Regista experiências do Ultralytics YOLO utilizando a integração do MLflow

Podes pensar num projeto de visão computacional como um puzzle. Essencialmente, ensinas as máquinas a compreender dados visuais ao juntares peças do puzzle, como recolher um conjunto de dados, treinar um modelo e implementá-lo. Quando tudo encaixa, obténs um sistema capaz de analisar e interpretar imagens e vídeos de forma eficaz.

Mas, tal como num puzzle real, nem todas as partes de um projeto de visão computacional são simples. Tarefas como o acompanhamento de experiências (manter um registo das tuas definições, configurações e dados) e o registo (capturar resultados e métricas de desempenho) podem exigir muito tempo e esforço. Embora estes passos sejam essenciais para melhorar e aperfeiçoar os teus modelos de visão computacional, por vezes podem parecer um obstáculo.

É aqui que entram os modelos Ultralytics YOLO e a sua integração com MLflow. Modelos como o Ultralytics YOLO11 suportam uma vasta gama de tarefas de visão computacional, incluindo deteção de objetos, segmentação de instâncias e classificação de imagens. Estas capacidades permitem criar aplicações de visão computacional inovadoras. Ter a opção de recorrer a integrações como a integração com MLflow permite que os engenheiros de visão se concentrem no próprio modelo, em vez de se prenderem aos detalhes.

Em particular, a integração com MLflow simplifica o processo ao registar várias métricas, parâmetros e artefactos ao longo do treino. Neste artigo, vamos explorar como funciona a integração com MLflow, quais são os seus benefícios e como podes utilizá-la para otimizar os teus fluxos de trabalho Ultralytics YOLO.

O que é o MLflow?#

O MLflow é uma plataforma de código aberto (desenvolvida pela Databricks) concebida para simplificar e gerir todo o ciclo de vida do machine learning. Abrange o processo de desenvolvimento, implementação e manutenção de modelos de machine learning.

O MLflow inclui os seguintes componentes principais:

• Acompanhamento de experiências: este componente centra-se no registo de detalhes importantes, como as definições do modelo, os resultados e os ficheiros de cada execução de treino do modelo. Ajuda-te a comparar modelos, perceber como as alterações afetam o desempenho e encontrar o melhor modelo.
• Registo de modelos: funciona como um sistema de armazenamento para os teus modelos, onde podes acompanhar diferentes versões e organizá-las por fases, como testes, preparação e produção.
• Empacotamento de projetos: o MLflow facilita a criação de pacotes dos teus projetos de machine learning, incluindo o código, as definições e as ferramentas necessárias, para que possam ser partilhados e utilizados de forma consistente entre equipas e ambientes.
• Implementação de modelos: o MLflow fornece ferramentas para implementar rapidamente os teus modelos treinados em locais como estações de trabalho ou plataformas na cloud, como AWS e Azure, deixando-os prontos para utilização no mundo real.

Fig. 1. Componentes do MLflow.

Os componentes do MLflow tornam o processo de machine learning mais fácil e eficiente de gerir. Através desta integração, a Ultralytics permite utilizar a funcionalidade de acompanhamento de experiências do MLflow para registar parâmetros, métricas e artefactos durante o treino de modelos YOLO. Isto simplifica o acompanhamento e a comparação de diferentes versões de modelos YOLO.

A integração com MLflow simplifica o treino#

Agora que explicámos o que é o MLflow, vamos analisar os detalhes da integração com MLflow e as funcionalidades que oferece.

A integração com MLflow foi concebida para tornar o processo de treino mais eficiente e organizado, acompanhando e registando automaticamente aspetos importantes das tuas experiências de visão computacional. Permite três tipos principais de registo: métricas, parâmetros e artefactos.

