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

Recolher dados, anotá-los e treinar modelos como o modelo Ultralytics YOLOv8 são a base de qualquer projeto de visão computacional. Muitas vezes, precisas de treinar o teu modelo personalizado várias vezes com parâmetros diferentes para criar o modelo ideal. Usar ferramentas para acompanhar as tuas experiências de treino pode facilitar um pouco a gestão do teu projeto de visão computacional. O acompanhamento de experiências é o processo de registar os detalhes de cada execução de treino, como os parâmetros usados, os resultados obtidos e quaisquer alterações feitas ao longo do processo.

Fig. 1. Uma imagem que mostra como o acompanhamento de experiências se enquadra num projeto de visão computacional.

Manter um registo destes detalhes ajuda-te a reproduzir os resultados, compreender o que funciona e o que não funciona e ajustar os teus modelos de forma mais eficaz. Para as organizações, ajuda a manter a consistência entre equipas, promove a colaboração e fornece uma trilha de auditoria clara. Para os indivíduos, trata-se de manter uma documentação clara e organizada do trabalho, que te permite aperfeiçoar a abordagem e obter melhores resultados ao longo do tempo.

Neste artigo, vamos mostrar-te as diferentes integrações de treino disponíveis para gerir e monitorizar as tuas experiências com YOLOv8. Quer trabalhes sozinho quer faças parte de uma equipa maior, compreender e usar as ferramentas de acompanhamento certas pode fazer uma diferença significativa no sucesso dos teus projetos YOLOv8.

Acompanhamento de experiências de aprendizagem automática 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 para ajudar cientistas de dados e engenheiros a registar e visualizar as suas experiências de aprendizagem automática. É compatível com várias linguagens e interfaces, incluindo APIs de Python, REST, Java e R.

O MLflow Tracking integra-se facilmente com o YOLOv8 e permite registar métricas importantes, como precisão, recall e perda, diretamente a partir dos teus modelos. Configurar o MLflow com o YOLOv8 é simples e existem opções flexíveis: podes usar a configuração predefinida em localhost, ligar-te 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 acompanhamento do MLflow. Fonte da imagem: acompanhamento do MLflow.

Eis alguns aspetos que te podem ajudar a decidir se o MLflow é a ferramenta certa para o teu projeto:

• Escalabilidade: o MLflow adapta-se bem às tuas necessidades, quer trabalhes numa única máquina quer implementes em grandes clusters. Se o teu projeto envolver a expansão do desenvolvimento para produção, o MLflow pode acompanhar esse crescimento.
• Complexidade do projeto: o MLflow é ideal para projetos complexos que precisam de acompanhamento detalhado, gestão de modelos e capacidades de implementação. Se o teu projeto exigir estas funcionalidades completas, o MLflow pode simplificar os teus fluxos de trabalho.
• Configuração e manutenção: embora seja poderoso, o MLflow implica uma curva de aprendizagem e algum esforço de configuração.

Usar o Weights & Biases (W&B) para acompanhar modelos de visão computacional#

O Weights & Biases é uma plataforma de MLOps para acompanhar, visualizar e gerir experiências de aprendizagem automática. Ao usar o W&B com o YOLOv8, podes monitorizar o desempenho dos teus modelos enquanto os treinas e ajustas. O painel interativo do W&B fornece uma visão clara e em tempo real destas métricas, facilitando 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 pontos de verificação dos modelos, e podes até usá-lo para ajustar hiperparâmetros, como a taxa de aprendizagem e o tamanho do lote. A plataforma oferece várias opções de configuração, desde acompanhar execuções na tua máquina local até gerir projetos de grande escala com armazenamento na nuvem.

Fig. 3. Um exemplo dos painéis de acompanhamento de experiências do Weights & Biases. Fonte da imagem: acompanhar experiências com o Weights & Biases.

Eis alguns aspetos que te podem ajudar a decidir se o Weights & Biases é a ferramenta certa para o teu projeto:

• Visualização e acompanhamento melhorados: o W&B fornece um painel intuitivo para visualizar as métricas de treino e o desempenho dos modelos em tempo real.
• Modelo de preços: o preço baseia-se nas horas acompanhadas, o que pode não ser ideal para utilizadores com orçamentos limitados ou projetos que envolvam tempos de treino longos.

Acompanhamento de experiências de MLOps com o ClearML#

O ClearML é uma plataforma de MLOps de código aberto concebida para automatizar, monitorizar e orquestrar fluxos de trabalho de aprendizagem automática. É compatível com frameworks populares de aprendizagem automática, como PyTorch, TensorFlow e Keras, e integra-se facilmente nos teus processos existentes. O ClearML também é compatível com computação distribuída em máquinas locais ou na nuvem e pode monitorizar a utilização de CPU e GPU.

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

Fig. 4. Um exemplo das visualizações de acompanhamento de experiências do ClearML. Fonte da imagem: acompanhar experiências com o Clear ML e visualizar resultados.

Eis alguns aspetos que te podem ajudar a decidir se o ClearML é a ferramenta certa para o teu projeto:

• Necessidade de acompanhamento avançado de experiências: o ClearML fornece um acompanhamento robusto de experiências, incluindo integração automática com o Git.
• Implementação flexível: o ClearML pode ser usado localmente, na nuvem ou em clusters Kubernetes, o que o torna adaptável a diferentes configurações.

