Regista experiências com Ultralytics YOLO usando a integração MLflow

Podes pensar num projeto de visão computacional como um puzzle. Essencialmente, ensinas as máquinas a compreender dados visuais juntando peças do puzzle, tais como a recolha de um conjunto de dados, o treino de um modelo e a sua implementação. Quando tudo encaixa, obténs um sistema capaz de analisar e dar sentido a imagens e vídeos de forma eficaz.

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

É aqui que entram os modelos Ultralytics YOLO e a sua integração com o MLflow. Modelos como o Ultralytics YOLO11 suportam uma ampla gama de tarefas de visão computacional, incluindo deteção de objetos, segmentação de instâncias e classificação de imagens. Estas capacidades permitem a criação de aplicações de visão computacional entusiasmantes. Ter a opção de contar com integrações como a integração do MLflow permite aos engenheiros de visão concentrarem-se no próprio modelo, em vez de se perderem nos detalhes.

Em particular, a integração com o MLflow simplifica o processo ao registar várias métricas, parâmetros e artefactos ao longo do processo de treino. Neste artigo, vamos explorar como a integração com o MLflow funciona, os seus benefícios e como podes usá-la para simplificar os teus fluxos de trabalho com 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 da aprendizagem automática. Abrange o processo de desenvolvimento, implementação e manutenção de modelos de aprendizagem automática.

O MLflow inclui os seguintes componentes principais:

• Rastreio de experiências: Este componente foca-se no registo de detalhes importantes como definições do modelo, resultados e ficheiros para cada execução de treino do modelo. Ajuda-te a comparar modelos, a ver como as alterações afetam o desempenho e a encontrar o melhor.
• Registo de modelos: É como um sistema de armazenamento para os teus modelos, onde podes acompanhar diferentes versões e organizá-las por fases como teste, staging e produção.
• Empacotamento de projetos: O MLflow facilita o agrupamento dos teus projetos de aprendizagem automática, incluindo o código, definições e 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 de cloud como AWS e Azure, tornando-os prontos para uso real.

Fig 1. Componentes do MLflow.

Os componentes do MLflow tornam o processo de aprendizagem automática mais fácil e eficiente de gerir. Através desta integração, a Ultralytics torna possível utilizar a funcionalidade de acompanhamento de experiências do MLflow para registar parâmetros, métricas e artefactos durante o treino de modelos YOLO. Torna simples acompanhar e comparar diferentes versões de modelos YOLO.

A integração com o MLflow simplifica o treino#

Agora que abordámos o que é o MLflow, vamos mergulhar nos detalhes da integração com o MLflow e que funcionalidades oferece.

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

Aqui tens uma análise mais detalhada de 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 precisão, exatidão, sensibilidade 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 defines antes de o treino do modelo começar, como a taxa de aprendizagem, o tamanho do batch (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 as saídas ou ficheiros gerados durante o treino. Isto inclui ficheiros essenciais como os pesos do modelo (os valores numéricos que o teu modelo aprende durante o treino), ficheiros de configuração (que armazenam as definições de treino) e outros dados relevantes.

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

Como a integração com o MLflow funciona#

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

Com a integração com o MLflow, todas as tuas execuções de treino são armazenadas num só local, facilitando a comparação de resultados e a avaliação de diferentes configurações. Ao comparar resultados registados, podes identificar as configurações de melhor desempenho e usar esses conhecimentos para melhorar os teus modelos. Isto garante que o teu fluxo de trabalho seja mais eficiente, bem documentado e reproduzível.

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

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

Fig 3. Podes ver as experiências utilizando a integração do MLflow.

Entretanto, ao nível da execução individual, o MLflow fornece insights detalhados sobre a sessão de treino específica. Podes ver métricas como precisão, perda e exatidão ao longo das épocas, verificar os parâmetros de treino usados (por exemplo, tamanho do batch e taxa de aprendizagem) e aceder a artefactos gerados como pesos do modelo e ficheiros de configuração. Estes detalhes são armazenados num formato organizado, tornando simples revisitar ou reproduzir qualquer execução.

Escolher a integração com o MLflow: por que se destaca#

À medida que navegas pela documentação da Ultralytics e explores as integrações disponíveis, poderás perguntar-te: O que distingue a integração do MLflow e porque deves escolhê-la para o teu fluxo de trabalho?

