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

A recolha de dados, a sua anotação e o treino de modelos como o modelo Ultralytics 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 acompanhar 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 registo destes detalhes ajuda-o a reproduzir os seus resultados, a compreender o que funciona e o que não funciona, e a afinar os seus modelos de forma mais eficaz. Para as organizações, ajuda a manter a consistência entre as equipas, promove a colaboração e fornece uma pista de auditoria clara. Para os indivíduos, trata-se de manter uma documentação clara e organizada do seu trabalho que lhe permite aperfeiçoar a sua abordagem e obter melhores resultados ao longo do tempo. 

Neste artigo, vamos orientá-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 projectos YOLOv8.

Acompanhamento de experiências de aprendizagem automática com o 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.

‍

Eis alguns contributos para o ajudar 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 envolve escalar do desenvolvimento para a produção, o MLflow pode suportar este crescimento.
  ‍
• Complexidade do projeto: O MLflow é ideal para projectos complexos que necessitam de um acompanhamento minucioso, gestão de modelos e capacidades de implementação. Se o seu projeto requer estas funcionalidades em grande escala, o MLflow pode simplificar os seus fluxos de trabalho.
  ‍
• Configuração e manutenção: Embora potente, o MLflow tem uma curva de aprendizagem e custos de configuração. 

Utilização de pesos e desvios (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 formação e os pontos de controlo do modelo, e pode mesmo ser utilizado para afinar hiperparâmetros como a taxa de aprendizagem e o tamanho do lote. A plataforma suporta uma vasta gama de opções de configuração, desde o acompanhamento de execuções na sua máquina local até à gestão de projectos 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 controlo melhorados: O W&B fornece um painel intuitivo para visualizar as métricas de treinamento e modelar o desempenho em tempo real.
  ‍
• Modelo de preços: O preço baseia-se em horas monitorizadas, o que pode não ser ideal para utilizadores com orçamentos limitados ou projectos que envolvam longos períodos de formação.

Acompanhamento de experiências MLOps com ClearML

O 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. O ClearML também suporta a computação distribuída em máquinas locais ou na nuvem e pode monitorizar a utilização da CPU e da GPU.

A integração do YOLOv8 com 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 acompanhar 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 o ClearML é a ferramenta certa para o seu projeto:

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

Experiências de formação de trajectos utilizando o Comet ML

O Comet ML é uma plataforma de fácil utilização que ajuda a gerir e a acompanhar as experiências de aprendizagem automática. A integração do YOLOv8 com 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. 

O 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 o Comet ML é a ferramenta certa para o seu projeto:

• Suporta várias estruturas e linguagens: O Comet ML funciona com Python, JavaScript, Java, R e muito mais, tornando-o uma opção versátil, independentemente das ferramentas ou linguagens que o seu projeto utiliza.
  ‍
• 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: 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 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 acompanhem 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.

‍

Eis alguns dados para o ajudar 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 os modelos de ML. É valiosa para quem procura obter informações sobre modelos de caixa preta e melhorar a explicabilidade.
  ‍
• Acompanhamento simples de experiências: O TensorBoard é ideal para necessidades básicas de acompanhamento com comparação limitada de experiências e carece de funcionalidades robustas de colaboração em equipa, controlo de versões e gestão de privacidade.

Utilização do DVCLive (Data Version Control Live) para acompanhar experiências de ML

A integração do YOLOv8 com o DVCLive fornece uma forma simplificada de rastrear 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

O Ultralytics HUB é uma plataforma interna, tudo-em-um, concebida para simplificar a formação, a implementação e a gestão dos modelos Ultralytics YOLO, como o YOLOv5 e o YOLOv8. Ao contrário das integrações externas, o Ultralytics HUB oferece uma experiência nativa e perfeita, criada especificamente para os utilizadores do YOLO. Simplifica todo o processo, permitindo carregar facilmente conjuntos de dados, escolher modelos pré-treinados e iniciar o treinamento 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 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 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 do YOLOv8, consulte a nossa documentação.

Saiba mais sobre a IA explorando o nosso repositório GitHub e juntando-se à nossa comunidade. Consulte as nossas páginas de soluções para obter informações detalhadas sobre a IA no fabrico e nos cuidados de saúde. 🚀