Acompanhar experiências de treino com o Comet ML#

O Comet ML é uma plataforma fácil de usar que ajuda a gerir e acompanhar experiências de aprendizagem automática. A integração do YOLOv8 com o Comet ML permite registar as tuas experiências e consultar os 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, numa nuvem privada virtual (VPC) ou até localmente, o que o torna adaptável a diferentes configurações e necessidades. Esta ferramenta foi concebida para o trabalho em equipa. Podes partilhar projetos, identificar membros da equipa e deixar comentários para que todos se mantenham alinhados e reproduzam as experiências com precisão.

Eis alguns aspetos que te podem ajudar a decidir se o Comet ML é a ferramenta certa para o teu projeto:

• Compatibilidade com várias frameworks e linguagens: o Comet ML funciona com Python, JavaScript, Java, R e muito mais, sendo uma opção versátil independentemente das ferramentas ou linguagens usadas no teu projeto.
• Painéis e relatórios personalizáveis: a interface do Comet ML é altamente personalizável, permitindo criar os relatórios e painéis mais adequados ao teu projeto.
• Custo: o Comet ML é uma plataforma comercial e algumas das suas funcionalidades avançadas exigem uma subscrição paga.

O TensorBoard pode ajudar nas visualizações#

O TensorBoard é um poderoso kit de ferramentas de visualização concebido especificamente para experiências com TensorFlow, mas também é uma excelente ferramenta para acompanhar e visualizar métricas numa vasta gama de projetos de aprendizagem automática. Conhecido pela sua simplicidade e rapidez, o TensorBoard permite acompanhar facilmente métricas essenciais e visualizar grafos de modelos, embeddings e outros tipos de dados.

Uma grande vantagem de usar o TensorBoard com o YOLOv8 é que já vem convenientemente pré-instalado, eliminando a necessidade de configuração adicional. Outro benefício é a capacidade do TensorBoard de funcionar totalmente no local. Isto é especialmente importante para projetos com requisitos rigorosos de privacidade de dados ou em ambientes onde não é possível carregar dados para a nuvem.

Fig. 5. Monitorizar o treino de modelos YOLOv8 com o TensorBoard.

Eis alguns aspetos que te podem ajudar a decidir se o TensorBoard é a ferramenta certa para o teu 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 compreender 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 entre experiências, e não dispõe de funcionalidades robustas de colaboração em equipa, controlo de versões e gestão da privacidade.

Usar o DVCLive (Controlo de Versões de Dados em Tempo Real) para acompanhar experiências de ML#

A integração do YOLOv8 com o DVCLive fornece uma forma simplificada de acompanhar e gerir experiências, criando versões dos teus conjuntos de dados, modelos e código em conjunto, sem armazenar ficheiros grandes no Git. Usa comandos semelhantes aos do Git e armazena as métricas acompanhadas em ficheiros de texto simples para facilitar o controlo de versões. O DVCLive regista métricas essenciais, visualiza resultados e gere experiências de forma organizada, sem sobrecarregar o teu repositório. É compatível com uma vasta gama de fornecedores de armazenamento e pode funcionar localmente ou na nuvem. O DVCLive é ideal para equipas que pretendem simplificar o acompanhamento de experiências sem infraestrutura adicional ou dependências da nuvem.

Gerir modelos e fluxos de trabalho do Ultralytics com o Ultralytics HUB#

O Ultralytics HUB é uma plataforma interna completa, concebida para simplificar o treino, a implementação e a gestão de modelos Ultralytics YOLO, como o YOLOv5 e o YOLOv8. Ao contrário das integrações externas, o Ultralytics HUB oferece uma experiência nativa e integrada, criada especificamente para utilizadores do YOLO. Simplifica todo o processo, permitindo carregar facilmente conjuntos de dados, escolher modelos pré-treinados e iniciar o treino com apenas alguns cliques, usando recursos na nuvem, tudo dentro da interface fácil de usar do HUB. O Ultralytics HUB também é compatível com o acompanhamento de experiências, facilitando a monitorização do progresso do treino, a comparação de resultados e o ajuste dos modelos.

Fig. 6. Monitorizar o treino de modelos YOLOv8 com o Ultralytics HUB.

Principais conclusões#

Escolher a ferramenta certa para acompanhar as tuas experiências de aprendizagem automática pode fazer uma grande diferença. Todas as ferramentas que discutimos podem ajudar a acompanhar experiências de treino com YOLOv8, mas é importante ponderar as vantagens e desvantagens de cada uma para encontrares a mais adequada ao teu projeto. A ferramenta certa vai manter-te organizado e ajudar a melhorar o desempenho do teu modelo YOLOv8!

As integrações podem simplificar a utilização do YOLOv8 nos teus projetos inovadores e acelerar o teu progresso. Para explorares mais integrações interessantes do YOLOv8, consulta a nossa documentação.

Fica a saber mais sobre IA explorando o nosso repositório no GitHub e juntando-te à nossa comunidade. Consulta as nossas páginas de soluções para obter informações detalhadas sobre IA na indústria transformadora e nos cuidados de saúde. 🚀