Registre experimentos com Ultralytics YOLO usando a integração com MLflow

Você pode imaginar um projeto de visão computacional como um quebra-cabeça. Basicamente, você ensina as máquinas a compreender dados visuais juntando as peças do quebra-cabeça, como coletar um conjunto de dados, treinar um modelo e implantá-lo. Quando tudo se encaixa, você obtém um sistema capaz de analisar e interpretar imagens e vídeos com eficiência.

Mas, assim como em um quebra-cabeça de verdade, nem todas as partes de um projeto de visão computacional são simples. Tarefas como o acompanhamento de experimentos (manter um registro das configurações, dos parâmetros e dos dados) e o registro de logs (capturar resultados e métricas de desempenho) podem exigir muito tempo e esforço. Embora essas etapas sejam essenciais para melhorar e refinar seus modelos de visão computacional, às vezes podem se tornar um gargalo.

É aí que entram os modelos Ultralytics YOLO e sua integração com o MLflow. Modelos como o Ultralytics YOLO11 oferecem suporte a uma ampla variedade de tarefas de visão computacional, incluindo detecção de objetos, segmentação de instâncias e classificação de imagens. Esses recursos possibilitam inúmeras aplicações de visão computacional. A opção de contar com integrações como a do MLflow permite que 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 registrar várias métricas, parâmetros e artefatos durante o treinamento. Neste artigo, vamos explorar como funciona a integração com MLflow, quais são seus benefícios e como você pode usá-la para simplificar seus fluxos de trabalho com Ultralytics YOLO.

O que é MLflow?#

MLflow é uma plataforma de código aberto (desenvolvida pela Databricks) criada para simplificar e gerenciar todo o ciclo de vida do aprendizado de máquina. Ela abrange o processo de desenvolvimento, implantação e manutenção de modelos de aprendizado de máquina.

O MLflow inclui os seguintes componentes principais:

• Acompanhamento de experimentos: Esse componente se concentra no registro de detalhes importantes, como configurações do modelo, resultados e arquivos de cada execução de treinamento. Ele ajuda você a comparar modelos, ver como as alterações afetam o desempenho e encontrar o melhor modelo.
• Registro de modelos: É como um sistema de armazenamento para seus modelos, onde você pode acompanhar diferentes versões e organizá-las por etapas, como teste, homologação e produção.
• Empacotamento de projetos: O MLflow facilita o empacotamento de projetos de aprendizado de máquina, incluindo o código, as configurações e as ferramentas necessárias, para que possam ser compartilhados e usados de maneira consistente entre equipes e ambientes.
• Implantação de modelos: O MLflow oferece ferramentas para implantar rapidamente seus modelos treinados em locais como estações de trabalho ou plataformas de nuvem, como AWS e Azure, deixando-os prontos para uso no mundo real.

Fig. 1. Componentes do MLflow.

Os componentes do MLflow tornam o processo de aprendizado de máquina mais fácil e eficiente de gerenciar. Com essa integração, a Ultralytics permite usar o recurso de acompanhamento de experimentos do MLflow para registrar parâmetros, métricas e artefatos durante o treinamento de modelos YOLO. Isso facilita o acompanhamento e a comparação de diferentes versões de modelos YOLO.

A integração com o MLflow simplifica o treino#

Agora que já explicamos o que é o MLflow, vamos analisar os detalhes da integração com o MLflow e os recursos que ela oferece.

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

Vejamos mais de perto 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, 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 de começar o treino do modelo, como a taxa de aprendizagem, o tamanho do lote (o número de amostras processadas numa etapa 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 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 funciona a integração com o MLflow#

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

Com a integração com o MLflow, todas as tuas execuções de treino ficam armazenadas num único local, o que facilita a comparação de resultados e a avaliação de diferentes configurações. Ao comparar os resultados registados, podes identificar as configurações com melhor desempenho e usar essas conclusões para aperfeiçoar os teus modelos. Isto torna o teu fluxo de trabalho mais eficiente, bem documentado e reproduzível.

Mais especificamente, cada sessão de treino é organizada numa experiência, que funciona como um contentor para várias execuções. Numa experiência, podes ver todas as execuções associadas, comparar o respetivo 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 a Ultralytics YOLOv8, todas as execuções relacionadas são agrupadas na mesma experiência para facilitar a comparação e a análise, como apresentado abaixo.

Fig. 3. Podes ver experiências através da integração com o MLflow.

Por sua vez, ao nível de cada execução, o MLflow fornece informações detalhadas sobre a sessão de treino específica. Podes ver métricas como a precisão, a perda e a precisão ao longo das épocas, verificar os parâmetros de treino utilizados (por exemplo, o tamanho do lote e a taxa de aprendizagem) e aceder aos artefactos gerados, como os pesos do modelo e os ficheiros de configuração. Estes detalhes são armazenados de forma organizada, facilitando a consulta ou a reprodução de qualquer execução.

Escolher a integração com o MLflow: o que a distingue#

Ao consultares a documentação da Ultralytics e explorares as integrações disponíveis, podes perguntar-te: o que distingue a integração com o MLflow e porque deves escolhê-la para o teu fluxo de trabalho?

Com integrações como o TensorBoard, que também disponibiliza ferramentas para acompanhar métricas e visualizar resultados, é importante compreender as características específicas que distinguem a integração com o MLflow.

Veja por que o MLflow pode ser a opção ideal para seus 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 adaptada às 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 aprendizagem automática.

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

Para compreender melhor quando podes usar a integração com o MLflow, consideremos uma aplicação de IA na área da saúde em que precisas de treinar a 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 e os tamanhos de lote, bem como técnicas de pré-processamento de imagens, para obter a precisão ideal. Como os riscos são elevados na área da saúde e a precisão e a fiabilidade são essenciais, acompanhar manualmente cada experiência pode tornar-se rapidamente difícil de gerir.

Fig. 4. Deteção de tumores com a Ultralytics YOLO11.

A integração com o 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 possam 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 IA de visão. As mesmas funcionalidades aplicam-se a outras aplicações de visão computacional, incluindo:

• Condução autónoma: A Ultralytics YOLO11 pode ser usada 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 do comércio a retalho: Os modelos de deteção de objetos podem monitorizar o comportamento dos clientes, acompanhar a disposição dos produtos e otimizar o inventário através da análise de transmissões de vídeo das lojas.
• Segurança e vigilância: Os modelos podem ser treinados para detetar anomalias ou monitorizar atividades em tempo real em áreas sensíveis, reforçando a segurança.

Vantagens 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 importantes e manter tudo organizado, permite-te concentrar na criação e melhoria dos teus modelos. Eis algumas das principais vantagens:

• Escalável 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 das 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: 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 se adaptarem a diferentes requisitos do fluxo de trabalho.

Principais conclusões#

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

Quer estejas a trabalhar em soluções para a área da saúde, como a deteção de tumores, a melhorar sistemas de condução autónoma ou a otimizar a análise do comércio a retalho, esta integração ajuda-te a manter tudo organizado e reproduzível. Com uma interface intuitiva e flexível, o MLflow permite aos programadores concentrarem-se na criação de melhores modelos e na promoção da inovação em aplicações de IA de visão.

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