Impulsionando o Ultralytics com Weights & Biases

Aqui está outro destaque do YOLO Vision 2023 (YV23), realizado no Google for Startups Campus, em Madrid. Esta palestra abordou operações de aprendizado de máquina, nas quais a Ultralytics e a Weights & Biases trabalham juntas para otimizar os fluxos de trabalho de treinamento. O engenheiro de aprendizado de máquina da Weights & Biases, Soumik Rakshit, mostrou como gerenciar experimentos e checkpoints de modelos com facilidade e visualizar os resultados dos experimentos.

As vantagens da Weights & Biases: um sonho para desenvolvedores#

A Weights & Biases é uma plataforma de MLOps voltada para desenvolvedores, usada para acompanhar, comparar e compartilhar experimentos de aprendizado de máquina. Seu conjunto de ferramentas ajuda as equipes a entender e aprimorar os modelos.

Integração da Ultralytics com W&B#

Na palestra, Soumik apresentou o trabalho realizado na Weights & Biases para integrar seus recursos ao Ultralytics YOLOv8, incluindo a visualização de inferências de detecção de objetos, e mostrou como podes usar essa integração nos teus próprios fluxos de trabalho da Ultralytics.

Da teoria à prática: uma demonstração ao vivo#

Soumik apresentou um fluxo de trabalho completo de detecção de objetos, usando um conjunto de dados hospedado na Weights & Biases e treinando um modelo com a Ultralytics, para mostrar como as duas plataformas funcionam em conjunto.

Principais recursos do painel da Weights & Biases#

A Weights & Biases também oferece um painel para visualizar o gráfico de treinamento e as métricas. Alguns dos principais recursos incluem:

• Acompanhamento de métricas em tempo real: Monitora métricas de desempenho essenciais, como precisão, perda e pontuações de validação, em tempo real durante o treinamento do modelo de aprendizado profundo, permitindo ajustes oportunos e fornecendo informações sobre o comportamento do modelo.
• Otimização de hiperparâmetros: Usa ferramentas automatizadas ou técnicas manuais para ajustar hiperparâmetros, como taxa de aprendizado, tamanho do lote e arquitetura da rede, otimizando o desempenho e a convergência do modelo.
• Visualização do progresso do treinamento: entenda melhor o comportamento do modelo visualizando o progresso do treinamento em gráficos e histogramas, que oferecem informações sobre a dinâmica do treinamento, o sobreajuste e os padrões de convergência.
• Monitoramento de recursos: acompanhe o uso de recursos computacionais, como CPU, GPU e memória, durante o treinamento do modelo. Isso garante uma alocação eficiente de recursos e evita gargalos que possam prejudicar o desempenho do treinamento.

Para obter informações detalhadas sobre cada recurso, consulta a seção do painel da Weights & Biases na documentação da Ultralytics.

Encerramento#

A palestra de Soumik mostrou como o acompanhamento de experimentos com a Weights & Biases facilita o gerenciamento, a comparação e o compartilhamento de execuções de treinamento da Ultralytics, quer sejas um engenheiro de aprendizado de máquina experiente ou estejas começando agora na área de IA. Se já acompanhas execuções do YOLO no W&B, também podes importar esses modelos para a Ultralytics Platform.

Assista à palestra completa no YouTube.