Vejamos mais detalhadamente cada tipo de registo:

• Registo de métricas: as métricas são valores quantitativos que medem o desempenho do teu modelo durante o treino. Por exemplo, métricas como exatidão, precisão, revocação ou perda são acompanhadas no final de cada época (uma passagem completa pelo teu conjunto de dados).
• Registo de parâmetros: os parâmetros são as definições que estabeleces antes do início do treino do modelo, como a taxa de aprendizagem, o tamanho do lote (o número de amostras processadas num passo de treino) e o número de épocas. Estes parâmetros afetam significativamente o comportamento e o desempenho do teu modelo.
• Registo de artefactos: os artefactos são os resultados ou ficheiros gerados durante o treino. Incluem ficheiros essenciais, como os pesos do modelo (os valores numéricos que o teu modelo aprende durante o treino), os ficheiros de configuração (que armazenam as definições de treino) e outros dados relevantes.

Fig. 2. Principais funcionalidades de registo da integração com MLflow. Imagem do autor.

Como funciona a integração com MLflow#

Podes consultar a documentação da Ultralytics para obter instruções passo a passo sobre como ativar a integração com MLflow. Depois de configurada, a integração acompanha e regista automaticamente os principais detalhes das tuas experiências de treino, conforme explicado acima. Isto elimina a necessidade de acompanhamento manual e ajuda-te a manter o foco no aperfeiçoamento dos teus modelos.

Com a integração com MLflow, todas as tuas execuções de treino são armazenadas num único local, o que facilita a comparação de resultados e a avaliação de diferentes configurações. Ao comparares os resultados registados, podes identificar as configurações com melhor desempenho e utilizar esses conhecimentos para melhorar os teus modelos. Isto garante que o teu fluxo de trabalho é mais eficiente, bem documentado e reprodutível.

Especificamente, cada sessão de treino é organizada numa experiência, que funciona como um contentor para várias execuções. Dentro de uma experiência, podes ver todas as execuções associadas, comparar o desempenho lado a lado e analisar tendências entre diferentes configurações.

Por exemplo, se estiveres a testar várias taxas de aprendizagem ou tamanhos de lote com o Ultralytics YOLOv8, todas as execuções relacionadas são agrupadas na mesma experiência para facilitar a comparação e a análise, conforme mostrado abaixo.

Fig. 3. Podes visualizar experiências usando a integração com MLflow.

Entretanto, ao nível de cada execução individual, o MLflow fornece informações detalhadas sobre a sessão de treino específica. Podes ver métricas como exatidão, perda e precisão ao longo das épocas, verificar os parâmetros de treino utilizados (por exemplo, o tamanho do lote e a taxa de aprendizagem) e aceder a artefactos gerados, como pesos do modelo e ficheiros de configuração. Estes detalhes são armazenados num formato organizado, o que simplifica a consulta ou reprodução de qualquer execução.

Escolher a integração com MLflow: por que se destaca#

À medida que consultas a documentação da Ultralytics e exploras as integrações disponíveis, podes perguntar-te: o que distingue a integração com MLflow e por que razão devo escolhê-la para o meu fluxo de trabalho?

Com integrações como o TensorBoard, que também fornecem ferramentas para acompanhar métricas e visualizar resultados, é importante compreender as características únicas que fazem com que a integração com MLflow se destaque.

Eis por que razão o MLflow pode ser a escolha ideal para os teus projetos YOLO:

• Interface intuitiva: o painel do MLflow facilita a visualização de experiências, a comparação de execuções e a análise de resultados, ajudando-te a identificar rapidamente as configurações com melhor desempenho.
• Registo de métricas personalizadas: os engenheiros de visão podem registar métricas personalizadas além das métricas padrão, permitindo uma análise mais aprofundada e específica para as necessidades do projeto.
• Suporte para fluxos de trabalho multilinguagem: o MLflow é compatível com várias linguagens de programação, incluindo Python, R e Java, facilitando a integração em diversos pipelines de machine learning.

