Weights & Biases

Weights & Biases (frequentemente abreviada como W&B ou WandB) é uma plataforma proeminente que dá prioridade ao programador, concebida para simplificar operações de aprendizado de máquina (MLOps). Funciona como um sistema centralizado de registo para engenheiros de aprendizagem automática e cientistas de dados, permitindo-lhes track experiências, visualizar o desempenho do modelo e gerir conjuntos de dados. No complexo ciclo de vida do aprendizagem automática (ML), é difícil manter o track de cada O W&B resolve este problema registando automaticamente as métricas e organizando-as em painéis de controlo interactivos. Isto permite às equipas comparar diferentes treinos, garantir a reprodutibilidade e colaborar eficazmente em projectos que vão desde a investigação académica até à implementação de implantações de visão computacional (CV) em escala empresarial.

Distinguir a plataforma dos conceitos

Para compreender a ferramenta, é essencial diferenciá-la dos conceitos fundamentais conceitos fundamentais das redes neuronais (NN) que lhe deram o nome.

• Weights & Biases (A Plataforma): Refere-se ao serviço de software e à biblioteca que actua como uma ferramenta abrangente de controlo de experiências. Integra-se com estruturas populares para monitorizar o processo de formação, gerir os recursos do sistema e armazenar artefactos do modelo.
• Pesos (o parâmetro): No contexto da aprendizagem profunda, os pesos do modelo são os coeficientes aprendidos que transformam os dados de entrada nas camadas da rede. Determinam a força da ligação entre os neurónios.
• Vieses (O Parâmetro): Estes são valores adicionais que podem ser aprendidos e que permitem que a função de ativação ser deslocada para a esquerda ou direita, ajudando o modelo a ajustar-se melhor aos dados, fornecendo um desvio.

Enquanto os parâmetrosweights and biases) são os componentes matemáticos optimizados durante o treino através de descida de gradiente estocástico (SGD), a plataformaWeights & Biases) é o utilitário utilizado para observar e analisar esse processo de otimização.

Principais capacidades e aplicações

A plataforma W&B fornece um conjunto de ferramentas que abordam desafios específicos no desenvolvimento da inteligência artificial (IA) de inteligência artificial.

• Acompanhamento de experiências: Os programadores podem registar métricas dinâmicas, como a função de perda e a precisão ao longo do tempo. Isso ajuda a identificar problemas como overfitting, em que um modelo aprende muito bem os dados de treinamento, mas não consegue generalizar.
• Ajuste de hiperparâmetros: Encontrar a melhor configuração para um modelo - tal como a taxa de aprendizagem, tamanho do lote, ou arquitetura da rede - é simplificado com o W&B Sweeps, que automatiza a procura de valores valores óptimos.
• Versionamento de dados e modelos: Através dos artefactos W&B, as equipas podem track a linhagem dos seus dados e dos modelos guardados. Isto garante que qualquer resultado pode ser reproduzido através da recuperação da versão exacta dos dados de treino e do código utilizados.
• Visualização interactiva: A plataforma apresenta meios de comunicação avançados, permitindo aos utilizadores visualizar caixas delimitadoras previstas em imagens ou sobrepor máscaras de segmentação sobreposição de máscaras de segmentação, facilitando uma visualização de dados e depuração.

Exemplos de integração no mundo real

O Weights & Biases é amplamente utilizado em sectores que requerem uma validação rigorosa do modelo e um desenvolvimento colaborativo.

• Deteção de objectos em automóveis: Uma equipa que desenvolve tecnologia de condução autónoma pode utilizar Ultralytics YOLO11 para detect peões e veículos. Ao integração da W&B, podem visualizar previsões de dados de validação em milhares de épocas. Isto permite-lhes detetar casos de falha específicos, específicos, tais como detecções falhadas em condições de pouca luz, e ajustar a sua estratégia de aumento de dados em conformidade.
• Análise de imagens médicas: Os investigadores que trabalham em IA nos cuidados de saúde utilizam a W&B para manter um registo preciso das experiências quando treinam modelos para a deteção de tumores. Dada a natureza crítica deste domínio, a utilização de ferramentas de monitorização de modelos para track métricas como a recordação e a precisão é vital para a conformidade regulamentar e garantir a segurança dos pacientes.

Implementação de W&B com Ultralytics

Integração de Weights & Biases com estruturas modernas como PyTorch ou bibliotecas específicas como Ultralytics é simples. A biblioteca detecta automaticamente a presença de W&B e regista as principais métricas sem um código de base extensivo.

O exemplo seguinte demonstra como treinar um modelo YOLO11 enquanto regista automaticamente a execução em Weights & Biases. Certifique-se de que executou pip install wandb e autenticado através de wandb login no seu terminal antes de executar o script.

from ultralytics import YOLO

# Initialize the YOLO11 model using pre-trained weights
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
# If 'wandb' is installed and logged in, training metrics are automatically
# uploaded to the Weights & Biases dashboard.
results = model.train(data="coco8.yaml", epochs=5, project="Ultralytics-WandB-Demo", name="yolo11-experiment")

Esta integração capta métricas do sistema, tais como GPU GPU, e métricas do modelo, fornecendo uma visão abrangente do desempenho do treinamento. Para obter informações mais detalhadas, os utilizadores podem explorar o guia de integraçãoUltralytics para personalizar o que é registado.