagem automática pode fazer uma grande diferença. Todas as ferramentas que discutimos podem ajudar a acompanhar as experiências de treino YOLOv8 , mas é importante pesar os prós e os contras de cada uma para encontrar a melhor opção para o seu projeto. A ferramenta certa mantê-lo-á organizado e ajudará a melhorar o desempenho do seu modelo YOLOv8 ! 

As integrações podem simplificar a utilização do YOLOv8 nos seus projectos inovadores e acelerar o seu progresso. Para explorar as integrações mais interessantes YOLOv8 , consulte a nossa documentação.

Saiba mais sobre IA explorando nosso repositório GitHub e juntando-se à nossa comunidade. Confira nossas páginas de soluções para obter informações detalhadas sobre IA em manufatura e saúde. 🚀