Com integrações como o TensorBoard que também fornecem ferramentas para acompanhar métricas e visualizar resultados, é importante compreender as qualidades únicas que fazem a integração do MLflow sobressair.

Eis porque é que o MLflow pode ser a escolha ideal para os teus projetos YOLO:

• Interface amigável: O painel do MLflow torna fácil visualizar experiências, comparar execuções e analisar resultados, ajudando-te a identificar rapidamente as configurações de melhor desempenho.
• Registo de métricas personalizadas: Os engenheiros de visão podem registar métricas personalizadas para além das padrão, permitindo uma análise mais aprofundada específica para as necessidades do seu projeto.
• Suporte para fluxos de trabalho em múltiplas linguagens: O MLflow é compatível com múltiplas linguagens de programação, incluindo Python, R e Java, facilitando a integração em diversos pipelines de aprendizagem automática.

Aplicações práticas do Ultralytics YOLO11 e da integração com o MLflow#

Para obteres uma compreensão mais abrangente de quando podes usar a integração com o MLflow, vamos considerar uma aplicação de IA na saúde em que precisas de treinar o Ultralytics YOLO11 para detetar tumores em imagens de raios-X ou tomografias computorizadas.

Nesse cenário, o conjunto de dados consistiria em imagens médicas anotadas. Precisarias de fazer experiências com várias configurações, tais como ajustar taxas de aprendizagem, tamanhos de lote e técnicas de pré-processamento de imagens, para alcançar a precisão ideal. Uma vez que os riscos são elevados nos cuidados de saúde e a exatidão e fiabilidade são críticas, acompanhar cada experiência manualmente pode rapidamente tornar-se impossível de gerir.

Fig 4. Deteção de tumores utilizando o Ultralytics YOLO11.

A integração do MLflow resolve este desafio ao registar automaticamente os parâmetros, as métricas e os artefactos de cada experiência. Por exemplo, se modificares a taxa de aprendizagem ou aplicares uma nova estratégia de aumento de dados, o MLflow grava estas 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 o MLflow melhora a gestão de experiências em aplicações de visão por IA. As mesmas funcionalidades aplicam-se a outras aplicações de visão computacional, incluindo:

• Condução autónoma: O Ultralytics YOLO11 pode ser usado para detetar e classificar peões, veículos e sinais de trânsito em tempo real para melhorar a segurança e a eficiência de sistemas de condução autónoma.
• Análise de retalho: Modelos de deteção de objetos podem monitorizar o comportamento do cliente, rastrear a colocação de produtos e otimizar o inventário analisando a atividade na loja através de feeds de vídeo.
• Segurança e vigilância: Modelos podem ser treinados para detetar anomalias ou monitorizar atividades em tempo real em áreas sensíveis para maior segurança.

Benefícios da integração com o MLflow#

A integração do MLflow com modelos YOLO torna a gestão de experiências de aprendizagem automática mais fácil e eficiente. Ao automatizar tarefas fundamentais e manter tudo organizado, permite-te concentrar na construção e melhoria dos teus modelos. Eis uma vista de olhos sobre os principais benefícios:

• Escalável para grandes projetos: A plataforma lida eficientemente com múltiplas experiências e modelos, tornando-a adequada para equipas maiores e fluxos de trabalho complexos.
• Histórico detalhado de experiências: A plataforma mantém um histórico completo de experiências, permitindo-te revisitar execuções passadas, analisar configurações anteriores e aprender com resultados de antanho.
• Opções de desativação e reinicialização: O registo do MLflow pode ser facilmente desativado quando não for necessário, e as definições podem ser repostas para os padrões, oferecendo flexibilidade para adaptar a requisitos de fluxo de trabalho variados.

Principais pontos#

A integração com o MLflow torna a gestão e otimização das experiências Ultralytics YOLO mais fácil e eficiente. Ao rastrear automaticamente detalhes chave como parâmetros, métricas e artefactos, simplifica o processo e remove o transtorno da gestão manual de experiências.

Quer estejas a trabalhar em soluções de saúde como deteção de tumores, a melhorar sistemas de condução autónoma ou a melhorar a análise de retalho, esta integração ajuda a manter tudo organizado e reproduzível. Com a sua interface intuitiva e flexibilidade, o MLflow permite aos programadores focar-se na construção de melhores modelos e a impulsionar a inovação em aplicações de visão por IA.

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