Explorando as integrações de rastreamento de experimentos de ML do Ultralytics YOLOv8

Coletar dados, anotá-los e treinar modelos como o modelo Ultralytics YOLOv8 é o núcleo de qualquer projeto de visão computacional. Frequentemente, você precisará treinar seu modelo personalizado várias vezes com diferentes parâmetros para criar o modelo mais otimizado. O uso de ferramentas para rastrear 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 que você usou, os resultados que você alcançou e quaisquer alterações que você fez ao longo do caminho. 

‍

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 orientá-lo pelas diferentes integrações de treinamento disponíveis para gerenciar e monitorar seus experimentos YOLOv8. Esteja você trabalhando sozinho ou como parte de uma equipe maior, entender e usar as ferramentas de rastreamento certas pode fazer uma grande diferença no sucesso de seus projetos YOLOv8.

Rastreamento de experimentos de aprendizado de máquina com MLflow

MLflow é uma plataforma de código aberto desenvolvida pela Databricks que facilita o gerenciamento de todo o ciclo de vida do aprendizado de máquina. O MLflow Tracking é um componente essencial do MLflow que fornece uma API e uma interface de usuário que ajudam cientistas de dados e engenheiros a registrar e visualizar seus experimentos de aprendizado de máquina. Ele oferece suporte a vários idiomas e interfaces, incluindo APIs Python, REST, Java e R. 

O MLflow Tracking se integra perfeitamente com o YOLOv8, e você pode registrar métricas importantes como precisão, recall e perda diretamente de seus modelos. Configurar o MLflow com o YOLOv8 é simples, e existem opções flexíveis: você pode usar a configuração localhost padrão, conectar-se a vários armazenamentos de dados ou iniciar um servidor de rastreamento 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. 

Usando Weights & Biases (W&B) para rastreamento de modelos de visão computacional

Weights & Biases é uma plataforma MLOps para rastrear, visualizar e gerenciar experimentos de machine learning. Ao usar o W&B com o YOLOv8, você pode monitorizar o desempenho dos seus modelos enquanto os treina e os ajusta. O painel interativo do W&B fornece uma visão clara e em tempo real dessas métricas e facilita a identificação de tendências, a comparação de variantes de modelos e a resolução de problemas durante o processo de treino.

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.

‍

Aqui estão algumas considerações para ajudá-lo 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.

Rastreamento de experimentos MLOps com ClearML

ClearML é uma plataforma MLOps de código aberto projetada para automatizar, monitorar e orquestrar fluxos de trabalho de machine learning. Ele suporta frameworks populares de machine learning como PyTorch, TensorFlow e Keras e pode se integrar facilmente com seus processos existentes. O ClearML também suporta computação distribuída em máquinas locais ou na nuvem e pode monitorar o uso de CPU e GPU.

A integração do YOLOv8 com o ClearML fornece ferramentas para o acompanhamento de experiências, gestão de modelos e monitorização de recursos. A interface de utilizador Web intuitiva da plataforma permite visualizar dados, comparar experiências e acompanhar métricas críticas como perda, precisão e pontuações de validação em tempo real. A integração também suporta funcionalidades avançadas, como a execução remota, o ajuste de hiperparâmetros e o checkpointing de modelos.

‍

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

• Necessidade de rastreamento avançado de experimentos: O ClearML fornece um rastreamento robusto de experimentos que inclui integração automática com o Git. 
  ‍
• Implantação flexível: O ClearML pode ser usado localmente, na nuvem ou em clusters Kubernetes, tornando-o adaptável a diferentes configurações.

Rastreie experimentos de treinamento usando o Comet ML

Comet ML é uma plataforma amigável que ajuda a gerenciar e rastrear experimentos de aprendizado de máquina. A integração do YOLOv8 com o Comet ML permite que você registre seus experimentos e visualize seus resultados ao longo do tempo. A integração facilita a identificação de tendências e a comparação de diferentes execuções. 

O Comet ML pode ser usado na nuvem, em uma nuvem privada virtual (VPC) ou até mesmo on-premises, tornando-o adaptável a diferentes configurações e necessidades. Esta ferramenta foi projetada para trabalho em equipe. Você pode compartilhar projetos, marcar colegas de equipe e deixar comentários para que todos permaneçam na mesma página e reproduzam os experimentos com precisão.

Aqui estão algumas informações para ajudá-lo a decidir se o Comet ML é a ferramenta certa para o seu projeto:

• Suporta múltiplas estruturas e linguagens: Comet ML funciona com Python, JavaScript, Java, R e muito mais, tornando-se uma opção versátil, independentemente das ferramentas ou linguagens que seu projeto usa.
  ‍
• Painéis e relatórios personalizáveis: A interface do Comet ML é altamente personalizável, para que você possa criar os relatórios e painéis que fazem mais sentido para o seu projeto. 
  ‍
• Custo: O 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 projetado especificamente para experimentos do TensorFlow, mas também é uma ótima ferramenta para rastrear e visualizar métricas em uma ampla gama de projetos de machine learning. Conhecido por sua simplicidade e velocidade, o TensorBoard permite que os usuários rastreiem 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. Outro benefício é a capacidade do TensorBoard de ser executado inteiramente on-premises. Isso é especialmente importante para projetos com requisitos rígidos de privacidade de dados ou aqueles em ambientes onde uploads para a 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 do YOLOv8 com o DVCLive oferece uma forma simplificada de acompanhar e gerir experiências, versionando os seus conjuntos de dados, modelos e código em conjunto, sem armazenar ficheiros grandes no Git. Utiliza comandos semelhantes ao Git e armazena métricas rastreadas em ficheiros de texto simples para facilitar o controlo de versões. O DVCLive regista métricas importantes, visualiza resultados e gere experiências de forma organizada, sem sobrecarregar o seu repositório. Suporta uma vasta gama de fornecedores de armazenamento e pode funcionar localmente ou na nuvem. O DVCLive é perfeito para equipas que procuram simplificar o acompanhamento de experiências sem infraestruturas adicionais ou dependências da nuvem.

Gerenciando modelos e fluxos de trabalho Ultralytics usando o Ultralytics HUB

O Ultralytics HUB é uma plataforma interna completa projetada 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 e perfeita, criada especificamente para usuários do YOLO. Ele simplifica todo o processo, permitindo que você carregue facilmente conjuntos de dados, escolha modelos pré-treinados e comece o treinamento com apenas alguns cliques usando recursos de nuvem - tudo dentro da interface fácil de usar do HUB. O UltralyticsHUB também oferece suporte ao rastreamento de experimentos, facilitando o monitoramento do progresso do treinamento, a comparação de resultados e o ajuste fino de modelos.

‍

Principais conclusões

Escolher a ferramenta certa para rastrear seus experimentos de machine learning pode fazer uma grande diferença. Todas as ferramentas que discutimos podem ajudar no rastreamento de experimentos de treinamento do 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 irá mantê-lo organizado e ajudará a melhorar o desempenho do seu modelo YOLOv8! 

As integrações podem simplificar o uso do YOLOv8 em seus projetos inovadores e acelerar seu progresso. Para explorar integrações mais interessantes do YOLOv8, consulte 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. 🚀