Aplicações práticas do Ultralytics YOLO11 e da integração com MLflow#

Para compreenderes melhor quando podes utilizar a integração com MLflow, considera uma aplicação de IA na área da saúde em que precisas de treinar o Ultralytics YOLO11 para detetar tumores em imagens de raios X ou tomografias computorizadas.

Neste cenário, o conjunto de dados seria composto por imagens médicas anotadas. Terias de experimentar várias configurações, como ajustar as taxas de aprendizagem, os tamanhos de lote e as técnicas de pré-processamento de imagens, para obter uma exatidão ideal. Como os riscos são elevados na área da saúde e a precisão e a fiabilidade são fundamentais, acompanhar cada experiência manualmente pode rapidamente tornar-se incomportável.

Fig. 4. Deteção de tumores usando o Ultralytics YOLO11.

A integração com MLflow resolve este desafio ao registar automaticamente os parâmetros, as métricas e os artefactos de cada experiência. Por exemplo, se alterares a taxa de aprendizagem ou aplicares uma nova estratégia de aumento de dados, o MLflow regista essas alterações juntamente com as métricas de desempenho. Além disso, o MLflow guarda os pesos e as configurações dos modelos treinados, garantindo que os modelos bem-sucedidos podem ser facilmente reproduzidos e implementados.

Este é apenas um exemplo de como a integração com MLflow melhora a gestão de experiências em aplicações de IA para visão computacional. As mesmas funcionalidades aplicam-se a outras aplicações de visão computacional, incluindo:

• Condução autónoma: o Ultralytics YOLO11 pode ser utilizado para detetar e classificar peões, veículos e sinais de trânsito em tempo real, melhorando a segurança e a eficiência dos sistemas de condução autónoma.
• Análise de retalho: os modelos de deteção de objetos podem monitorizar o comportamento dos clientes, acompanhar a colocação de produtos e otimizar o inventário através da análise da atividade nas lojas por meio de transmissões de vídeo.
• Segurança e vigilância: os modelos podem ser treinados para detetar anomalias ou monitorizar atividades em tempo real em áreas sensíveis, reforçando a segurança.

Benefícios da integração com MLflow#

A integração com MLflow e modelos YOLO torna a gestão de experiências de machine learning mais fácil e eficiente. Ao automatizar tarefas essenciais e manter tudo organizado, permite-te concentrar na criação e melhoria dos teus modelos. Eis os principais benefícios:

• Escalabilidade para projetos de grande dimensão: a plataforma gere várias experiências e modelos de forma eficiente, sendo adequada para equipas maiores e fluxos de trabalho complexos.
• Histórico detalhado de experiências: a plataforma mantém um histórico completo das experiências, permitindo-te consultar execuções anteriores, analisar configurações passadas e aprender com resultados anteriores.
• Opções para desativar e repor definições: o registo do MLflow pode ser facilmente desativado quando não é necessário e as definições podem ser repostas para os valores predefinidos, oferecendo flexibilidade para adaptar-se a diferentes requisitos de fluxo de trabalho.

Principais conclusões#

A integração com MLflow torna a gestão e a otimização das experiências Ultralytics YOLO mais fáceis e eficientes. Ao acompanhar automaticamente detalhes essenciais, como parâmetros, métricas e artefactos, simplifica o processo e elimina o incómodo da gestão manual de experiências.

Quer estejas a trabalhar em soluções de saúde, como a deteção de tumores, a melhorar sistemas de condução autónoma ou a aperfeiçoar a análise de retalho, esta integração ajuda a manter tudo organizado e reprodutível. Com a sua interface intuitiva e flexibilidade, o MLflow permite que os programadores se concentrem na criação de modelos melhores e na promoção da inovação em aplicações de IA para visão computacional.

Junta-te à nossa comunidade e consulta o nosso repositório do GitHub para aprenderes mais sobre IA. Também podes explorar mais aplicações de visão computacional na indústria ou de IA em carros autónomos nas nossas páginas de soluções.