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

Coletar dados, anotá-los e treinar modelos como o Ultralytics YOLOv8 model é o núcleo de qualquer projeto de computer vision. Muitas vezes, precisas de treinar o teu modelo personalizado várias vezes com diferentes parâmetros para criares o modelo mais ideal. Usar ferramentas para monitorizar os teus experimentos de treino pode tornar a gestão do teu computer vision project um pouco mais fácil. O rastreio de experimentos é o processo de registar os detalhes de cada execução de treino — como os parâmetros que usaste, os resultados que alcançaste e quaisquer alterações que fizeste ao longo do caminho.

Fig 1. Uma imagem mostrando como o rastreio de experimentos se encaixa em um projeto de visão computacional.

Manter um registo destes detalhes ajuda-te a reproduzir os teus resultados, compreender o que funciona e o que não funciona, e fine-tune your models 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 documentation clara e organizada do teu trabalho que te permite refinar a tua abordagem e alcançar melhores resultados ao longo do tempo.

Neste artigo, vamos mostrar-te as diferentes training integrations disponíveis para gerir e monitorizar os teus experimentos com YOLOv8. Quer estejas a trabalhar sozinho ou como parte de uma equipa maior, compreender e usar as ferramentas de rastreio certas pode fazer uma diferença real no sucesso dos teus YOLOv8 projects.

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. 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.

O MLflow Tracking integra-se sem problemas com o YOLOv8, e podes registar important metrics como precisão, revocação e perda diretamente a partir dos teus modelos. Setting up MLflow with YOLOv8 é simples e existem opções flexíveis: podes usar a configuração padrão de localhost, ligar a vários armazenamentos de dados ou iniciar um servidor de rastreio MLflow remoto 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.

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

O Weights & Biases é uma plataforma MLOps para monitorizar, visualizar e gerir experimentos de machine learning. Ao using W&B with YOLOv8, podes monitorizar o desempenho dos teus modelos à medida que os treinas e ajustas. O painel interativo do W&B fornece uma visão clara e em tempo real destas 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 pontos de verificação do modelo, e podes até usá-lo para afinar hiperparâmetros como a taxa de aprendizagem e o tamanho do lote. A plataforma suporta uma ampla gama de opções de configuração, desde o rastreio de execuções na tua máquina local até à gestão de projetos de grande 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.

Rastreamento 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 rastreio de experimentos, gestão de modelos e monitorização de recursos. A interface web intuitiva da plataforma permite-te visualizar dados, comparar experimentos e monitorizar 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 pontos de verificação de modelos.

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.

Rastreie experimentos de treinamento usando Comet ML#

O Comet ML é uma plataforma fácil de usar que ajuda a gerir e monitorizar experimentos de machine learning. A integração do YOLOv8 com o Comet ML permite-te registar os teus experimentos e ver os teus 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 múltiplos frameworks 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 teu projeto utilize.
• 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.

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 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 o YOLOv8 é que ele já vem pré-instalado de forma conveniente, eliminando a necessidade de configuração adicional. Outro benefício é a capacidade do TensorBoard de correr inteiramente no local (on-premises). Isto é especialmente fundamental para projetos com requisitos rígidos de privacidade de dados ou para aqueles em ambientes onde os uploads para a nuvem não são uma opção.

Fig 5. A monitorizar o treino do modelo YOLOv8 utilizando o 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.

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

A integração do YOLOv8 com o DVCLive fornece uma forma simplificada de monitorizar e gerir experimentos ao versionar os teus conjuntos de dados, modelos e código em conjunto, sem armazenar ficheiros grandes no Git. Utiliza comandos semelhantes ao Git e armazena as métricas monitorizadas em ficheiros de texto simples para um fácil controlo de versão. O DVCLive regista métricas-chave, visualiza resultados e gere experimentos de forma limpa, sem sobrecarregar o teu repositório. Suporta uma ampla gama de fornecedores de armazenamento e pode funcionar localmente ou na nuvem. O DVCLive é perfeito para equipas que pretendem simplificar o rastreio de experimentos sem infraestrutura adicional ou dependências da nuvem.

Gerenciando modelos e fluxos de trabalho do Ultralytics usando o Ultralytics HUB#

O Ultralytics HUB é uma plataforma integrada e completa concebida para simplificar o treino, a implementação e a gestão de modelos do 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-te carregar facilmente conjuntos de dados, escolher modelos pré-treinados e iniciar o treino com apenas alguns cliques utilizando recursos em nuvem — tudo dentro da interface fácil de usar do HUB. O Ultralytics HUB também suporta o rastreio de experimentos, tornando simples monitorizar o progresso do treino, comparar resultados e afinar modelos.

Fig 6. A monitorizar o treino do modelo YOLOv8 utilizando o Ultralytics HUB.

Principais 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 a utilização do YOLOv8 nos teus projetos inovadores e acelerar o teu progresso. Para explorar mais integrações emocionantes do YOLOv8, consulta a nossa documentação.

Saiba mais sobre IA explorando nosso repositório do GitHub e participando da nossa comunidade. Confira nossas páginas de soluções para insights detalhados sobre IA em manufatura e saúde. 🚀