Explorar as integrações de rastreio de experiências 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 ideal. Usar 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 alcançados e quaisquer alterações feitas ao longo do caminho.

Fig 1. Uma imagem mostrando como o rastreamento 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 de forma mais eficaz. Para organizações, ajuda a manter a consistência entre as equipes, promove a colaboração e fornece uma trilha de auditoria clara. Para indivíduos, trata-se de manter uma documentação clara e organizada do seu trabalho que lhe permite refinar sua abordagem e alcançar 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 diferença real no sucesso dos seus projetos YOLOv8.

Link to this sectionRastreamento 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. MLflow Tracking é um componente essencial do MLflow que fornece uma API e uma interface de usuário que ajuda cientistas de dados e engenheiros a registrar e visualizar seus experimentos de aprendizado de máquina. Ele suporta várias linguagens e interfaces, incluindo APIs Python, REST, Java e R.

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

Fig 2. Configurações comuns para o ambiente de rastreamento do MLflow. Fonte da imagem: MLflow tracking.

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

• Escalabilidade: O MLflow escala bem de acordo com suas necessidades, esteja você 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 esse crescimento.
• Complexidade do projeto: O MLflow é ideal para projetos complexos que precisam de rastreamento completo, gerenciamento de modelos e recursos de implantação. Se o seu projeto requer esses recursos em escala total, o MLflow pode simplificar seus fluxos de trabalho.
• Configuração e manutenção: Embora poderoso, o MLflow apresenta uma curva de aprendizado e sobrecarga de configuração.

Link to this sectionUsando Weights & Biases (W&B) para rastreamento de 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 à medida que os treina e ajusta. O painel interativo do W&B fornece uma visão clara e em tempo real dessas métricas e torna mais fácil identificar tendências, comparar variantes de modelos e solucionar problemas durante o processo de treinamento.

O W&B registra automaticamente métricas de treinamento e pontos de verificação de modelo, e você pode até usá-lo para ajustar hiperparâmetros, como taxa de aprendizado e tamanho do lote. A plataforma suporta uma ampla gama de opções de configuração, desde o rastreamento de execuções na sua máquina local até o gerenciamento de projetos em larga escala com armazenamento em nuvem.

Fig 3. Um exemplo dos painéis de rastreamento de experimentos do Weights & Biases. Fonte da imagem: Weights & Biases track experiments.

Aqui estão algumas observações 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 métricas de treinamento e desempenho do modelo em tempo real.
• Modelo de preços: O preço é baseado em horas rastreadas, o que pode não ser ideal para usuários com orçamentos limitados ou projetos que envolvem longos tempos de treinamento.

Link to this sectionRastreamento 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 aprendizado de máquina. Ela suporta estruturas populares de aprendizado de máquina como PyTorch, TensorFlow e Keras e pode integrar-se facilmente aos 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 rastreamento de experimentos, gerenciamento de modelos e monitoramento de recursos. A interface da web intuitiva da plataforma permite visualizar dados, comparar experimentos e rastrear 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 verificação de pontos de modelo.

Fig 4. Um exemplo das visualizações de rastreamento de experimentos do ClearML. Fonte da imagem: Clear ML Tracking Experiments and Visualizing Results.

Aqui estão algumas observações 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 de experimentos robusto que inclui integração automática com Git.
• Implantação flexível: O ClearML pode ser usado localmente, na nuvem ou em clusters Kubernetes, tornando-o adaptável a diferentes configurações.

Link to this sectionRastreie experimentos de treinamento usando 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 localmente, tornando-o adaptável a diferentes configurações e necessidades. Esta ferramenta foi projetada para o trabalho em equipe. Você pode compartilhar projetos, marcar colegas de equipe e deixar comentários para que todos possam ficar na mesma página e reproduzir experimentos com precisão.

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

• Suporta múltiplas estruturas e linguagens: O Comet ML funciona com Python, JavaScript, Java, R e muito mais, tornando-o uma opção versátil, não importa quais ferramentas ou linguagens seu projeto use.
• Painéis e relatórios personalizáveis: A interface do Comet ML é altamente personalizável, para que você possa criar os relatórios e painéis que façam mais sentido para o seu projeto.
• Custo: O Comet ML é uma plataforma comercial, e alguns de seus recursos avançados exigem uma assinatura paga.

Link to this sectionO 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 aprendizado de máquina. Conhecido por sua simplicidade e velocidade, o TensorBoard permite que os usuários rastreiem facilmente as principais métricas e visualizem gráficos de modelo, embeddings e outros tipos de dados.

Uma grande vantagem de usar o TensorBoard com YOLOv8 é que ele vem convenientemente pré-instalado, eliminando a necessidade de configuração adicional. Outro benefício é a capacidade do TensorBoard de rodar inteiramente no local. 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.

Fig 5. Monitorando o treinamento do modelo YOLOv8 usando TensorBoard.

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

• Explicabilidade com a What-If Tool (WIT): O TensorBoard inclui a What-If Tool, que oferece uma interface fácil de usar para explorar e entender modelos de ML. É valioso para quem busca 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.

Link to this sectionUsando o DVCLive (Data Version Control Live) para rastrear experimentos de ML#

A integração do YOLOv8 com o DVCLive fornece uma maneira simplificada de rastrear e gerenciar experimentos, versionando seus conjuntos de dados, modelos e código juntos, sem armazenar arquivos grandes no Git. Ele usa comandos semelhantes aos do Git e armazena as métricas rastreadas em arquivos de texto simples para facilitar o controle de versão. O DVCLive registra métricas principais, visualiza resultados e gerencia experimentos de forma limpa, sem sobrecarregar seu repositório. Ele suporta uma ampla gama de provedores de armazenamento e pode funcionar localmente ou na nuvem. O DVCLive é perfeito para equipes que buscam simplificar o rastreamento de experimentos sem infraestrutura adicional ou dependências de nuvem.

Link to this sectionGerenciando modelos e fluxos de trabalho do Ultralytics usando o Ultralytics HUB#

O Ultralytics HUB é uma plataforma interna tudo-em-um projetada para simplificar o treinamento, implantação e 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 conjuntos de dados facilmente, escolha modelos pré-treinados e comece a treinar com apenas alguns cliques usando recursos de nuvem - tudo dentro da interface fácil de usar do HUB. O Ultralytics HUB também suporta rastreamento de experimentos, tornando fácil monitorar o progresso do treinamento, comparar resultados e ajustar modelos.

Fig 6. Monitorando o treinamento do modelo YOLOv8 usando o Ultralytics HUB.

Link to this sectionPrincipais pontos#

Escolher a ferramenta certa para rastrear seus experimentos de aprendizado de máquina pode fazer uma grande diferença. Todas as ferramentas que discutimos podem ajudar no rastreamento de experimentos de treinamento do YOLOv8, mas é importante ponderar os prós e contras de cada uma para encontrar a melhor opção para o seu projeto. A ferramenta certa manterá você 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 mais integrações interessantes do YOLOv8, confira nossa documentação.

Saiba mais sobre IA explorando nosso repositório no GitHub e participando da nossa comunidade. Confira nossas páginas de soluções para obter insights detalhados sobre IA em manufatura e saúde. 🚀